基于BP神经网络回归预测模型的重庆市轨道交通客流预测分析

武创

摘要：伴随着近年来我国经济的高速发展和科学技术水平的不断提高，中国城市轨道交通建设也逐渐发展为网络化运营。分析轨道交通的历史客流数据、探索其变化规律、建模预测未来客流量，对运营管理部门合理安排设备维护人员、编排适当的列车时刻表、提高重庆轨道交通综合服务质量具有十分重要的指导意义。

关键词：城市轨道交通；客流预测；客流分析；BP神经网络

引言：

随着轨道交通黄金发展时期的到来，以地铁和跨坐式单轨为主要形式的重庆轨道交通正贡献着越来越多的客流。对于运营管理部门而言，依托历史数据，结合客观实际，分析认识客运市场的变化，制定合理的运营调度计划和大客流应急预案准备，综合平衡线路及车厢利用率和服务质量之间的关系，以便为市民提供最优质的服务、为轨道公司创造最大的运营收益。本文以进出站客流数据为基础，分析客流分布特征，建立模型预测短期客流，对调度排车、AFC等专业人员设备维护及车站支援提供数据参考和预警。

1、城市轨道交通客流分析及预测方法

客流，是指单位时间内乘客人数和位移方向的总和。轨道交通客流受多重因素影响，是动态变化的，掌握其一般变化的规律，对轨道交通运营管理具有重要意。

1.1客流随时间的分布规律

客流随时间的分布，是指客运量在各时间段上的空间分布。我们选定的时间跨度为一天和一周。统计各观察时段内发生的客流量，观测其趋势及规律。

（1）一日内小时客流的分布特征：城市轨道交通小时客流，与城市轨道交通网络结构、车站类型、所处地域属性等因素有关，主要有：单峰型、双峰型、全峰型、突峰型、无峰型。

（2）一周内日客流的分布特征：一周内每日的客流主要有工作日客流和周末客流两种类型。由于市民上班、上学的关系，客流在工作日和周末也会产生相应的变化。

（3）短期性客流变化：在一年中，客流还存在季节性的变化，如由于南方梅雨季节、学生潮变化、高温天气等原因，每年的8月份客流会有所下降。但是由于春节放假，务工人员返乡过年等因素，每年的2月份是全年客流的低谷。

1.2客流随空间分布规律

客流的空间分布，是统计同时段不同车站或不同断面上客流量的大小。可体现出各线路或各断面客流的走向和分布的不均衡性。断面客流量，作为一个矢量，具有方向性，是单位时间通过某一断面的客流量。线路断面客流分布类型，主要有以下几种：凸起型、均等型、渐变型等。

1.3基于BP神经网络的预测模型

人工神经网络（NNs），通过模拟动物神经网络的行为特征，完成分布式并行信息处理的算法数学模型。通过调整各节点之间的权值，神经网络构建完成信息处理所需的复杂系统，完成信息处理。

1.3.1BP神经网络原理

BP（BackPropagation）神经网络，1986年首次提出，网络模型拓扑结构由输入层（input）、隐层（hiddenlayer）和输出层（outputlayer）三部分构成。

1.3.2BP神经网络设计

我们使用MATLAB软件，创建标准BP神经网络模型，涵盖了样本标准化处理、网络拓扑布局、学习参数选取、训练参数选择等四个方面。本文选自单隐层的标准BP网络，通过确定遗传函数、隐层节点、学习效率等完成神经网络设计。最后确定权值初始值、学习速率等学习参数。

2、站点客流预测

结合重庆轨道交通某站的实际情况，采用BP神经网络的回归预测方法，完成站点客流预测。

2.1BP神经网络进出站客流回归预测

以某站进出站历史数据为基础，加入其他影响客流的因素作为输入向量（如天气等），通过神经网络分析客流量与其影响因素之间的关联关系，综合考虑影响因素的未来值，运用BP神经网络完成对未来进出站客流回归预测。

本节使用重庆轨道交通某站2016年2月1日至2016年8月23日，每日6：00至23：59的小时进出站客流，共计7380组数据，以及期间重庆气象局官网提供的天气情况、最低温度、最高温度等数据，共计820组数据。选择其中90%个作为训练样本，10%个作为验证样本，以验证预测模型。

2.1.1影响因素的选择

天气是影响市民出行方式选择的重要因素之一，我们把天气状况分为晴和多云、阴天、雨天三类，并分别赋予相应的度量值0、0.5、1。

2.1.2BP神经网络回归预测参数确定

（1）隐层节点数的选择

根据参数选取原则，首先初步确定隐层节点的选择范围，将隐层节点数设计为3、5、6、7、8，将学习率暂定为0.1，设定训练次数为300次，设定目标误差为0.0004，比较几组网络的训练时间及误差率。通过MATLAB网络操作可知随着隐层节点数的增加，训练时间增加，误差率会逐渐减下。隐层节点为7时，训练时间趋于稳定，误差率为最低点，故选取隐层节点数为7。

（2）学习速率的选择

由于本文研究数据约8000组（含天气状况及温度数据），根据经验学习速率选用0.01、0.1、0.3作为实验对象。同时选定的参数还有隐层节点数为7，训练次数上限为300次。分别进行实验，比较各组数据的训练时间和误差率。学习速率的提高是可以缩短训练时间，但会对误差率造成一定波动。当学习效率为3的时候，误差率达到最低值拐点，故综合各因素，我们选定学习速率为0.3。

（3）迭代次数的选择

在确定隐层节点数为7，学习效率为0.3，进而我们神经网络的学习目标设定为0.00004。如果误差小于学习目标，算法停止，即可求出最佳迭代次数。当迭代次数为4时，误差保持平稳水平，随着迭代次数的进一步增加，误差没有明显的变化，并保持在以平稳的水平。故最佳迭代次数选为4。

2.2BP神经网络回归预测

通过BP神经网络的进出站客流回归预测，可以得到每天从早6时至晚22时的全天进出站小时客流，共计34组数据，其中进站客流用尾字母a表示，出站客流用尾字母b表示。具体具体客流预测图如下所示。

图3-1基于BP神经网络的进出站客流时间序列预测的预测结果

由图可知，基于BP神经网络的进出站客流回归预测的预测精度可以达到3.7411%，平均预测速度不超50秒，能够更好地达到预测效果，预测效率也较为满意。

2.3小结

BP神经网络回归预测的模型相比较更为复杂且计算时间相对较长，要充分考虑各外界因素对结果的影响，但能够很好的适用于非线性、关联模糊的事物预测。

3、结语

综上，本章首先通过对BP神经网络的原理、特性、结构设计的介绍，多方位展现了BP神经网络的优势及适用性。理论和实践都证明，回归预测较时间序列预测考虑的因素更多、训练过程更为繁琐复杂，但预测效果更佳、精度更高。故基于BP神经网络进出站客流回归预测，在现实工作中更具有研究和使用的价值，具有一定的推广性和适用性。

参考文献：

[1]顾岷.我国城市轨道交通发展现状与展望[J].中国铁路，2011：53-56

[2]RodriguezJ.Aconstraintprogrammingmodelforreal-timetrainschedulingatjunctions[J].transportationResearch，2007，41B：231-245

[3]吴祥云，刘灿齐.轨道交通客流量均衡分配模型与算法[J].同济大学学报（自然科学版），2004，32（9）：1158-1162

[4]丛爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥：中国科学技术出跋涉，1998

[5]郑阿奇.MATLAB使用教程[M].北京：电子工业出版社，2007