徑向基網(wǎng)絡模型在上海地鐵客流預測中的應用研究

《徑向基網(wǎng)絡模型在上海地鐵客流預測中的應用研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在工程資料-天天文庫。

1、徑向基網(wǎng)絡模型在上海地鐵客流預測中的應用研究摘要：基于對國內(nèi)外科學家的工作和研究成果的分析，運用數(shù)學和計算機輔助技術，采用徑向基RBF神經(jīng)網(wǎng)絡模型針對軌道客流變化進行建模，將其應用于城市軌道交通突發(fā)大客流研究領域。通過合理，準確的短期客流預測為地鐵運營公司及時地調(diào)整運營計劃、適時地為乘客發(fā)布乘車信息、準確地執(zhí)行客流管理控制預案提供依據(jù)，確保軌道系統(tǒng)高效、有序、安全的運行，最大限度地使客流削峰填谷，減輕運營壓力，最終提高交通網(wǎng)絡運行和管理的效率。中國8/vie　　關鍵詞：客流預測；軌道交通；神經(jīng)網(wǎng)絡；徑向基；高斯函數(shù)　　中圖分類號：TP391

2、　　文獻標志碼：A　　：2095-2163（2016）06-0079-03　　0引言　　[JP2]客流預測的方法主要分為線性法和非線性法。影響客流的因素具有非線性相關性，從時間上看，早晚高峰的通勤、節(jié)假日、惡劣天氣都會引發(fā)大客流；從空間上看，同一時刻不同線路、站點的斷面客流、方向有著明顯的差別，矛盾現(xiàn)象突出；[JP3]從出行特征看，乘距較長，平均乘距14公里。綜上分析發(fā)現(xiàn)客流預測呈現(xiàn)出了鮮明的非線性特征，為此本研究將選用非線性方法。[JP]　　依據(jù)文獻研究可知，由于非線性的徑向基神經(jīng)網(wǎng)絡具備良好的非線性擬合能力，優(yōu)秀的自學習能力，以及強大的

3、魯棒性，因而尤其適合于計算機性質(zhì)的設計實現(xiàn)。相應地，本文將基于此而展開客流預測模型的構(gòu)建研究。研究中即以上海地鐵作為試驗對象，以歷史客流作為輸入，通過局部逼近方式采用高斯函數(shù)進行計算，再根據(jù)評價指標對結(jié)果提供優(yōu)化處理，使其獲得細微修正與改進調(diào)整。在理論上，流程操作步驟可描述為：以具有代表性的四線桂林路站入站換乘客流數(shù)據(jù)為輸入，進行模型的訓練與學習，確定網(wǎng)絡結(jié)構(gòu)，包括隱藏層數(shù)、各層節(jié)點數(shù)、傳遞函數(shù)類型、各層連接權值等。而在網(wǎng)絡結(jié)構(gòu)的模型建立后，再輸入測試樣本對預測模型進行驗證，直到誤差值小于預設誤差值?！　BT4]1徑向基網(wǎng)絡結(jié)構(gòu)　　RBF

4、神經(jīng)網(wǎng)絡有3層，分別是：輸入層、隱藏層和輸出層。其中，輸入層由多個輸入信號源組成；輸入信號源通過徑向基作為激勵函數(shù)來表述隱藏層，當輸入落在指定區(qū)域時，就會給徑向基函數(shù)生成一個刺激，隱藏層就會做出積極反應，得到中間點，徑向基的網(wǎng)絡結(jié)構(gòu)也隨即可得對應定量指標，將隱藏層加權即可得到輸出層，輸出層顯示輸入樣本的最終網(wǎng)絡作用效果。進一步地探討可知，輸入到隱藏層是非線性的，隱藏層到輸出層是線性的。在此，針對網(wǎng)絡結(jié)構(gòu)中每一層的功能實現(xiàn)可給出如下闡釋解析?！　?）輸入層。輸入層由歷史樣本組成。在輸入層中，將對所有數(shù)據(jù)進行分析整合，并在學習的過程中實現(xiàn)模型訓

5、練，最終確定樣品誤差最小的設計模型?！　?）隱藏層。隱藏層通常選用高斯函數(shù)作為徑向基的激活函數(shù)。高斯函數(shù)是非線性函數(shù)，可以根據(jù)輸入樣本的變化而不斷學習。在訓練過程中一個關鍵點是要確定隱藏層的節(jié)點數(shù)量，常見做法即是讓隱層神經(jīng)元的數(shù)量等于輸入向量的元素數(shù)量。當計算數(shù)據(jù)有較大誤差時，循環(huán)RBF網(wǎng)絡將再次求解并更新誤差估算權值，此時可以在隱藏層重新組織神經(jīng)元的輸入矢量，直至誤差滿足預設值時，循環(huán)停止?！　?）輸出層。隱藏層單元的輸出通過線性加權即可求得輸出層的預測值。由于隱藏層與輸出層是多對一的關系，因而需要先求出各神經(jīng)元的權值，再運用線性函數(shù)來計

6、算最終結(jié)果?！　BT4]2徑向基網(wǎng)絡模型　　基于上述理論設計推演可得，徑向基網(wǎng)絡模型建構(gòu)示意可如圖1所示?！　∮蓤D1可見，p是輸入，nmx用于?（）用于模擬仿真預測。另外，nein的客流數(shù)據(jù)，共6000條作為輸入樣本。原始數(shù)據(jù)的整體變動趨勢則如圖2所示?！　?結(jié)束語　　[CM（24]客流預測是實現(xiàn)智能交通的關鍵要素，是軌道交通路網(wǎng)高效運營的需要，本文的目標就是精確預測短期客流?！　”疚母鶕?jù)客流的非線性、突發(fā)性、不確定性的特點，在詳細分析國內(nèi)外預測領域研究現(xiàn)狀、總結(jié)算法特點的基礎上建立RBF客流預測模型，運用仿真手段進行預測，并通過不同場景

7、的預測結(jié)果的比較，對參數(shù)實現(xiàn)了優(yōu)化調(diào)整，最終提高預測準確率?！　”菊撐难芯苛塑壍澜煌A測方法和人工神經(jīng)網(wǎng)絡，創(chuàng)建了基于RBF神經(jīng)網(wǎng)絡理論預測模型的短時客流預測模型并取得了一定的成果，對客流預測的實際進展發(fā)揮了有益的推動作用。