《BP神经网络在苏州地铁客流预测中的应用及MATLAB实现》20000字

[33]。5.2.1设置神经元个数设置输入神经元的个数为6，设置输出神经元的个数为1，设置隐藏神经元的个数为30。使用global为全局变量的标识符，可以让方法内的局部变量全局可用。设训练集输入的数据为p、训练集输出的数据为t、输入神经元的个数为R、输出神经元的个数为S2、隐藏神经元为S1、在此可以看出编码长度为S。其中，可以通过调整S1，修改隐藏层的神经元个数来改变预测值，减少与实际值之间的误差，隐藏层神经元的个数越多，预测值越准确（邱骏驰，马锦程，2021）。5.2.2数据预处理使用maxmin指令，将输入值量化，转为[0,1]区间的值。5.2.3导入数据将输入值组成Excel表，鉴于本文的研究环境我们考虑了这种情况的发生命名数据集为data1和data2，导入Matlab中构建的神经网络程序中。引用MATLAB函数指令中的excel表格数据的读取函数xlsread；data1为2020年上半年的客流数据、data2为2020年上半年的客流数据；基于以上证据设置N为训练的组数，M为预测的组数。5.2.4设置训练参数在网络中设置的训练参数如下net.trainParam.show=82;net.trainParam.epochs=5000;net.trainParam.goal=1.0e-7;net.trainParam.lr=0.001;其中：Show为显示的中间结果周期；epochs为所设置的最大迭代次数是5000次；goal为神经网络的训练目标误差为1.0e-7;Ir为设置的学习率是0.001。图5-2MATLAB中构建的神经网络模型如图5-2所示，输入神经元为6个，隐藏神经元为30个，输出神经元为1个。5.3BP神经网络仿真结果5.3.12020年上半年（疫情期间）预测用2020年1~5月的数据预测6月苏州地铁4号线的客流。（1）训练过程由图5-3所示，依前述分析判断图为BP神经网络的训练过程，在训练次数为4167次时，误差值达到最小，BP模型停止训练（张子凡，刘一鸣，2019）。由图5-4所示，图为误差变化曲线，误差率达到了预期，收敛次数为4617。由图5-5所示，图为归一化曲线，归一化时输入数据达到了统一。本文的框架模型建立在现有理论基础之上，无论是在信息流动还是数据分析方法上，都体现了对前人研究成果的尊重与继承，并在此基础上进行了创新与发展。首先，在信息流动的设计方面，本文借鉴了经典的信息处理理论，确保信息从采集、传输到分析的每一个环节都能够高效且准确地进行。通过对数据来源的严格筛选和标准化处理流程，使得信息的质量得到了有效保障，从而也能够更好地注重信息流动的透明度与可追溯性。由图5-6所示，图为训练参数，mu参数为学习率，epoch为实际训练次数。图5-3BP神经网络训练过程图5-4神经网络训练误差曲线图5-5数据归一化曲线图5-6训练参数图5-7苏州地铁4号线2020年6月客流预测结果（2）仿真结果由图5-7所示，红色虚线代表预测值，蓝色实线代表实际值，两条线整体趋势相似，说明预测结果有一定的准确性（吴宇轩，徐豪，2018）。5.3.22020年下半年预测用2020年7~11月的客流值预测12月的苏州地铁4号线客流（1）训练过程由图5-8所示，图为BP神经网络的训练过程，在训练次数为5000次时，达到了最大迭代次数，BP模型停止训练。由图5-9所示，图为误差变化曲线，误差率达到了预期，收敛次数为5000。由图5-10所示，图为归一化曲线，归一化时输入数据达到了统一。由图5-11所示，图为训练参数，mu参数为学习率，epoch为实际训练次数。图5-8BP神经网络训练过程图5-9误差曲线图5-10归一曲线图5-11训练参数（2）仿真结果由图5-12所示，在时代潮流推动下红色虚线代表预测值，蓝色实线代表实际值，两条线整体趋势相似，说明预测结果有一定的准确性(吴怡霏,赵云时,2020)。图5-12预测结果5.4结论经过2020年上半年、下半年的两次训练和预测，可以发现两次得出的仿真图中，预测值和实际值呈现出的折线趋势大致相同，基本完成了苏州轨道交通客流预测的神经网络实现。但是由于BP神经网络的局限性、现实客流的不确定性、影响客流量因素的多样性等，预测值和客流值还是存在着一定的误差(胡泽扬,付羽辰,2019)。此外，在训练过程中，为了BP神经网络模型的稳定，我所设置的学习率过高、训练迭代次数过多，鉴于当前背景导致了训练时间过长，仿真结果较慢，这增加了样本训练的繁琐性。这些都是我还需要学习和解决的问题。5.5本章小结本章主要内容为在MATLAB中构建BP神经网络来训练、预测客流。包含了实验数据的选取、构建BP神经网络的步骤、训练预测的结果。实现了用神经网络实现城市轨道交通客流预测的一系列流程，也通过观察神经网络的训练过程和仿真结果，分析了本实验存在的问题(郭志光,陈萱,2019)。

6.总结在当今科技高速增长的时代，城市轨道交通大力发展，方便了大家的出行。也改变了一定的出行方式，加上“绿色出行”成了流行的话题，越来越多的人会选择地铁作为出行工具，在这样的环境背景下，对城市轨道交通的客流预测就显得尤为重要，这决定了交通规划的大方向，在城市轨道交通规划设计中是关键的环节。本论文就是基于此环境背景下的实验研究，主题是通过使用MATLAB软件，构建BP神经网络模型，据此可判断其优劣来分析和实现苏州地铁4号线的客流预报。本文完成了以下基本内容：通过查阅相关文献，阐述并对比了国内外城市轨道交通的发展以及对轨道交通客流预测研究成果，了解了城市轨道交通在城市发展过程里的重要性，继而了解了城市轨道交通客流预测的必要性。学习了神经网络的概念及其特性，选取了BP神经网络作为实验的神经网络模型，学会了在MATLAB中构建BP神经网络的步骤及相应的函数作用。查找了大量的数据，因为2020年上半年疫情情况特殊，2020下半年回归正常，两个半年具有情况不同，分别对上半年和下半年做了神经网络的训练及预测，即考虑到了特殊情况，也证明了所构建的神经网络模型的稳定和准确。对Word、MATLAB等软件更加熟练地操作，完成了本科毕业论文所要求的相应格式。

参考文献赵志杰，陈秀兰.神经网络导论[M].北京:科学出版社,2017.赵志伟，罗晓燕.城市轨道客流预测方法研究[D].北京交通大学,2004.韦俊熙，戴嘉豪.城市轨道交通短时客流预测与实证分许研究[D].兰州交通大学,2020.江宇辰，赖博文.天津市快速轨道发展策略研究[D].天津大学,2010.张煜博，黄晓澜.基于仿真分析的换乘车站客流疏散安全评估问题研究[D].北京交通大学,2017.张子凡，刘一鸣等.国外轨道交通发展对我国城市群轨道交通一体化的启示[J].交通运输工程与信息学报,2021,19(01):52-58.吴宇轩，徐豪.中国城市轨道交通2020年数据统计与发展分析[J/OL].隧道建设(中英文):1-4[2021-04-25]./kcms/detail/44.1745.U.20210416.1749.004.html.吴怡霏,赵云时.中国轨道交通建设市场全球发展最快[N].中国经济导报,2011-05-21(E01).胡泽扬,付羽辰.城市轨道交通枢纽换乘设施优化研究[D].兰州交通大学,2013.郭志光,陈萱.广州至珠海城际快速轨道交通的客流预测研究[D].武汉理工大学,2006.戈子骞，奚梦岚.城市轨道交通客流预测模型及方法研究[D].西南交通大学,2008.陈书天,成泽和.基于时序分解和LSTM神经网络的城市轨道交通短时客流预测[D].北京交通大学,2020.邓泽和,邹雯萱.基于LSTM模型的新建城轨线路周边常规公交客流预测[D].北京交通大学,2020.陈昊羽，陈嘉琪，周向阳.基于灰色模型的城市轨道交通客流预测研究[D].天津大学,2016.李泽洋，吴思琪等.上海市轨道交通客流预测理论方法研究[J].城市交通,2009,7(01):13-19.YiruCui,YangLi.AnalysisandComparisonofUrbanRailTransitPassengerFlowForecastbasedonMultipleMethods[C].Zhuhai,China,2017:6thInternationalConferenceonEnergy,EnvironmentandSustainableDevelopment(ICEESD2017).林晓红，谢思远.轨道交通客流预测的重要性与准确性分析[A].武汉市人民政府、中国城市规划学会城市交通规划学术委员会.城市交通发展模式转型与创新——中国城市交通规划2011年年会暨第25次学术研讨会论文集[C].武汉市人民政府、中国城市规划学会城市交通规划学术委员会:中国城市规划学会,2014:9.张哲瀚,刘雨桐.城市轨道交通网络脆弱性探究[J].智能建筑与智慧城市,2021(03):140-141.郑梓萱，黄雅琳.城市轨道交通客流特征与发展阶段关系研究[A].中国城市规划学会城市交通规划学术委员会.交通治理与空间重塑——2020年中国城市交通规划年会论文集[C].中国城市规划学会城市交通规划学术委员会:中国城市规划设计研究院城市交通专业研究院,2020:12.何静怡,陈明泽.天气因素对轨道交通客流的影响[A].中国城市规划学会城市交通规划学术委员会.2017年中国城市交通规划年会论文集[C].中国城市规划学会城市交通规划学术委员会:中国城市规划设计研究院城市交通专业研究院,2017:14.何文凯,王诗瑶.基于新冠疫情下的城市轨道交通客流监控研究[J].中国信息化,2020(11):45-47.武松柏,施娜娜.神经计算原理及其应用技术[M].北京:科学出版社,2012.余志杰,王梦瑶.MATLAB神经网络原理与实例讲解[M].北京:清华大学出版社,2013.刘俊杰,王冰冰.MATLAB神经网络设计与应用[M].北京:清华大学出版社,2013.罗杰,苏兵,翟乐育.基于BP神经网络的空中无人通信平台作战效能评估[J/OL].指挥控制与仿真:1-5[2021-04-18]./kcms/detail/32.1759.TJ.20210416.0933.002.侯晨煜,孙晖,周艺芳,曹斌,范菁.基于神经网络的地铁短时客流预测服务[J].小型微型计算机系统,2019,40(01):226-231.YongWangandHuiChengandShuangLi.Passengerflowforecastmodelforintercityhighspeedrailway-Aneuralnetwork-basedanalysis[J].JournalofInetrdisciplinaryMathematics,2018,21(4):897-906[2018-07-18].https://(余志杰,王梦瑶,2021)./loi/tjim20.HolmstromL.,KoistinenP.UsingAdditiveNoiseinBack-PropagationTraining[J].I（张煜博，黄晓澜，2023）transactionsonneuralnetworks,1992,3(1):24-38.VanO.,NienhuisB.Improvingtheconvergenceoftheback-propagationalgorithm[J].NeuralNetworks,1992,5(3):465-471.HuangCL,HsuTS,LiuCM.Modelingadynamicdesign郑梓萱，黄雅琳temusingtheMahala-nobisTaguchi郑梓萱，黄雅琳tem—twostepsoptimalbasedneuralnetwork[J].JournalofStatisticsandManagement郑梓萱，黄雅琳tems,2010,13(3):675-688.KitanoH.Designingneuralnetworksusinggeneticalgorithmswithgraphgeneration郑梓萱，黄雅琳tem[J].Complex郑梓萱，黄雅琳temsJournal,1990,4:461–476.包志家,李奇.基于MATLAB神经网络工具箱的BP神经网络的应用研究[J].信息与电脑(理论版),2021,33(02):181-183.QianLietal.PredictionofUrbanRailTransitSectionalPassengerFlowBasedonElmanNeuralNetwork[J].AppliedMechanicsandMaterials,2014,2973:1023-1027[2014-04-28].https://(余志杰,王梦瑶,2021)./AMM.505-506.1023.马胜艳.新时期城市轨道交通发展方向探究[J].居舍,2021(08):1-21.结论学术探索的感恩与铭记瞬间，在追求学术的道路上，我深刻感受到了知识的力量与学术研究的艰辛。感谢我的导师，您的智慧之光引领我穿越学术的迷雾，让我学会了如何独立思考。同时，也感谢那些在我遇到困难时伸出援手的同学们，你们的陪伴与鼓励成为了我心中永恒的瞬间，激励我不断前行。

附录训练苏州地铁4号线2020年1~5月份客流量，并预测苏州地铁4号线2020年6月份客流量的MATLAB神经网络程序如下：%%清除环境变量clearallclc%%声明全局变量globalp%训练集输入数据globalt%训练集输出数据globalR%输入神经元个数globalS2%输出神经元个数globalS1%隐层神经元个数globalS%编码长度S1=30;%%导入数据dataSet=xlsread(’data1.xlsx’);data=dataSet(;,1:7);N=152;M=27;%赋值给输入t和输出p；%p为输出值%%%1.训练数据P_train=data(1:N,1:6)’;%T_train=data(1:N,p+1:p+t)’;T_train=data(1:N,7)’;%%%2.测试数据P_test=data(N+1:N+M,1:6)’;%T_test=data(N+1:N+M,p+1:p+t)’;T_test=data(N+1:N+M,7)’;%%BP神经网络%%%1.网络构建%net=newff(minmax(P_train),minmax(T_train),[S1,1],{’tansig’,’purelin’},’trainlm’);net=newff(minmax(P_train),[S1,1],{’tansig’,’purelin’},’trainlm’);%%%2.设置训练参数net.trainParam.show=82;net.trainParam.epochs=5000;net.trainParam.goal=1.0e-7;net.trainParam.lr=0.001;%%%3.网络训练[net,tr]=train(net,P_train,T_train);%%%4.仿真测试s_bp=sim(net,P_test);%BP神经网络的仿真结果s_bp=s_bp’;%plot(s_bp,’ro’);%holdon;%P_result=P_result’;%plot(P_result,’b’)plot(s_bp,’ro’);holdonplot(T_test,’b*-’);训练苏州地铁4号线2020年7~11月份客流量，并预测苏州地铁4号线2020年12月份客流量的MATLAB神经网络程序如下：%%清除环境变量clearallclc%%声明全局变量globalp%训练集输入数据globalt%训练集输出数据globalR%输入神经元个数globalS2%输出神经元个数globalS1%隐层神经元个数globalS%