径向基网络模型在上海地铁客流预测中的应用研究

《径向基网络模型在上海地铁客流预测中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、径向基网络模型在上海地铁客流预测中的应用研究摘要：基于对国内外科学家的工作和研究成果的分析，运用数学和计算机辅助技术，采用径向基RBF神经网络模型针对轨道客流变化进行建模，将其应用于城市轨道交通突发大客流研究领域。通过合理，准确的短期客流预测为地铁运营公司及时地调整运营计划、适时地为乘客发布乘车信息、准确地执行客流管理控制预案提供依据，确保轨道系统高效、有序、安全的运行，最大限度地使客流削峰填谷，减轻运营压力，最终提高交通网络运行和管理的效率。中国8/vie　　关键词：客流预测；轨道交通；神经网络；径向基；高斯函数　　中图分类号：TP391

2、　　文献标志码：A　　：2095-2163（2016）06-0079-03　　0引言　　[JP2]客流预测的方法主要分为线性法和非线性法。影响客流的因素具有非线性相关性，从时间上看，早晚高峰的通勤、节假日、恶劣天气都会引发大客流；从空间上看，同一时刻不同线路、站点的断面客流、方向有着明显的差别，矛盾现象突出；[JP3]从出行特征看，乘距较长，平均乘距14公里。综上分析发现客流预测呈现出了鲜明的非线性特征，为此本研究将选用非线性方法。[JP]　　依据文献研究可知，由于非线性的径向基神经网络具备良好的非线性拟合能力，优秀的自学习能力，以及强大的

3、鲁棒性，因而尤其适合于计算机性质的设计实现。相应地，本文将基于此而展开客流预测模型的构建研究。研究中即以上海地铁作为试验对象，以历史客流作为输入，通过局部逼近方式采用高斯函数进行计算，再根据评价指标对结果提供优化处理，使其获得细微修正与改进调整。在理论上，流程操作步骤可描述为：以具有代表性的四线桂林路站入站换乘客流数据为输入，进行模型的训练与学习，确定网络结构，包括隐藏层数、各层节点数、传递函数类型、各层连接权值等。而在网络结构的模型建立后，再输入测试样本对预测模型进行验证，直到误差值小于预设误差值。　　[BT4]1径向基网络结构　　RBF

4、神经网络有3层，分别是：输入层、隐藏层和输出层。其中，输入层由多个输入信号源组成；输入信号源通过径向基作为激励函数来表述隐藏层，当输入落在指定区域时，就会给径向基函数生成一个刺激，隐藏层就会做出积极反应，得到中间点，径向基的网络结构也随即可得对应定量指标，将隐藏层加权即可得到输出层，输出层显示输入样本的最终网络作用效果。进一步地探讨可知，输入到隐藏层是非线性的，隐藏层到输出层是线性的。在此，针对网络结构中每一层的功能实现可给出如下阐释解析。　　1）输入层。输入层由历史样本组成。在输入层中，将对所有数据进行分析整合，并在学习的过程中实现模型训

5、练，最终确定样品误差最小的设计模型。　　2）隐藏层。隐藏层通常选用高斯函数作为径向基的激活函数。高斯函数是非线性函数，可以根据输入样本的变化而不断学习。在训练过程中一个关键点是要确定隐藏层的节点数量，常见做法即是让隐层神经元的数量等于输入向量的元素数量。当计算数据有较大误差时，循环RBF网络将再次求解并更新误差估算权值，此时可以在隐藏层重新组织神经元的输入矢量，直至误差满足预设值时，循环停止。　　3）输出层。隐藏层单元的输出通过线性加权即可求得输出层的预测值。由于隐藏层与输出层是多对一的关系，因而需要先求出各神经元的权值，再运用线性函数来计

6、算最终结果。　　[BT4]2径向基网络模型　　基于上述理论设计推演可得，径向基网络模型建构示意可如图1所示。　　由图1可见，p是输入，nmx用于�（）用于模拟仿真预测。另外，nein的客流数据，共6000条作为输入样本。原始数据的整体变动趋势则如图2所示。　　5结束语　　[CM（24]客流预测是实现智能交通的关键要素，是轨道交通路网高效运营的需要，本文的目标就是精确预测短期客流。　　本文根据客流的非线性、突发性、不确定性的特点，在详细分析国内外预测领域研究现状、总结算法特点的基础上建立RBF客流预测模型，运用仿真手段进行预测，并通过不同场景

7、的预测结果的比较，对参数实现了优化调整，最终提高预测准确率。　　本论文研究了轨道交通预测方法和人工神经网络，创建了基于RBF神经网络理论预测模型的短时客流预测模型并取得了一定的成果，对客流预测的实际进展发挥了有益的推动作用。