地铁项目阶段工作v0

1、通车站分时客流的历史数据为基础，利用Pearson数据并进行客的显得尤为重要1方法进行大量的研究。文献2通车站分时客流的历史数据为基础，利用Pearson数据并进行客的显得尤为重要1方法进行大量的研究。文献2际客流的拟合程度较差。常刚3流没有适用性。Chen 等人4Hilbert-HuangTransformHHT流的历史数据为基础，利用Pearson。1 1.1 轨道交通客流分布的影流的历史数据为基础，利用Pearson。1 1.1 轨道交通客流分布的影1.2 轨道交通分时客流特人交通二号线的三元里站的客流如1所示01 （1.2 轨道交通分时客流特人交通二号线的三元里站的客流如1所示01 （

2、1） 2014/2/23 2014/2/27 2014/3/22014/3/3 2014/3/4 2014/3/5 ，（3）早2 模型2所示2 Elman生模输结确时，（3）早2 模型2所示2 Elman生模输结确时Elman网络输入并2.1 成网条件下的客流时空相关性分在确定Elman 常见的相关系数有 Pearson 相关系数(积差相关系数)、Gamma Kendalls Tau-b 相关系数、Spearman Pearson 相关系数Pearson x2.1 成网条件下的客流时空相关性分在确定Elman 常见的相关系数有 Pearson 相关系数(积差相关系数)、Gamma Kendal

3、ls Tau-b 相关系数、Spearman Pearson 相关系数Pearson xi之间的线性相关程度的强弱。它通过下面的公式计算Nxiyixir Nx2(xi)2Ny2 (ii1或-1，相关度越0，相关度越弱。3 201423Pearson客流相关性及周间客流相关性，得到相关性系数分别如下表所示了4 通过获取其它车站的客流向量，分析向量之间的Pearson相关系数，得到车5 所示。201423Pearson客流相关性及周间客流相关性，得到相关性系数分别如下表所示了4 通过获取其它车站的客流向量，分析向量之间的Pearson相关系数，得到车5 所示。二时间一时间5 11 2.2Elman

4、Elman BP BP Pearson5 11 2.2ElmanElman BP BP Pearson相关承接层输出为承接层输出为输入为u(k-输入单输出单6 Elman假设u(k)为Elman网络输入值，x(k)为隐含层的输出值，xc(k)为承接层的输出值，那么Elman 神经网络的数学表达为：x(k) = f(W1xc(k) + W2(u(k xc(k) = x(k y(k) = W1、W2、W分别为承接层神经单元到隐含层神经单元的连接权重矩f()为隐含层神经单元的传递函数；函数g()输出层神经单元的传递函数，是隐含层的线性组合。对于 Elmn 藏层节点数本文采用如下式来确定，h = in

5、out0 10)hin、out 曲正切S 形函数，输出层神经元的传递函数采用线性函数3 3.1 实验数据与评价标到35 201422320143曲正切S 形函数，输出层神经元的传递函数采用线性函数3 3.1 实验数据与评价标到35 2014223201436误差(MSE)这种公认的标准评价方法对本文的算法进行评价6n12MSE= n(xi i)1,2,n3.2 299 组样本作为神经网络的训练集，余下的 80 组样本作为测试集。同时，为了Elman 77 8Elman 神经网络.88 通过观察与分析，采用时空相关性的Elman流时7 8Elman 神经网络.88 通过观察与分析，采用时空相关性的Elman流时的30%2 MSE仅考虑时间相关性的Elman神经网结考虑时空相关性的Elman神经网结4 .，.模型3模型4ChenMC,WeiY.Exploring4 .，.模型3模型4ChenMC,WeiY.Exploringtimevariantsforshort-termpassengerflow J.Journal of Transport Geograph.20