BP神經網絡在城市軌道交通客流短時預測中的應用研究.pdf

1、城市軌道交通以其大載客量、快捷、準時、安全和環(huán)保而成為解決交通擁擠的最有效手段。對軌道交通客流的短時預測是交通客運部門及時調整運營計劃的基礎，同時也是評價軌道交通服務水平的重要依據。
　　本文在對BP神經網絡的研究基礎上，建立了基于BP神經網絡的軌道交通客流短時預測模型，并引入LM算法對BP神經網絡進行改進，利用南京地鐵十號線雨山路站、文德路站、龍華路站和臨江路站等四個站點的進站客流數據進行仿真預測。結果證明:LM-BP神經網絡相

2、比原BP神經網絡的預測結果在平均絕對百分誤差(MAPE)和平均絕對偏差(MAD)兩個指標上都明顯減小，預測精度有了大幅度提高。
　　為了克服LM-BP神經網絡易于陷入局部極小值的缺陷，本文選用遺傳算法(GA)和粒子群算法(PSO)分別優(yōu)化LM-BP算法，在此基礎上分別建立了基于GA-LM-BP神經網絡和PSO-LM-BP神經網絡的軌道交通客流短時預測模型。遺傳算法能夠對LM-BP神經網絡的初始權值以及閾值進行優(yōu)化，得到較優(yōu)解之后再

3、代入原神經網絡中求得最優(yōu)解;粒子群算法是將LM-BP的初始權值和閾值作為隨機初始化的粒子，其以迭代的方式不斷更新自身的速度和位置，最終找到最優(yōu)解和最優(yōu)位置，然后將得到的權值和閾值代入原神經網絡中求得最優(yōu)解。同樣利用雨山路站、文德路站、龍華路站和臨江路站四個站點的進站客流數據進行仿真模擬，結果表明:經遺傳算法和粒子群算法優(yōu)化后的LM-BP神經網絡在MAPE和MAD兩個誤差指標上相較原LM-BP法的預測結果均有所減小，預測精度得到了進一步的