系统工程作业

1预测北京交通客运量摘要：由于北京交通拥堵的现象日趋严重，公共交通越来越受到大家的关注，但是公共交通的规划要依据公交客运量的预测量，因此我们利用北京十年的公交客运量，在基于影响北京公交的因素，并进行调整，得到一个比较有效的模型，对未来北京公交的客运量进行预测，为城市的公交的规划提供依据。希望能够有助于改善北京交通的现状。关键字：神经网络、北京市、公交客运量、预测正文：1.预测的目的1.1 北京交通现状及预测的意义随着城市化进程的不断推进，各种各样的城市交通问题随之产生。近年来，北京城市道路虽然有了较快的建设，但道路建设远远不能满足车辆增长的需要 1。面对小汽车发展带来的交通堵塞和环境污染等难以排解的问题，推行“公交优先”政策已成为北京交通可持续发展战略重点之一。公交车以其大容量和停车灵活的特点，成为了承担城市地面交通集散的主要交通工具，也因此成为“公交优先”政策中重点发展的对象。在我国，包括北京在内的各大城市均加紧了公共交通建设，但由于缺乏实用的理论作为指导，公共交通事业的发展出现了不同程度的问题。事实上，城市交通统计数据分析是研究城市交通问题的基础，公共交通的发展建设必须要以客运量的预测以及各种相关因素的影响分析为前提。客运量预测意义表现在公交客运量的准确预测，从宏观上，有利于城市交通运输主管部门进行总体交通运输发展的规划，引导运输经营者正确地开展经营活动，提高交通运输管理水平；从微观而言，有利于运输企业发展经营契机，改进运输组织工作，提高运输服务质量，增强市场竞争力。影响因素分析意义表现在：预测方法众多，但在实际应用中预测结果往往偏差较大，其原因主要是对于客流影响因素的分析不够透彻以及历史客流与客运需求的不统一，因此对公交客流的影响因素进行系统全面的分析，确定其层次结构及对客流的关联度，对于提高现有公交客运量的预测精度有着极其重要的现实意义。2005 年城市道路、高速路建设取得新成果。年内地铁 5 号线土建工程基本2完成，开始正式铺轨。完成 8 条放射线和五环路内 48 处平交路口优化、2 处铁路道口“平改立”工程，建成 20 座过街天桥、16 处公交港湾。同时，综合公共交通服务体系逐步完善。国内首条采用中央专用道行驶、路口优先通行、智能调度、左侧带们的 BRT 系统，在南中轴路快速公交线路 16 公里全线通车运营。优化调整公共电汽车线路 36 条，调整站位 53 车，规范调整 61 条原之字头线路。规范公交车站站名 1660 个。调整公交、地铁、出租车车型结构。更新全部欧 I 及欧 I 以下老旧柴油公交车 4070 辆；地铁八通线新增列车 72 辆；更新出租小轿车 30299 辆。2006 年，城市路网进一步完善。建设城市快速路、主干路 47 项 159 公里。丰北路、通惠河北路、左安东路、西大望路、赵登禹路等一批快速路、主干路建成通车。丰北路是西南地区形成完整的西三环京石高速的快速放射线。通惠河北路有效分流长安街建国门以东以及东二环车流，缓解了长安街的交通压力。左安东路加强了市区东部各快速路与高速路之间的快捷联络。西大望路是东三环、东四环之间唯一一条南北向的交通通道，改善了 CBD 周边和东部地区的交通条件。前门西侧路，人民村西路南延，南横西街等一大批次干路、支路加快建设，道路“微循环”系统进一步改善，区城交通组织更加有效。同年，交通运输服务水平提高。优化调整 131 条公交线路，开通 48 条小区公交线路，全面推行市政交通一卡通，制定并启动优化发展公共交通方案，实施公交低票价政策。完成光熙门站等公交换乘工程，改善公交与城铁 13 号线的衔接。实施“村村通公交”工程，开通、调整 10 条农村客运线路，建设 19 个郊区客运场站、363 个候车亭。房山区率先实现“村村通公交”目标。完成出租汽车租价调整工作，建立出租汽车油价与租价联动机制。完成中非论坛北京“峰会”交通运输保障任务，安全优质运送国家元首、高级官员等各类人员 4.6万人，安全行驶 58.5 万公里。2007 年是“十一五”规划实施的第二年，也是全市奥运筹备工作攻坚之年，全市交通运输和邮政电信行业以保障、服务奥运为重点，积极建设、完善基础设施网络，确保生产运行平稳有序。2007 年，北京市交通基础设施建设完成 344 亿元，比 2006 年增长 29%。其中，轨道交通建设完成投资 132 亿元；高速公路建设完成投资 119 亿元；一般公路建设完成投资 45 亿元；市级城市道路建设完成投资 30 亿元；枢纽场站建设完3成投资 3 亿元；地铁车辆更新完成投资 6 亿元；公交车辆更新完成投资 9 亿元。公共交通基础设施建占交通基础设施建设投资的 43.6%。同年，优先发展公共交通成效显著。按照市委、市政委确定的优化发展公共交通的总体思路，采取一系列优化发展公共交通的政策措施，全面提升公共交通的运营效率和服务质量。同时，还进行了民意调查，结果显示，公共交通已经成为市民出行的首选交通工具，认为公共交通改革发展在近年来解决较好的社会民生问题中排列首位。07 年，还组织实施了缓解市区交通拥堵第四阶段工作方案。在治标的同时，加大治本力度，从优先发展公共交通、加快重点交通基础设施建设、加强交通秩序管理、推进智能交通建设、实施疏堵工程等方面，进行综合治理。1.2 主要目的及意义北京公交客运量的预测和分析属于宏观层面的研究，有助于管理人员了解当下公交客运的发展水平，掌握客运量的影响因素及影响力。公交管理人员可以通过分析客运量的预测值确定目前的管理模式是否满足要求，合理把握公交的发展规模和速度。分析影响因素可确定如何进行北京公交系统的优化调整。具体来讲，供给因素方面的关联度值可用于确定公交发展建设的重点投资方向、政策导向，从而保证城市公交体系全面合理地发展；需求因素方面的关联度值反映需求者特征，有助于运营管理者针对受益人群的需求改善公交运营条件，达到服务于民的效果，同时有效吸引更多人群使用公交出行；竞争因素方面的关联度值反映了几种可替代公共运输方式的占有率，引导运营管理者分析公交发展优势，寻求扩大市场的途径，并保证与其它公共运输方式的有效合作，为城市公共交通事业的全面发展贡献力量。从近几年的交通状况可以看出，越来越多的人在今后几年会选择乘坐公共交通汽车，这样一来，公共交通的流通情况和公共交通的服务质量就显得尤为重要，尤其是公共交通的通畅度，将很大程度上直接影响城市居民的生活工作，所以，对公交客运量的预测，一方面可以反应出人们对于公共交通的认可度，一方面，也可以根据预测结果，提前进行规划、设计预案，为公共交通事业有条不紊地发展奠定基础。2.数据资料的收集与处理2.1 数据的收集4根据预测目的是北京公交客运量，我们上网搜了一下影响北京公交客运量的因素，现主要考虑以下四个方面：(1) 公交内部生产要素水平 (2) 能代替公交的其他出行方式 (3) 北京的人口因素 (4) 居民的收入与支出情况 具体分为以下 14 方面：公共电汽车数量，公交线路条数，公交线路长度，出租车数量，出租汽车客运量，自行车拥有量 ，地铁线路条数，地铁线路长度，地铁客运量，城市与近郊常住人口，从业人口数量，流动人口数量，居民人均收入，交通通讯人均支出。2.2 数据的处理我们在确立了 14 个因素后就去查找资料，通过上网查找，去中国国家图书馆查找北京交通年鉴，和其他几个小组合作终于找到了适量数据（19892008） ，由于 2009 年的数据找不到，所以我们只利用前 20 年的数据。由于一些数据年鉴上并没有，所以我们对这些数据进行了简单的处理。通过线性插值、平滑、数据映射等填补了缺失的数据。最终，我们用 EXCEL 表格将数据整理如下表。3.1 城市人口数反映城市发展规模的基本参数(或指标)就是人口数，人是一切社会经济活动的主体。城市人口的增加，必然要求各方面要有相应地发展，以满足人们衣、食、住、行的需要。这就必然表现为城市面积、固定资产投资额及公用和市政设施的相应增长。考虑到与公交客运量的直接关系，我们选用的人口因素包括常住人口数、从业人口数和流动人口数三项指标，它们决定了客运总量，直接影响公交客运量。3.2 经济发展水平反映城市经济发展水平的指标很多。考虑到数据来源及其对公交客运量的直接和显著影响。我们选取包括GDP、居民人均收入和交通通讯人均支出等三项指标作为表征城市经济发展水平的特征参数，这些因素影响着城市客流流通密度，与客运量密切相关3.3 客运方式结构客运方式结构可以分为两个方面，一是直接与公交客运量相关的本身因素，5包公交线路条数、公交线路长度和公交车辆数，直接影响公交的开行密度和公共交通在北京的覆盖面积，也直接影响人们乘坐公交汽车的便捷程度，它决定人们对公交车的选择倾向，直接决定公交客运量。另一个方面是公共交通结构，它涉及除公交因素以外的其它城市客运设备及相关因素，包括公交电汽车数、出租汽车数、出租汽车客运量、地铁线路条数、地铁线路长度、地铁客运量、公共交通旅客发送量、城市道路长度、公路里程、公交电汽车线路条数，这些设备及因素和公交客运形成竞争关系，也直接影响着公交客运量。将影响北京公共交通客运量的错综复杂的因素看作一个大系统，利用解析结构模型，根据系统中各要素的直接、间接关系，画出多级递阶结构，从而描述了各要素之间的相互关系。总体来说，公共交通客运量的影响因素可分为四大方面：公交本身因素、经济发展水平、公共交通结构和城市人口因素。如下表(单位：为简洁缘故一律取小)：year pub-nums pub-rots pub-lens tax-num tax-rshp bik-nums trn-rots年代 公共汽车数量 公交线路条数 公交线路数量 出租数量 出租客运 自行车量 地铁条数1989 40.23 182 21.35 112.7 64.3 732 21990 42.91 188 22.35 111.47 71.57 788 21991 43.22 195 23.32 143.54 77.86 748.3 21992 43.2 223 28.33 289.62 143.71 742.9 21993 43.11 229 29.58 460.22 289.62 736 21994 43.9 245 35.42 561.24 435.53 788 21995 44.52 260 39.39 566.86 447.41 831.5 21996 46.71 276 46.26 594.93 459.29 870 21997 50.47 299 52.56 599.02 503.23 907.1 21998 55.72 322 61.74 596.935 547.17 940.4 21999 74.21 377 76.75 594.85 591.11 967.8 22000 97.8 422 92.76 626.13 597.7 988.6 22001 123.47 461 110.72 617.4 598.46 1020.38 22002 145.18 502 129.14 628.48 628.48 1101.9 32003 160.22 527 142.29 622.83 622.83 1114.33 42004 176.31 517 148.83 515.61 587.58 1153.01 42005 176.95 574 175.53 660 650 1191.7 42006 187.14 601 177.7 663.23 641.21 1230.4 42007 185.67 621 166.59 666.46 641.11 1269.1 52008 206.79 648 171.62 666.46 690 1307.8 8year trn-lens trn-rshp pmt-pops prf-pops flt-pops per-icom tfk-chrg pib-rshp年代 地铁长度 地铁客运 常住人口 就业人口 流动人口 居民收入 交通人均支 交通客运量6出1989 40.1 310.52 1075 593.9 53.9 18.996 64.5 2752.821990 40.1 381.78 1086 627.1 53.8 20.673 100.2 2966.951991 40.1 370.87 1094 634 54.5 23.599 132.2 3078.961992 40.6 428.11 1102 649.3 57.1 28.131 174.8 3060.811993 40.6 491.1 1112 627.8 60.8 39.354 202.7 2855.591994 40.6 532.96 1125 664.3 63.2 55.859 203 2998.091995 40.6 558.02 1125.1 665.3 180.8 67.487 206.8 3159.051996 40.6 444.14 1259.4 660.2 181.7 79.458 218.8 3045.631997 40.6 445.065 1240 655.8 154.5 87.417 229.8 3312.61998 40.6 463.307 1245.6 622.2 154.1 100.982 369.5 3597.421999 53.7 482.229 1257.2 618.6 157.4 106.548 467.87 3701.312000 54 434.78 1363.6 619.3 250.1 125.603 604.69 3487.162001 54 468.7 1385.1 628.9 262.8 137.688 768.3 3951.92002 75 482.42 1423.2 679.2 286.9 132.533 1271 4366.522003 114 472.48 1456.4 703.3 307.6 149.593 1688.1 3761.512004 114 606.53 1492.7 854.1 326.8 171.165 1562.2 4360.162005 114 679.76 1538 878 357.3 195.333 1943.5 4418.712006 114 703.06 1581 919.7 383.4 224.17 2173 3891.832007 142 654.93 1633 942.7 419.7 245.76 2689 4096.892008 200 1216.6 1695 980.9 465.1 276.78 2293 4580.814.预测过程描述，程序代码与预测结果4.1 预测代码及简单说明%This program is useful to forecaste the ridership of Beijing %public transportation% Get the input sampledata from the .txt file “sample.txt“fid=fopen(sample.txt,rt);%fopend 打开文件函数originalData=fscanf(fid,%f, 20,14);%fscanf 将文件转成矩阵status=fclose(fid);%fclose 关闭文件函数% transport sampledata into input training sampledatainputSampledata=originalData;%矩阵转置% Get the output sampledata from the .txt file “goal.txt“fid=fopen(goal.txt,rt);outputData=fscanf(fid,%f);7status=fclose(fid);% transport sampledata into input training sampledataoutputSampledata=outputData;% creating neural network and setting trainging parametersgwwnet=newff(minmax(inputSampledata),4,1,tansig,purelin,traingdm);%newff 建立神经网络函数%minmax 得到最小值和最大值%traingdm 下降法gwwnet.trainParam.show = 50;%每 50 循环显示一次gwwnet.trainParam.lr = 0.05;%步长gwwnet.trainParam.epochs = 50000;%50000 次停止学习gwwnet.trainParam.goal = 1e-3;%le-3 停止学习%data scaling (converting the network input and output data to the intervel -1,1)input,mininput,maxinput,output,minoutput,maxoutput = premnmx(inputSampledata,outputSampledata);%premnmx -1 到 1 之间的数%traininggwwnet,tr=train(gwwnet,input,output);%训练y=sim(gwwnet,input);%仿真%data offset (converting the network output data to it original unit)nnoutput = postmnmx(y,minoutput,maxoutput);%postmnmx 从-1 到 1 返回实际值%plot 画图time=1988:1:2007;plot(time,outputSampledata,-,time,nnoutput,o);%legend(actual output,NN output);8xlabel(time);ylabel(Learning fitting curve);%scenario1 forecasting process 预测输入column=3;for i=1:column; SceInput(1,i)=inputSampledata(1,20)*(1.0464i);SceInput(2,i)=inputSampledata(2,20)*(1.0631i);SceInput(3,i)=inputSampledata(3,20)*(1.0872i);SceInput(4,i)=inputSampledata(4,20)*(1.2044i);SceInput(5,i)=inputSampledata(5,20)*(1.2326i);SceInput(6,i)=inputSampledata(6,20)*(1.0605i);SceInput(7,i)=2*(1.01i);SceInput(8,i)=42*(1.02i);SceInput(9,i)=inputSampledata(9,20)*(1.1426i);SceInput(10,i)=inputSampledata(10,20)*(1.017i);SceInput(11,i)=inputSampledata(11,20)*(1.0205i);SceInput(12,i)=inputSampledata(12,20)*(1.1336i);SceInput(13,i)=inputSampledata(13,20)*(1.1599i);SceInput(14,i)=inputSampledata(14,20)*(1.1783i);endfor j=1:20;for i=1:14;recalldata(i,j)=inputSampledata(i,j);endendfor j=21:23;for i=1:14;recalldata(i,j)=SceInput(i,j-20) endendalterinput,mininput,maxinput = premnmx(recalldata);%alterinput 和 input 发生变化9%可以制定一个最大值和最小值%trainingfvalue=sim(gwwnet,alterinput);%data offset (converting the network output data to it original unit)forecastvalue = postmnmx(fvalue,minoutput,maxoutput);%plotwaitforbuttonpress;clf;time=1988:1:2010;time1=1988:1:2007;plot(time,forecast