基于神经网络的地铁客流短期预测

题号成绩8题目名称：基于神经网络的地铁客流短期预测同组学生姓名及学号：孙健,20115026秦领,20115018阿卜莱提,20115012,,教师：李秀敏日期：2014.12.25-2014.12.30智能控制系统课程设计目录目录1绪论............................................................................................................................12神经网络简介............................................................................................................22.1BP神经网络...................................................................................................................22.2Elman神经网络..............................................................................................................33神经网络建模对地铁客流短期预测........................................................................53.1客流数据统计.................................................................................................................53.2神经网络建模.................................................................................................................63.3数据分析.........................................................................................................................74结论............................................................................................................................9参考文献.....................................................................................................................10智能控制系统课程设计绪论11绪论随着大中型城市地铁的开通，地铁站自动扶梯数量剧增。经实地考察大部分地铁站扶梯在客流量大时以额定速度运行，在人少或没人的情况下仍然以额定速度运行，从而造成耗能大，机械磨损严重，使用寿命减少等缺点。上海电气中央研究院于2007年夏季完成了对地铁1号线马戏城自动扶梯客流情况的调研，发现自动扶梯的满载率不到20%，其他大部分时间都在轻载和无人情况下运行。如果能够预知地铁站客流，使自动扶梯控制系统跟随客流的变化调节控制策略，不仅有利于地铁客流高效、及时地疏散，还可降低扶梯能耗，及自动扶梯的机械磨损，提高使用寿命，进一步提高安全系数。目前有不少针对地铁客流预测的研究和报告。例如在地铁线路规划的时候都需要对沿线客流情况进行预测，从而确定早晚运行时间、列车编组辆数、配属车厢数量、供电设备和通风设备的容量。这种预测主要是对每天或者每年客流总数的预测，预测方法都是采用“四阶段”预测法。对地铁客流预测还有很多方法，传统的预测方法有回归分析算法以及Kalman滤波等。这些方法假设系统为平稳的线性系统，因此在线性系统平稳的随机时间序列预测中能够获得满意的结果。由于自动扶梯客流具有高度的复杂性、随机性和较强的非线性，很难有特定的函数表达形式，因此用以上方法很难获得好的效果。近年来随着神经网络理论的发展，有很多用神经网络对客流预测的研究但这些研究以公路客流为主，将神经网络用在地铁客流量预测的研究较少。同时以上神经网络对客流的预测仅处于已知前几天或前几年的客流从而预测下一天或下一年客流的研究上，没有做到将天气、季节、节假日等情况考虑进去预测每一时刻客流。本文将根据地铁站自动扶梯客流统计数据，结合外部因素(如天气，季节等)，分别用BP和Elman神经网络建立数据模型，对地铁站自动扶梯客流进行预测分析，从而得到更适合地铁站自动扶梯客流预测的数据模型。智能控制系统课程设计神经网络简介22神经网络简介神经网络是一种大规模并行分布处理的非线性系统，具有高度的非线性运算能力和的自学习、自组织、联想记忆和并行处理能力，神经网络的信息分布式存储在权系数中，具有集体运算和自适应学习的能力。同时间序列模型相比，神经网络模型具有较强的自适应性，预测的精度较高。本文主要用到BP神经网络和Elman神经网络，下面对这两种神经网络进行简单介绍。2.1BP神经网络BP神经网络是一种多层前馈型神经网络，由于权值的调整采用反向传播学习算法而得名在BP网络中，信号向前传播，误差反向传播，通常具有一个或多个隐含层和线性输出层，能够对具有有限不连续点的函数进行逼近。这种信号的正向传播和误差反向传播以及各层权值调整过程是循环进行的，一直进行到网络输出误差减少到设定值，或者进行到预先设定的学习次数。图1BP神经网络结构训练样本，其中一个样本为p，则隐含层的第j个神经元在样本p作用下的输入为:智能控制系统课程设计神经网络简介3）,2,1（xnet1j1iipjqjwowMipijiMjpji式中:pix和poi分别为输入节点i在样本p作用下的输入和输出，jiw为输入层神经元i与隐含层神经元j之间的连接权值;j为隐含层神经元j的阀值。输出层第k个神经元的总输入为:qjkpjkjqjow1),2,1(net式中:kjw为隐含层神经元j与输出层神经元k之间的连接权值;θk为输出层神经元k的阀值;q为隐含层节点数。2.2Elman神经网络Elman反馈神经网络是一种带反馈的两层神经网络，反馈连接从第一层输出连接到输入端，这种反馈连接使Elman网络能检测和生成时变模式。它是一种典型的动态神经元网络，是在BP网络基本结构的基础上，通过存储内部状态使其具备映射动态特征功能，从而使系统具有适应时变特征的能力。Elman神经网络也有多层结构，如图2所示，除了普通的隐含层外，还有一个特别的隐含层，称为上下文层或状态层。该层从普通隐含层接收反馈信号，上下文层内的神经元输出被前向传输至隐含层。Elman神经网络的这种结构特点使它能在有限的时间内以任意精度逼近任意函数。又因为它们有一个反馈连接，所以它被训练后不仅能够识别和产生空间模式，还能识别和产生时间模式。图2Elman神经网络结构智能控制系统课程设计神经网络简介4对于多输入多输出网络，设上下文层的输出为)(ykc，隐含层的输入和输出分别为)(y0k和o(k)，网络在外部输入时间序列x(k)作用下的网络输出序列为y(k)，则有:110)()1()1(kWxkyWkxc）)1(（)1()(y0kxfkokc)()(y2koWk其中:1W为输入层与隐含层间的连接权值;2W为隐含层与输出层的连接权值;f为S型激活函数。智能控制系统课程设计神经网络建模地铁客流短期预测53神经网络建模对地铁客流短期预测3.1客流数据统计以上海某地铁站一号口自动扶梯为例进行为期一周的客流统计。地铁从早上5点开始运营，晚上23点结束运营，每天从5～23点以1h为单位对客流进行取样统计，作为客流样本。表1是2014年6.9～6.15日对上海某地铁站1号口上行扶梯客流进行为期一周的客流统计数据。表1上行扶梯客流量时刻日期6.96.106.116.126.136.146.155~6点2202304004304604104156~7点560500194020002100192019307~8点17101750440045604400457044208~9点27202790521051055150521051209~10点285028603200313032003165312010~11点278028402150216521202160214011~12点244024202080216021802210224012~13点266024302600255026702550256013~14点325031202050215021002040205014~15点241025202700280028002730265015~16点266024302600255025802620264016~17点218022602500265026002510253017~18点256025303150326032803145317018~19点3610362037003800370037403620智能控制系统课程设计神经网络建模地铁客流短期预测619~20点255025102000210020001940212020~21点160016401200133012501230134021~22点1350134080098081085076022~23点2602202703102603502803.2神经网络建模用神经网络对地铁站自动扶梯客流量进行预测需要考虑多种影响因素，目前考虑到对地铁扶梯客流影响的因素有以下六个：(1)周末:定义为1，否则为0。(2)节假日:按照节假日对客流影响大小而定，五一国庆定义为0.8，春节定义为1，非节假日则为0。(3)天气情况:可以按照天气的恶劣、舒适程度来确定影响值。(4)季节:可统计春夏秋冬四季客流总量，然后按照比例来确定影响值。(5)突发事件:比如大型运动会、演唱会等，有则为1，无则为0。(6)扶梯运行方向:上行为1，下行为0。由此得到6个输入，输出为每天5点到23点之间每小时的客流量。对于6月9~13日数据，选择前一天的客流数据和第二天的影响因素(周末、节假日、天气、季节、)作为输入样本，第2天客流数据作为神经网络的输出，这样总共得到5组训练样本。6月14日和6月15日的客流数据作为测试样本。由于影响因素和客流量数据单位不一致，样本之间数量级差别较大，为了加快训练网络的收敛性，防止小样本被大样本被淹，消去样本数据间的冗余成分，要对数据进行归一化处理。归一化处理方法有多种，本文采用Matlab自带归一化函数premnmx和tramnmx。输出时候要进行反归一化，用到函数postmnmx。BP神经网络建模主要程序:[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t),net=newff(minmax(pn),[49,18],{'logsig','purelin'},'traincgb'),智能控制系统课程设计神经网络建模地铁客流短期预测7net.trainParam.show=200,net.trainParam.epoch=3000,net.trainParam.goal=1e-3,net.trainParam.mu_max=300,net=train(net,pn,tn);经反复实验，该BP网络训练函数用traincgb效果最好，BP网络隐含层神经元数目设定可根据Kolmogorov定理，取输入层n的2n+1个的隐含层结点数，本文有24个输入，故隐含层神经元取49