• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于BP神經(jīng)網(wǎng)絡(luò)的軌道客流短期預(yù)測

      2016-12-26 11:03:07程浩徐昕
      電子技術(shù)與軟件工程 2016年22期
      關(guān)鍵詞:城市軌道交通客流預(yù)測

      程浩++徐昕

      摘 要

      本文主要以城市軌道交通的客流預(yù)測為研究對象,簡單介紹幾種目前國內(nèi)外主流的預(yù)測方法。之后運用BP神經(jīng)網(wǎng)絡(luò)算法,對上海軌道交通的實際客流做預(yù)測,并給出預(yù)測結(jié)果數(shù)據(jù)和分析。希望能夠通過對客流預(yù)測的研究,為城市軌道交通的調(diào)度與緊急情況下的疏散客流提供數(shù)據(jù)支持。

      【關(guān)鍵詞】城市軌道交通 客流 預(yù)測

      隨著全球城市現(xiàn)代化公共交通進程的不斷推進,軌道交通作為一種新型的具有較大運量、較高效率的公共交通方式具有巨大的優(yōu)勢,能夠有效的提高居民的出行效率、緩解城市的交通壓力,因此城市軌道交通在我國近些年發(fā)展迅速。隨著軌道交通客流量的增長,對于軌道交通的客流預(yù)測的研究也隨之而興起。通過精確的客流預(yù)測,可以為軌道運營單位提供相對準確的數(shù)據(jù)支撐。使其日常的運力配置、客運組織更合理,在緊急突發(fā)事件下的預(yù)警和疏散更高效。因此,對軌道交通客流短期預(yù)測和分析的研究顯得越來越重要。

      1 正文

      1.1 國內(nèi)外預(yù)測方法介紹

      軌道交通短期客流預(yù)測交通客流預(yù)測在國際上是一個比較活躍,但是預(yù)測結(jié)果一直不怎么不令人滿意的研究課題。因為軌道交通是一個有人參與的、時變的復(fù)雜系統(tǒng),具有高度的不確定性,這種不確定性給軌道交通客流預(yù)測帶來了困難。目前,在國內(nèi)外交通客流預(yù)測分析領(lǐng)域的很多專家學(xué)者也在進行這方面的研究,并有了一些成果。這里介紹幾種常用方法:

      1.1.1 基于四階段法的預(yù)測模型

      以1962年美國芝加哥市發(fā)表的《Chicago Area Transportation Study》為標志,作為一種交通規(guī)劃理論和方法得以誕生。它以居民出行調(diào)查為基礎(chǔ),由出行生成、出行分布、出行方式劃分、出行量分配四個階段組成。四階段法將研究對象劃分為交通小區(qū),并通過對區(qū)域內(nèi)人口、土地利用、就業(yè)情況、出行信息等相關(guān)資料進行綜合分析,建立數(shù)學(xué)模型,最終對客流總量進行預(yù)測。通過運營經(jīng)驗確定軌道交通站點客流吸引范圍,之后在此范圍內(nèi)進行出行調(diào)查。根據(jù)第36屆軌道交通國際會議的經(jīng)驗值,軌道交通站點客流吸引半徑為:在城市中心地區(qū),行人由所在地到達軌道交通車站,其步行距離大約為550米左右則較為合適;而在城市外圍區(qū),其步行距離應(yīng)該在八百至一千米左右則較為適宜。

      1.1.2 基于統(tǒng)計方法的預(yù)測模型

      例如時間序列預(yù)測模型(將被預(yù)測量按照時間順序排列起來,構(gòu)成一個連續(xù)的時間序列,并分析這組時間序列的過去變化,來推測今后可能的變化趨勢和變化規(guī)律)、卡爾曼濾波模型(卡爾曼濾波模型由Kalman于1960年提出的一種應(yīng)用廣泛的代控制理論方法。卡爾曼預(yù)測方法主要將控制理論中的卡爾曼模型應(yīng)用于交通客、的預(yù)測,由狀態(tài)方程和觀測方程組成的狀態(tài)空間模型描述交通系統(tǒng),并利用狀態(tài)方程、觀測方程和卡爾曼濾波預(yù)測交通流)。另外還有歷史平均模型、線性回歸模型、極大似然估計模型等。

      1.1.3 基于灰色馬爾科夫的預(yù)測模型

      其基礎(chǔ)理論——灰色理論,是由我國華中科技大學(xué)的鄧聚龍教授于上世紀80年代首先提出的理論。其理論概念為:通過少量的、不完全的信息,建立灰色微分預(yù)測模型,對事物發(fā)展規(guī)律作出模糊性的長期描述?;疑R爾科夫模型是采用灰色模型對客流數(shù)據(jù)進行擬合,分析和判斷大客流的變化趨勢,并在灰色預(yù)測基礎(chǔ)上進行馬爾科夫修正預(yù)測,相對單純采用灰色模型,預(yù)測精度和效果有較大提高。

      1.1.4 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型

      神經(jīng)網(wǎng)絡(luò)是一種新型的模擬人腦結(jié)構(gòu)及其功能的處理系統(tǒng),其利用大量的歷史數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,得到輸出對輸入的一種映射關(guān)系,利用這種映射關(guān)系對相應(yīng)的輸入可以得到相關(guān)的預(yù)測結(jié)果。在1943年,美國心理學(xué)家W.S.McCulloeh和數(shù)學(xué)家W.Pitts提出了MP模型,首次提出了對人工神經(jīng)網(wǎng)絡(luò)的研究。

      1.2 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測實例

      接下來,本文介紹利用BP神經(jīng)網(wǎng)絡(luò)的一個軌道客流短期預(yù)測的實例,運用上海軌道交通的歷史實際客流數(shù)據(jù)做為時間序列,對網(wǎng)絡(luò)進行訓(xùn)練,進行之后某日的客流預(yù)測。

      BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出的,是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。他能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系,而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是通過信息的正向傳播和誤差的反向傳播這兩個過程來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層(Input)、隱層(Hidden)和輸出層(Output)。示意圖如圖1。

      其詳細原理,本文不再贅述。

      本文采用了2015年上海軌道交通從某日開始的連續(xù)100天的日客流總量的統(tǒng)計數(shù)據(jù),對其按時間序列進行排序,形成一組數(shù)據(jù)向量,記為:

      FlowData[i];其中i=1,2,……100。

      其分布圖如圖2。

      注:由于數(shù)據(jù)敏感性,本文僅作方法研究,不提供完整的準確客流數(shù)據(jù)。

      眾所周知,軌道交通日客流在大體趨勢上是隨著每周(也就是7天)有著周期性規(guī)律變化的(正如圖所示)。因此我們將FlowData進行重新整理,以每前7日客流為輸入項,第8日客流為輸出項。形成如下的輸入和輸出形式:

      Input[1]={ FlowData[1], FlowData[2] ……FlowData[7]};

      Output[1]= FlowData[8];

      ……

      Input[92]={ FlowData[92], FlowData[93] ……FlowData[98]};

      Output[92]= FlowData[99];

      一共92組訓(xùn)練數(shù)據(jù),進行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)。在訓(xùn)練學(xué)習(xí)效果達到在一定的誤差范圍之內(nèi)后,采用:

      NewInput[]={FlowData[93], FlowData[94] ……FlowData[99]}

      作為網(wǎng)絡(luò)的輸入,讓網(wǎng)絡(luò)模擬計算,輸出結(jié)果,與實際結(jié)果FlowData [100]進行對比分析。

      本文采用AForge.Net中的Neuro神經(jīng)網(wǎng)絡(luò)庫所封裝的BP神經(jīng)網(wǎng)絡(luò)算法進行編程,實現(xiàn)上述過程,其核心代碼如下:

      //建立網(wǎng)絡(luò)

      ActivationNetwork network = new ActivationNetwork(

      new BipolarSigmoidFunction(sigmoidAlphaValue),

      7, 14, 1);

      //采用BP學(xué)習(xí)算法

      BackPropagationLearning teacher = new BackPropagationLearning(network);

      //訓(xùn)練網(wǎng)絡(luò)

      double error = teacher.RunEpoch(input, output);

      //模擬計算結(jié)果

      double result = network.Compute(networkInput);

      運行結(jié)果:

      FlowData [100]真實值為5561126;經(jīng)過BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)后,計算得出的預(yù)測值為5737446。誤差為3.17%。由此可以看出BP神經(jīng)網(wǎng)絡(luò)是比較適用于預(yù)測短期的單日客流的。當網(wǎng)絡(luò)經(jīng)過一定數(shù)據(jù)量的訓(xùn)練,網(wǎng)絡(luò)的誤差在一定范圍內(nèi)后,進行計算預(yù)測,則預(yù)測的精度和效果會比較理想。

      2 展望

      本文探討了軌道客流短期預(yù)測的一些方法,并利用BP神經(jīng)網(wǎng)絡(luò),進行了一個簡單的實例試算短期日客流的預(yù)測,還未能進行更加深入的研究。基于神經(jīng)網(wǎng)絡(luò)的軌道交通預(yù)測應(yīng)該是一個比較好的方法和研究方向。如果要進行準實時客流的預(yù)警(即在更短、更細分的時間段內(nèi)做客流預(yù)測),則需更為細致的歷史數(shù)據(jù)和實時數(shù)據(jù)的支持。

      參考文獻

      [1]李梟.軌道交通換乘站客流預(yù)測方法研究[D].北京:北京交通大學(xué)交通運輸學(xué)院,2010.

      [2]楊軍.地鐵客流短期預(yù)測及客流疏散模擬研究[D].北京:北京交通大學(xué),2013.

      [3]呂利民.城市軌道交通短期客流預(yù)測方法[J].都市快軌交通,2015,28(02):21-24.

      [4]孔雪萍.短時交通信息動態(tài)預(yù)測方法的研究與實現(xiàn)[D].北京:北京航空航天大學(xué)計算機學(xué)院,2010.

      [5]王奕.基于周期時變特點的城市軌道交通短期客流預(yù)測研究[J].城市軌道交通研究,2010,01(118):47-49

      [6]謝輝.軌道交通短期客流預(yù)測方法及其算法研究[J].現(xiàn)代城市軌道交通,2011(03):97-99.

      [7]楊軍.地鐵客流短期預(yù)測及客流疏散模擬研究[D].北京:北京交通大學(xué),2013.

      [8]百度百科,關(guān)于灰色模型的內(nèi)容.http://baike.baidu.com/link?url=jkuFG3cX03C1QBBva0Kx-sZBKYhxDRlCPCJgZlS_q6swZKAwbGf-7mAU_GzizahbAPS7QN4eSYf742o8Fv92Ma.

      [9]McCulloch W and Pitts W.A logical calculus of ideas immanent in nervous activity[J].Bulletin of Mathematical Biophysics,1943(05):115-133.

      [10]百度百科,關(guān)于BP神經(jīng)網(wǎng)絡(luò)的內(nèi)容.http://baike.baidu.com/link?url=0lSAjVyuKJioHWSXvKEWiQEDKwrSzjk3Dxw1dU8DVDB2cFfrgIBquUXf1N73Vtwjiebq7oD8vxfAa1xAFCZ-PK.

      [11]Rumelhart D E,Hinton G E,Williams R J.Learing representations by back-propagation errors[J].Nature,1986(323):533-536.

      作者簡介

      程浩(1984-),男,上海市人。碩士學(xué)位?,F(xiàn)為上海交通大學(xué)機械與動力工程學(xué)院工業(yè)工程專業(yè)2014級碩士研究生。研究方向為企業(yè)需求預(yù)測。

      徐昕(1981-),男,上海市人。碩士學(xué)位?,F(xiàn)為上海交通大學(xué)機械與動力工程學(xué)院工業(yè)工程專業(yè)2014級碩士研究生。研究方向為信息網(wǎng)絡(luò)資源管控。

      作者單位

      上海交通大學(xué)機械與動力工程學(xué)院 上海市 200240

      猜你喜歡
      城市軌道交通客流預(yù)測
      客流增多
      無可預(yù)測
      黃河之聲(2022年10期)2022-09-27 13:59:46
      選修2-2期中考試預(yù)測卷(A卷)
      選修2-2期中考試預(yù)測卷(B卷)
      不必預(yù)測未來,只需把握現(xiàn)在
      智能視頻監(jiān)控系統(tǒng)在城市軌道交通的應(yīng)用與發(fā)展趨勢
      我國城市軌道交通突發(fā)事件分析及對策
      價值工程(2016年30期)2016-11-24 14:29:54
      智能電網(wǎng)建設(shè)與調(diào)控一體化發(fā)展研究
      基于城軌交通車站特殊客流運輸工作組織措施的研究
      科技資訊(2016年19期)2016-11-15 08:29:40
      基于自學(xué)習(xí)補償?shù)氖覂?nèi)定位及在客流分析中的應(yīng)用
      四子王旗| 白沙| 固镇县| 六枝特区| 云梦县| 同德县| 怀远县| 大邑县| 内丘县| 黑龙江省| 图木舒克市| 宁晋县| 万源市| 连平县| 浮梁县| 山西省| 阿拉善盟| 迭部县| 定州市| 潮州市| 富阳市| 泽库县| 台北县| 休宁县| 广南县| 泊头市| 巢湖市| 彭山县| 随州市| 江安县| 娄底市| 东莞市| 石狮市| 久治县| 从化市| 内江市| 姜堰市| 静宁县| 土默特右旗| 二连浩特市| 弥渡县|