基于bp网络算法的春运铁路客流预测

《基于bp网络算法的春运铁路客流预测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、http://www.paper.edu.cn1基于BP网络算法的春运铁路客流预测123李巍岳，赵萍萍，郭嗣琮1辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）2四川省社会科学院新闻研究所，四川成都（610041）3辽宁工程技术大学理学院，辽宁阜新（123000）E-mail：rsli326@126.com摘要：本文根据铁路春运期间现有的客流量数据，建立BP网络模型进行预测分析，给出模型的扰动因子的作用，提出建立巨型网络的思想关键词：春运客流；BP网络；扰动因子；巨型网络中图分类号：TP3931.引言春节期间，由于异地打工的民工返乡，学生放假，加上部分旅客外地探亲，铁

2、路方面极易形成客流高峰。2008年初，罕见的南方大雪，造成了公路被积雪封锁，大批旅客涌入火车站，全国铁路沿线大站，小站都经受了巨大的考验，突如其来的气象因素是令人始料未及的。如果可以根据往年的旅客数据，建立模型对下一年的春运客流进行科学的判断，会起到提前预警地作用。车站工作人员可以提前做好准备，合理调度，减少旅客滞留人数，使人员伤害与财产损失降到最低。本文运用了目前较为流行的BP（ErrorBackPropagationNetwork）神经网络模型进行预测，并提出了影响模型的扰动因子。2.人工神经网络的结构及其原理人工神经网络（ArtificialNeuralNetwork）简称

3、ANN，是在人脑神经网络认知的础上由人工设计的为了进行某种应用的神经网络。它是一种理论化的数学模型，该系统可以对外部输入的信息通过动态响应来处理信息。它不仅可以进行大规模的并行处理，研究非线性的事物关系，还具有自适用的学习过程与模式识别。正是由于它的这些性质，使其能够可以出色解决传统模式识别方法难以解决的问题。目前，BP神经网络是ANN模型中应用最广泛的[1]模型。BP（ErrorBackPropagationNetwork）神经网络，它是在1986年由Rumelhant和McClelland提出的。其思想是使用梯度搜索理论，使网络输出部分与期望输出部分的均方差达到最小。它包括正

4、向传播与反向传播，当数据从网络的输入层传入，经过隐层处理传向输出层，若输出的数据与期望数据不符时，则转向误差的反向处理阶段。反向处理主要完成的工作是将输出层误差反向传播回去，并借以修正权值。下面是一个三层BP网络模型的学习算法（见图1）。输入层具有n个节点x1,x2……xn，隐层含有q个节点，输出层含有m个节点。1本课题得到教育部博士点基金（编号：2005147002）和辽宁省高等学校重点实验室项目（编号：20060370）的资助。-1-http://www.paper.edu.cn输入层输出层隐层图1三层BP网络的学习算法2.1网络的正向传播正向传播过程是输入信息从输入层通过隐

5、层节点的处理经输出层输出的过程，每一个节点都影响下一层的节点状态。BP网络采用了一定阈值特性的连续可微函数的Sigmoid函数作为网络传播的激励函数。常用的是采用S型函数为：1f(x)=（1）−x1+en(1)隐层中第i个节点的输出为：z=f(∑vx),i=1,2,……,n;（2）i1ijjj=1q(2)输出层第k个节点的输出为：y=f(∑wzi),k=1,2,……,m;（3）k2kii=12.2BP网络的误差后向传播很多时候通过网络正向传播的输出值与期望值会有差异，则就会转向误差的反向传播。误差的反向传播是将输出误差以某种形式由隐层向输入层反传，并将误差分摊给各层的所有[2]节

6、点，从而得到误差信息，通过这个误差来作为修正节点权值的依据。2.2.1误差（e）定义如果把网络输出层第j个节点的实际计算输出定义为：oj,把第k个节点的期望输出值定义为：tj。e=tj-oj（4）2.2.2网络目标函数（E）12（5）E=∑(−)2tjojj-2-http://www.paper.edu.cn2.2.3网络权值调整的规则一般修改权值的方法都是沿误差e函数梯度下降的方向进行，用wijk表示第k层第i个节点到第k+1层第j个节点连接权值；oi表示网络上一层第i节点的输出；oj表示网络这层第j节点的输出；netj表示第j个节点总输入：∂E∆wij=−η（6）∂wijη是

7、个正的增益系数，也叫做步长，通过改变它可以相应的改变学习效率，可以求出∆wij与结点输出之间的递推关系：∂E∂E∂netj∂E∂∂∆wij=−η=−η.=−η.(∑oiwij)=−η.oi∂wij∂netj∂wij∂netj∂wiji∂netj∂E∂E∂oj又令δ=−=−.（7）j∂net∂o∂netjjj其中：∂oj∂1'=()=f(net)=f(net)=f(net)[1−f(net)]=o(1−o)即−netjjjjjj∂net∂net1+ejjj∂Eδ=−.o(1−o)（