【《基于BP神經(jīng)網(wǎng)絡(luò)的軌道交通客流預(yù)測與仿真》20000字】

1基于BP神經(jīng)網(wǎng)絡(luò)的軌道交通客流預(yù)測與仿真神經(jīng)網(wǎng)絡(luò)技術(shù)是20世紀(jì)末迅速發(fā)展起來的高新技術(shù)，其具有良好的非線性本論文旨在運(yùn)用MATLAB軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。本實驗選取蘇州地下半年兩部分，對蘇州地鐵4號線的客流值進(jìn)行兩組的訓(xùn)練和預(yù)測，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)輸出客流的預(yù)測值，并通過實際值和預(yù)測值的比較，來驗證BP神經(jīng)網(wǎng)絡(luò)該論文有圖21幅，參考文獻(xiàn)34篇。關(guān)鍵詞：城市軌道交通客流預(yù)測客流分析神經(jīng)網(wǎng)絡(luò)MATLAB仿真 1目錄 1圖清單 41.1課題研究的背景與意義 41.2國內(nèi)外軌道交通發(fā)展?fàn)顩r 51.3國內(nèi)外客流預(yù)測研究狀況 821.4本文主要內(nèi)容概括 2.城市軌道交通客流預(yù)測特征分析與研究 2.1城市軌道交通客流預(yù)測必要性分析 12.2城市軌道交通客流影響因素分析 2.3客流調(diào)查的種類 2.4造成客流誤差的主要因素分析 2.5本章小結(jié) 3.1神經(jīng)網(wǎng)絡(luò)的特點 3.2神經(jīng)元 3.3神經(jīng)網(wǎng)絡(luò)模型概述 3.4BP神經(jīng)網(wǎng)絡(luò) 3.5本章小結(jié) 4.1MATLAB數(shù)據(jù)預(yù)處理 4.2神經(jīng)網(wǎng)絡(luò)構(gòu)建函數(shù) 244.3訓(xùn)練函數(shù) 264.4網(wǎng)絡(luò)仿真函數(shù) 4.5本章小結(jié) 26 5.1實驗數(shù)據(jù)的選取 5.2BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建步驟 35.3BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果 305.4結(jié)論 364在城市人口持續(xù)增多、城市軌道交通復(fù)合越來越大的現(xiàn)在，不僅有城市軌道交通的基礎(chǔ)設(shè)施的極力發(fā)展，基于城市軌道交通的客流預(yù)測也是至關(guān)重要的環(huán)節(jié)。根據(jù)城市發(fā)展和交通情況預(yù)測客流有著極大的研究意義。近年來，隨著我國城市化進(jìn)程的不斷發(fā)加快，全民經(jīng)濟(jì)也健康發(fā)展、快速增長，城市之間人口流動的頻率日益加大，現(xiàn)在城市的實際交通量超過了地面交通的最大承載能力，因此存在交通擁堵、交通擁堵、城市擴(kuò)展、人員和物資頻繁交流等問題。城市的擴(kuò)張，經(jīng)常的人員流動和人員交流給城市交通的發(fā)展和進(jìn)步造成了極大的阻力(趙云飛，陳佳銘，2022)2。此外，由于近年來私家車的普及，汽車尾氣和噪音造成的環(huán)境污染也越來越受到城市居民的持續(xù)關(guān)注，環(huán)境問題越來越受到人們的重視，環(huán)保成了每個市民應(yīng)該秉持的理念。正因如此，城市公共交通系統(tǒng)也越來越受到人們的重視(成錦特點，成為了人們出行的第一選擇13。但是，在目前的條件下城市道路和土地資源，如何加強(qiáng)道路交通承載能力呢?如果通過擴(kuò)大和增加地面道路機(jī)動車車道，結(jié)合已取得的成果可以推導(dǎo)出結(jié)論性觀點目前的條件是非常有限的，并不能在短期內(nèi)解決交通堵塞的問題。然而，我們可以鼓勵城市居民根據(jù)低碳環(huán)境保護(hù)的趨勢，選擇盡可能多的城市公共交通系統(tǒng)我們可以提高城市居民出行效率，大力發(fā)展城市公共交通設(shè)施，根據(jù)城市居民的實際需要，這在一定程度上印證了從根本上解決目前的土地交通擁堵問題。城市軌道交通在世界大中型城市的公共交通系統(tǒng)中占有獨特的中心地位，具有許多其發(fā)展軌道交通，要進(jìn)化相關(guān)硬件設(shè)施、要對線路排列規(guī)劃更加科學(xué)，所有這些都是基于對未來客流的適當(dāng)分析。我國人口多、城市相對較少、城市人口密度高。我國城市的快速發(fā)展帶來方便快捷生活的同時，也導(dǎo)致了城市人口和客流量的急劇增長(龔立超，黃星天，2022)。因此，發(fā)展城市軌道交通是一定需要的。地鐵為人類打開了有效利用地下空間的新時代，緩解了地面交通擁堵，這在一定意義上透露了地鐵建設(shè)成為21世紀(jì)我國城市基礎(chǔ)設(shè)施和城市交通的主要形式，是51.1.2研究意義班次，開展客運(yùn)組織和高效客流疏導(dǎo)，根據(jù)乘客個性化1.2.1國外軌道交通發(fā)展?fàn)顩r統(tǒng)計顯示，全球已有40多個國家建設(shè)地鐵，全球127個城市建設(shè)地鐵。地鐵線路總長度超過7000公里。東京地鐵開通近2000公里，年客流量超過100億人次。倫敦有9條地鐵線路，全長408公里。巴黎的鐵路交通占公共交通總量的70%。地鐵有15條線路，總長199公里。紐約市中心有27條地鐵線路，總長443位居世界前列。世界上有5000多公里的地鐵線路。有16個城市的地鐵線路超過6100公里。其中，紐約和倫敦有400多公里的地鐵線路，巴黎有近300公里的地于紐約市中心，覆蓋市中心的四個地區(qū)。目前紐約市有25條線路，總長370公里。開通的線路超過了6700條，占美國地鐵車輛的三分之二。在紐約，在平均每周工作日總共有1750萬人乘坐地鐵。為了方便在都市工作的人們，紐約軌道凱文，2019)。長1225公里，其中國家鐵路788公里，地鐵408公里，輕軌29公里。倫敦地鐵平均每日客運(yùn)量約為300萬人次，年客運(yùn)量約為100萬人次。倫敦的公共交通網(wǎng)700多條不同的路線上運(yùn)送大約600萬名乘客。展。墨西哥城地鐵建于1966年。目前，共有11條線路，175個車站，總長201.4公里，在全球排名第15,平均每日客運(yùn)量440萬人次，交通總量位居世界前列。首爾地鐵建于1971年，目前有7條線路，總長21711公里。到2000年，計劃建7可以看出，城市軌道交通不管在發(fā)達(dá)國家還是發(fā)展中國家，都是極其受到重視的，它便利了人們的生活，增進(jìn)了人們之間的交流，也促進(jìn)了各國之間文化科技的交流。國外的大都市有很多年的城市軌道交通發(fā)展經(jīng)驗，他們在發(fā)展中遇到的許多問題和對應(yīng)的解決方案值得我國學(xué)習(xí)，對我國軌道交通發(fā)展具有極大的啟示和借鑒意義6。近年來，中國城市鐵路運(yùn)輸發(fā)展迅速，極大地滿足了人們的出行需求。它在優(yōu)化城市結(jié)構(gòu)、緩解城市交通擁堵、促進(jìn)經(jīng)濟(jì)社會發(fā)展方面發(fā)揮著越來越重要的作用。截至2020年12月31日，中國城市軌道交通總運(yùn)營里程約為7655公里，其中43個城市的軌道交通開放通行，這在某種程度上反映包含了246條線路，創(chuàng)歷史新高(陳靖怡，周麗敏，2019)7。從城市鐵路運(yùn)輸?shù)囊?guī)劃和結(jié)構(gòu)來看，城市北京-上海-廣州-深圳地鐵里程下降到全國里程的36%,北京-上海地鐵里程占全國里程的23.08%。從實際需求和客觀條件來看，城市鐵路運(yùn)輸?shù)陌l(fā)展具有廣闊的發(fā)展空間。同經(jīng)濟(jì)發(fā)展和推進(jìn)全國城市群規(guī)劃和建設(shè)、區(qū)域發(fā)展不平衡問題將得到改善，越來越多的城市加入二級經(jīng)濟(jì)發(fā)達(dá)城市軌道交通施工隊伍和區(qū)域布局城市軌道交通建設(shè)步伐加快。在這般的框架下資料顯示，全國四個直轄市全部建成地鐵，16個省會城市全部建成地鐵，內(nèi)地有38個城市，香港、澳門、臺灣5個城市(香港、澳門、臺北、桃源和高雄)覆蓋了43個城市中的所有城市，給城市發(fā)展和人民生活帶來極大便利!在城市軌道交通飛速發(fā)展的時代，客流預(yù)測在城市軌道交通的設(shè)計和運(yùn)營中起著巨大的主導(dǎo)作用。根據(jù)智研咨詢發(fā)布的《2020-2026中國軌道交通裝備產(chǎn)業(yè)市場運(yùn)行模式及發(fā)展前景報告》數(shù)據(jù)，地鐵是我國城市軌道交通最重要的組成部分。截至2018年底，中國內(nèi)地已開通城市軌道交通，包括地鐵、輕軌、單軌、城市快軌、現(xiàn)代有軌電車、磁懸浮、APM等。其中，從這些細(xì)節(jié)可以看出地鐵線路長度4354公里，占76%,占絕對優(yōu)勢；其次是城市快速軌道交通(占11%)、現(xiàn)代有軌電車(占6%)等城市軌道交通系統(tǒng)(高旭東、段君熙、謝昊和，2023)。本研究所得出的結(jié)論與早前的推測相匹配，證明了所使用的研究方法具備科學(xué)性，理論框架是合理的。經(jīng)過詳細(xì)的分析和多維度的檢驗，不僅驗證了原初假設(shè)的準(zhǔn)確性，還進(jìn)一步充實了該領(lǐng)域的理論內(nèi)容。研究結(jié)果為實踐活動提供了指導(dǎo)，通過深入探討關(guān)鍵問題，揭示了其背后的根本原因，這對于資源的有效配置、決策效率的提升以及行業(yè)的可持續(xù)發(fā)展至關(guān)重要。同時，這也突顯了將理論應(yīng)用于實踐的重要性，不僅在理8論上有所突破，更看重其實用價值。從我國人口分布來看，城市軌道交通發(fā)展?jié)摿薮?，地鐵遠(yuǎn)期規(guī)劃2.7萬公里。截止2020年底，據(jù)統(tǒng)計，我國有57個城市在建線路總規(guī)模6797.5km,在建線路為297條(段)。以江蘇省為例，江蘇省為中國地鐵第一大省，江蘇省13個市，已經(jīng)有5個城市開通了地鐵，全省地鐵總里程超過了700公里，加上在建地鐵，總里程已經(jīng)超過了1000公里(張紫薇，趙俊光，陳詩雅，2021)。在2005年5月，南京開通了第一條地鐵，截止2020年，南京擁有了在運(yùn)營的地鐵線路10條，日均客流量350萬；蘇州地鐵在運(yùn)營的4條，運(yùn)營里程達(dá)到166公里，在建的5條線路里程預(yù)計達(dá)到186公里。地鐵已經(jīng)成為了城市人們出行不可或缺的一部分，未來城市軌道交通在中國城市只會越來越普遍，更加便捷出行(謝天羽，陸雨，在地理位置分布上看，長江、珠江三角地區(qū)城市在未來軌道交通營業(yè)里程會持續(xù)快速增長，結(jié)合已取得的成果可以推導(dǎo)出結(jié)論性觀點在我國城市軌道交通發(fā)展中占大額。到目前為止，我國已有39個城市獲得了城市軌道交通的建設(shè)批準(zhǔn)，還有許多其他城市也有擬定城軌建設(shè)的相關(guān)計劃(成昊忠，吳嘉怡，2017)。從長遠(yuǎn)來看，北上廣深等城市的城市軌道交通將繼續(xù)走在前列。城市軌道交通不再僅僅集中在地鐵的發(fā)展上，隨著科技的進(jìn)步，城市輕軌也加入了城市軌道交通發(fā)展的大家庭。這在一定程度上印證了不同類型的軌道交通并肩發(fā)展，我國軌道交通發(fā)展呈現(xiàn)出多樣化的趨勢，發(fā)展過程中也開始注重綠色環(huán)保的軌道交通建設(shè)8。如今，依傍科學(xué)技術(shù)發(fā)展城市軌道交通成了一種新的趨勢，稱為“智慧城市軌道交通系統(tǒng)”。智慧城軌技術(shù)的核心點在于共享數(shù)據(jù)并將它們運(yùn)用在多方面，倡導(dǎo)將“互聯(lián)網(wǎng)”和“軌道交通”相結(jié)合的技術(shù)理念，運(yùn)用物聯(lián)網(wǎng)云計算、共享數(shù)據(jù)等新興技術(shù)在城市軌道交通上，推動城軌的智能運(yùn)行，以使城軌發(fā)展更加智能化、安全化，“智慧城軌系統(tǒng)”在便民、便行、便經(jīng)濟(jì)等方面做出了極大貢獻(xiàn)(龔維新，周雨彤，2023)。當(dāng)然，隨著城市軌道交通技術(shù)創(chuàng)新加快和大力發(fā)展，我們也要做到積極跟上國家發(fā)展城市的腳步，在這種框架下堅持“以人為本”的宗旨，把“安全第一”放在建設(shè)的首位，把建設(shè)綠色生態(tài)型城市軌道交通、實現(xiàn)智慧高效運(yùn)維當(dāng)成戰(zhàn)略目標(biāo)[7。相信我國城市軌道交通會變得更加綠色、智慧、便利、高效。目前國內(nèi)外在規(guī)劃和建設(shè)城市軌道交通的客流預(yù)測工作中，一般采用的是“四階段”法，這個預(yù)測客流的方法分為四個環(huán)節(jié)：從產(chǎn)生出行的源頭分析預(yù)測、從出行的分布分析預(yù)測、從出行選擇的交通方式分析預(yù)測、從出行的交通量分配分析預(yù)測客流[2。運(yùn)用該法進(jìn)行客流預(yù)測時，首先要將所研究預(yù)測的對象分為幾9個交通集，根據(jù)該城市的人口、居民就業(yè)分布、土地占用比例、城市經(jīng)濟(jì)圈等條件，進(jìn)行居民出行生成預(yù)測、出行方式劃分、出行分布預(yù)測和交通分配預(yù)測，來城市軌道交通線網(wǎng)影響因素非常復(fù)雜，國外比較成熟的是四階段預(yù)測法，即出行生成預(yù)測、出行分布預(yù)測、方式劃分預(yù)測、路網(wǎng)分配。出行生成模型旨在預(yù)測全部出行量和吸引量，即對一個社區(qū)進(jìn)出的總交通流做出預(yù)測。20世紀(jì)50年代初，從這些要求可以看出來出行生成預(yù)測模型主要基于家庭或社區(qū)的增長率。在20世紀(jì)60年代末之前，美國人使用了線性擬測模型。20世紀(jì)60年代后期，英國提出了一項分類模型法，預(yù)測方法得到了改進(jìn)，這種方法美國人稱為交叉分類法。該方法一直是國外進(jìn)行出行生成預(yù)測的主要方法(高奇維，賴雨晴，2021)。為了提高研究結(jié)果的可信度，本研究在各個關(guān)鍵環(huán)節(jié)采取了嚴(yán)格的質(zhì)量控制措施。在研究設(shè)計階段，本文構(gòu)建了一個結(jié)構(gòu)化的研究計劃，確保研究目標(biāo)的明確性和假設(shè)的合理性。數(shù)據(jù)收集時，本文采用了多種數(shù)據(jù)源，增加了數(shù)據(jù)的豐富性和驗證可能性，同時通過標(biāo)準(zhǔn)化流程減少數(shù)據(jù)采集中的主觀偏差。數(shù)據(jù)分析過程中，本文綜合運(yùn)用了定量與定性分析方法，全面剖析數(shù)據(jù)，以評估研究結(jié)果對關(guān)鍵變量變化的穩(wěn)定性。出行分布預(yù)測模型中最典型的是重力模型和增長系數(shù)法，1965年，F(xiàn)urness提出了著名的增長系數(shù)法，1955年，Casey最早提出重力模型并分析某一地區(qū)內(nèi)部小區(qū)間的購物出行，這在某種程度上反映該模型根據(jù)出行產(chǎn)生吸引總量的約束條件又分為單約束模型和雙約束模型，后來該模型得到了合理的解釋，1940年Stouffer提出了介入機(jī)會模型，1959年，Schncider將該模型加以改進(jìn)并沿用至今方式劃分預(yù)測模型主要分集聚模型和非集聚模型兩種，最早的集聚模型是分擔(dān)率曲線法，非集聚模型以效用最大化理論為基礎(chǔ)，最早的非集聚模型研究者主要有Warner,Lerman等，但他們的模型與傳統(tǒng)的方法相比有明顯而嚴(yán)重的缺陷，八提出了離散選擇模型，根據(jù)所采用的概率分布函數(shù)不同，又分為Logit模型族和Probit模型族，在這般的框架下其中多元Logit模型至今被廣泛應(yīng)用(成倩玉，陳容量限制配流均是以全有全無方法為基礎(chǔ)的，1952年，Wardrop提出了著名的Wardrop原理，開始了平衡模型探索求解，1956年Beckman等人將Wardrop原理用數(shù)學(xué)語言表述出，但直到1982年，F(xiàn)loria和Femandez才提出了該模型的算法，基于國外和國內(nèi)的環(huán)境、體制等的不同，國外的預(yù)測方法在我國不一定適用。所以，針對國外的客流預(yù)測方法，我們可以學(xué)習(xí)其思想，根據(jù)國內(nèi)的實際情況，有效地進(jìn)行客流預(yù)測。我國對城市軌道交通客流的預(yù)測，雖然比國外起步晚，但是也取得了不錯比如，2005年，徐薇、黃厚寬等人在客流預(yù)測的研究中，運(yùn)用時間空間的數(shù)據(jù)之間的關(guān)系性質(zhì)，從神經(jīng)網(wǎng)絡(luò)技術(shù)和統(tǒng)計學(xué)的角度分析，融合了數(shù)據(jù)和方法，利用計算機(jī)技術(shù)，以ARIMA模型建立了整條軌道線路的客流預(yù)測模型，并通過線性回歸來處理模型所得出的預(yù)測結(jié)果，從這些細(xì)節(jié)可以看出來得到公共交通客流預(yù)測結(jié)果12。2011年，LingHuang,PeiqunLin等人建立了三層BP神經(jīng)網(wǎng)絡(luò)的城市交通擁堵的客流預(yù)測模型，嘗試結(jié)合神經(jīng)網(wǎng)絡(luò)，用模糊邏輯判斷交通網(wǎng)的實時客流121。2013年，楊琦、楊云峰等人運(yùn)用了灰色模型和馬爾科夫模型的方法對公共客流量進(jìn)行預(yù)測，其中，灰色模型用于分析客流量，結(jié)合已取得的成果可以推導(dǎo)出結(jié)論性觀點馬爾科夫模型用于修正預(yù)測值[131。2019年，因為軌道交通客流的多邊性和隨時性會導(dǎo)致預(yù)測的不準(zhǔn)，陳深進(jìn)、薛洋運(yùn)用基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行短時客流的預(yù)測，有效地優(yōu)化了在公共交通客流預(yù)測時獲得的數(shù)鑒于我國城市軌道交通的實際運(yùn)行情況，可以發(fā)現(xiàn)，在設(shè)計規(guī)劃城市軌道交通時期的客流預(yù)測與城市軌道交通正式投入運(yùn)行時期的實際客流極不符合。當(dāng)有的預(yù)測值大于實際客流值，在這種布局下會造成運(yùn)營成本浪費(fèi)、運(yùn)營虧損；而有的實際客流值大于預(yù)測值，這會造成軌道交通運(yùn)營期間過于擁擠，長此以往會造成安全隱患14]?？傊侠淼乜土黝A(yù)測可以提高在建設(shè)成本、運(yùn)營成本、乘客體驗等多方面的城市軌道交通質(zhì)量，客流預(yù)測的研究任重道遠(yuǎn)。1.4本文主要內(nèi)容概括本論文選取了蘇州地鐵2020年的客流，因為客流特征的不同，分為兩組數(shù)據(jù)(1~6月客流量為一組、7~12月客流量為一組),通過MATLAB軟件建構(gòu)BP神經(jīng)網(wǎng)絡(luò)模型，對它們分別進(jìn)行訓(xùn)練和預(yù)測，得出仿真對比圖，以此完成城市軌道交通的神經(jīng)網(wǎng)絡(luò)分析和實現(xiàn)。第一章為緒論。主要介紹了城市軌道交通的研究背景和意義，國內(nèi)外成熟軌道交通發(fā)展的現(xiàn)狀和國內(nèi)外對客流預(yù)測的研究現(xiàn)狀。第二章為城市軌道交通客流預(yù)測的特征分析。介紹了什么是客流和客流預(yù)測的必要性，分析了影響客流量的幾個因素，介紹了幾個調(diào)查客流的方法，并分析了可能造成客流預(yù)測誤差的幾個因素。第三章為神經(jīng)網(wǎng)絡(luò)的相關(guān)介紹說明。學(xué)習(xí)了人工神經(jīng)網(wǎng)絡(luò)的性質(zhì)和種類，分析了神經(jīng)網(wǎng)絡(luò)的優(yōu)點，選取了BP神經(jīng)網(wǎng)絡(luò)為研究模型。第四章為MATLAB軟件中構(gòu)建神經(jīng)網(wǎng)絡(luò)所用到的函數(shù)指令。分析了在構(gòu)建神經(jīng)網(wǎng)絡(luò)程序過程中需要用到的函數(shù)和軟件步驟。第五章為BP神經(jīng)網(wǎng)絡(luò)在MATLAB中的客流預(yù)測仿真步驟及結(jié)果。先是訓(xùn)練的數(shù)據(jù)集，然后進(jìn)行仿真，得出了實際值和預(yù)測值的對比圖，驗證神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的準(zhǔn)確性和穩(wěn)定性。第六章為總結(jié)與展望。結(jié)合中題，闡述了本文大致內(nèi)容，總結(jié)了本文的中心點，并指出并反思了本論文存在的缺點，表達(dá)了自己對此研究未來發(fā)展的看法。在與城市軌道交通的規(guī)劃、設(shè)計、建設(shè)、運(yùn)行等有關(guān)的一系列流程中，發(fā)展什么樣的城市軌道交通、怎樣發(fā)展城市軌道交通是值得著重考慮的問題，此時，客流量便是發(fā)展規(guī)劃城軌的基本依據(jù)。客流預(yù)測是在衡量軌道交通建設(shè)水準(zhǔn)、運(yùn)營成本和收益比例、城市軌道交通社會貢獻(xiàn)率的必需依據(jù)，其在分析規(guī)劃城市交通網(wǎng)、建設(shè)軌道交通的規(guī)模、評價城軌建設(shè)水平、研究線路可行性和策劃運(yùn)營管理等方面發(fā)揮著重要作用15]。這在一定程度上印證了客流預(yù)測是城市軌道交通運(yùn)營管理的重要組成部分，準(zhǔn)確有效的客流預(yù)測可以實現(xiàn)高效運(yùn)營管理、保證運(yùn)客流預(yù)測是指對未來客運(yùn)交通需求量的預(yù)測，是設(shè)計布局城軌新建線路、基礎(chǔ)設(shè)施建設(shè)、車輛購置、人員配置和運(yùn)營管理的重要依據(jù)。客流預(yù)測時會綜合考慮社會的經(jīng)濟(jì)和發(fā)展、交通設(shè)施建設(shè)等相關(guān)因素，分析并測算出某一運(yùn)輸方式的流量預(yù)測是城市交通客流預(yù)測的一部分，其預(yù)測原則與城市客運(yùn)需求預(yù)測一致2.2城市軌道交通客流影響因素分析獻(xiàn)(陳奇博，孫凌云，2022)。例如，在2020年4月7日至6月30日期間的休息日末，地鐵客流達(dá)到53萬人，這是一個歷史性的突破。即使是工作日，免費(fèi)乘車的地鐵客流仍維持在24萬人次左右，遠(yuǎn)遠(yuǎn)高于免費(fèi)措施前的日均18萬人次。由客乘坐地鐵出行[191。目前，城市居民對環(huán)境、便捷和健康等的關(guān)注度上升。對好壞天氣下城市軌道交通客流影響的研究主要是針對居民個體，在這種框架下而非體現(xiàn)在好壞天氣空氣質(zhì)量、天氣狀況等氣象條件直接影響旅客的出行方式和目的地的選擇。例如，當(dāng)空氣質(zhì)量差的時候，選擇出門游玩的乘客減少，這種情況下地鐵客流會減少[201;當(dāng)陰雨天氣，乘客會選擇地鐵公交等避雨交通工具取代自行車等，這種情況下地鐵客流會增大。隨著線網(wǎng)的不斷擴(kuò)大和運(yùn)營里程的增加，乘客對地鐵的依賴性日益增強(qiáng)。特別是在節(jié)假日期間，乘坐地鐵的乘客數(shù)量大幅增加，這給地鐵站的客流管理帶來了挑戰(zhàn)。節(jié)假日期間，從這些要求可以看出來客流量會呈現(xiàn)洪水猛獸式暴增，在此情況下，疏解擁堵和保證乘客安全是首要關(guān)鍵。2020年1月，我國爆發(fā)新型冠狀病毒肺炎，國民經(jīng)濟(jì)生產(chǎn)活動處于停頓階段。新冠疫情的爆發(fā)給人們的生活。出行帶來了前所未有的影響，承擔(dān)城市通勤和出行優(yōu)先任務(wù)的城市軌道交通也面臨著前所未有的運(yùn)營條件[21],地鐵客流也進(jìn)入了前所未有的低點(陳曉明，張慧敏，2022)。受疫情影響，這在某種程度上昭示了春節(jié)假期有所延長，各地經(jīng)濟(jì)生產(chǎn)活動恢復(fù)緩慢?！笆芤咔橛绊?，2020年中國內(nèi)地將繼續(xù)發(fā)展，年客運(yùn)總量175.27億人次，與2019年的238.41億相比，減少62.87億(26.40%)。根據(jù)北京、上海、廣州、深圳、成都、重慶等城市2020年1月至2020年5月的客流數(shù)據(jù)，不難發(fā)現(xiàn)疫情對地鐵客流影響巨大。從1月20日左右開始，我國地鐵客流已降至冰點，僅為正常水平的8%,并持續(xù)了20天左右。2月10日以來，首批小企業(yè)陸續(xù)復(fù)工，但客流依舊沒有恢復(fù)，這在某種程度上反映這說明，初次返鄉(xiāng)上班的人還是選擇個人出行代替公共交通出行，以減少集聚。2月24日以來，第二批企業(yè)開始復(fù)工，鐵路客流進(jìn)一步增加，但仍遠(yuǎn)低于去年同期的正常水平。此時，客流特征也發(fā)生了很大變化。周末客流遠(yuǎn)低于平日，不到平日的60%。由此可見，在這般的框架下人們也盡量減少周末的休閑娛樂出圖2-1蘇州地鐵2020年2月29日至3月31日總客流柱狀圖圖2-2蘇州地鐵2019年11月總客流柱狀圖如圖2-1為蘇州地鐵2020年2月29日至3月31日總客流柱狀圖，由圖可如圖2-2所示，在2019年沒有疫情期間，從這些細(xì)節(jié)可以看出周末客流是大于平時的。所以由對比可見，疫情期間的客流特征是與正常期間有差別的從5月1日勞動節(jié)開始，勞動節(jié)假期客流與平時客流幾乎持平。這表明，調(diào)查，約有30%的通勤人群改變了通勤方式，結(jié)合已取得的成果可以推導(dǎo)出結(jié)論性觀點主要由公交改為小汽車和慢行，地鐵客流也證實了這一點。2020年5月圖2-32020年上半年蘇州地鐵總客流折線圖圖2-3為2020年上半年蘇州地鐵總客流折線圖，由圖可見，疫情期間客流量大量減少，直到3月才有所回升，6月才回歸正常，但也只達(dá)到了正常情況下的70%。2.3客流調(diào)查的種類2.3.1全面客流調(diào)查2.3.2乘客情況抽樣調(diào)查這是一項定期且頻繁的客流抽樣調(diào)查，通常是直接觀察。這在一定程度上印證了包括各時段及日間的斷面客流量、時段及日間的最大斷面客流量及高峰時段的最大斷面客流量。這是一項關(guān)于客流量的特別主題問卷調(diào)查。這在一定意義上透露了調(diào)查內(nèi)容包括假期安排、城市旅游和娛樂產(chǎn)業(yè)的發(fā)展程度、市民生活方式的變化等(付瑾萱，何瑞豐，2022)。2.4造成客流誤差的主要因素分析在實踐操作中，客流預(yù)測也會有偏差，會有客流預(yù)測值的與實際值誤差較大的情況發(fā)生，或是高估，或是低估；這在一定程度上體現(xiàn)由于預(yù)測的方式和選擇的模型各有不同，也會出現(xiàn)客流數(shù)據(jù)離散型較大的結(jié)果。造成客流誤差的主要原因有：(1)客流預(yù)測方法的缺陷。(2)預(yù)測的前提條件發(fā)生變化。(3)相關(guān)調(diào)查數(shù)據(jù)調(diào)查不足或不準(zhǔn)確。(4)預(yù)測的客流數(shù)值取高或取低。(5)不同交通工具的分流和市民出行方式選擇的不同。(6)城市軌道交通的網(wǎng)絡(luò)規(guī)模效應(yīng)尚未完全形成。(7)沒有充分考慮現(xiàn)階段我國城市自身的特點。2.5本章小結(jié)本章主要介紹了城市軌道交通客流量的定義及其重要性，繼而分析了預(yù)測城市軌道交通客流的重要性以及影響客流量的因素，在這種框架下還例舉了客流調(diào)查的種類并分析了造成客流誤差的因素。本章根據(jù)蘇州地鐵的歷史客流數(shù)據(jù)，以柱狀圖、折線圖的形式，比較了疫情期間和平常的客流特征，為下文為何用兩組數(shù)據(jù)來進(jìn)行神經(jīng)網(wǎng)絡(luò)客流預(yù)測的分析實現(xiàn)作出了解釋。神經(jīng)網(wǎng)絡(luò)(neuralnetwork,NN)或人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork,ANN)是指用大量的簡單計算單元(即神經(jīng)元)構(gòu)成的非線性系統(tǒng)，人類腦神經(jīng)系統(tǒng)是3.1.1非線性3.1.2自學(xué)習(xí)和自適應(yīng)性定推理的專家系統(tǒng)更具有適應(yīng)性，更接近人類大腦的工作規(guī)則(高東陽，何向陽，2020)23。3.1.3計算的并行性與存儲的分布性一個神經(jīng)網(wǎng)絡(luò)通常由數(shù)個神經(jīng)元廣泛連接構(gòu)成。一個系統(tǒng)的整體行為不僅可以由單個神經(jīng)元的特征決定，從這些細(xì)節(jié)可以看出還可以由單元之間的相互作用和聯(lián)系決定。大腦的非局限性是通過大量的單元間連接來模擬的。神經(jīng)網(wǎng)路不受人工神經(jīng)網(wǎng)絡(luò)具有自我適應(yīng)、自我組織、自我學(xué)習(xí)的能力。不僅神經(jīng)網(wǎng)絡(luò)處理的信息在變化，非線性動態(tài)系統(tǒng)本身也在變化。迭代過程通常用于描述動態(tài)系統(tǒng)的發(fā)展。系統(tǒng)演化的方向一般取決于某種條件下的特定狀態(tài)函數(shù)。像能量函數(shù)，它的極值對應(yīng)于系統(tǒng)的相對穩(wěn)定狀態(tài)。非凸性是指函數(shù)具有多個極值，使系統(tǒng)具有多個穩(wěn)定的平衡狀態(tài)，從而導(dǎo)致系統(tǒng)的演化多樣性(吳俊天，林倩怡，2021)3.2神經(jīng)元神經(jīng)元是神經(jīng)網(wǎng)絡(luò)中最基本的元素，是神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的基本單位，是基本的神經(jīng)元模型如圖3-1所示。圖3-1基本神經(jīng)元模型如圖3-1所示，[x?,x?…xn]為神經(jīng)元的輸入，[w?,W?…Wn]為每個輸入對應(yīng)的權(quán)值，θ為神經(jīng)元的闕值，f為神經(jīng)元的激活函數(shù)，y為神經(jīng)元的輸出，當(dāng)各輸入加權(quán)求和，達(dá)到了闕值，此時激活函數(shù)就會產(chǎn)生一個輸出，可用如下公式作為激活函數(shù)的f在模型中用來確定每個輸出神經(jīng)元的輸出結(jié)果，整個網(wǎng)絡(luò)中的激活函數(shù)決定了收斂效率和非線性能力，圖3-2MP神經(jīng)元模型圖3-2為MP神經(jīng)元模型。神經(jīng)元從n個的其他神經(jīng)元被傳達(dá)了接收輸入信神經(jīng)元的閾值進(jìn)行比較，神經(jīng)元輸出再基于激活函數(shù)來生成(董嘉潤，陳君朝，3.3神經(jīng)網(wǎng)絡(luò)模型概述神經(jīng)網(wǎng)絡(luò)是一個由大量神經(jīng)元組成的網(wǎng)絡(luò)，這些神經(jīng)元在拓?fù)浣Y(jié)構(gòu)上以大規(guī)模的并行方式相互連接25。根據(jù)神經(jīng)元相互連接的方式，通常網(wǎng)絡(luò)結(jié)構(gòu)可分3.3.1前饋神經(jīng)網(wǎng)絡(luò)余夢茜，2017)。如圖3-3為前饋神經(jīng)網(wǎng)絡(luò)模型。圖3-3前饋神經(jīng)網(wǎng)絡(luò)模型3.3.2反饋神經(jīng)網(wǎng)絡(luò)3.3.3自組織神經(jīng)網(wǎng)絡(luò)如圖3-5為自組織神經(jīng)網(wǎng)絡(luò)模型。圖3-4反饋神經(jīng)網(wǎng)絡(luò)模型圖3-5自組織神經(jīng)網(wǎng)絡(luò)模型反向傳播。3.4.1BP神經(jīng)網(wǎng)絡(luò)的構(gòu)成反反復(fù)復(fù)的信息的前向傳播和誤差反饋傳播過程是一個不斷調(diào)整每一層權(quán)如圖3-6為三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型圖。圖3-6三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖3.4.2BP神經(jīng)網(wǎng)絡(luò)的局限性神經(jīng)網(wǎng)絡(luò)執(zhí)行從輸入到輸出的映射功能。BP神經(jīng)網(wǎng)絡(luò)被證明能夠執(zhí)行任何(3)習(xí)慣性依賴樣本BP神經(jīng)網(wǎng)模型的逼近和推廣能力由學(xué)習(xí)樣本的特征性決定，學(xué)習(xí)樣本在一用其他算法代替了誤差梯度下降算法，這在某種程度上昭示了如共軛梯度法 (Ng,Leung,2006)[301、將BP算法與其他優(yōu)秀算法相結(jié)合，例如遺傳算法 的特性，以圖片形式展現(xiàn)了幾種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的模型。其中經(jīng)網(wǎng)絡(luò)，展現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，也分析了BP神經(jīng)網(wǎng)絡(luò)的局限性。為下文MATLAB是將數(shù)值分析、矩陣計算、可視化、動態(tài)建模仿真等功能集成到一個開發(fā)環(huán)境中的數(shù)學(xué)軟件，其功能十分強(qiáng)大。MATLAB中包含了大量實用的預(yù)定義函數(shù)[23]。其中，這在某種程度上反映神經(jīng)網(wǎng)絡(luò)工具箱中提供了大量的與BP神經(jīng)網(wǎng)絡(luò)相關(guān)的函數(shù)。4.1MATLAB數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理是指神經(jīng)網(wǎng)絡(luò)訓(xùn)練前的預(yù)處理，其中歸一化處理是一種關(guān)鍵手段，為歸一化函數(shù)，minmax()函數(shù)只接受兩個函數(shù)，用于獲取最大值和最小值。其格式為：minmax(min,max)(1)由于輸入數(shù)據(jù)的單位是不同的，有些數(shù)據(jù)可能有特別大的范圍，因此可能會導(dǎo)致神經(jīng)網(wǎng)絡(luò)的緩慢收斂和長時間的訓(xùn)練。(2)輸入數(shù)據(jù)范圍的會有所不同，在這般的框架下這會導(dǎo)致在網(wǎng)絡(luò)訓(xùn)練過程中各自起到的作用不對等，數(shù)據(jù)范圍大的輸入的作用影響會偏大，數(shù)據(jù)范圍小的輸入工作中影響偏小。(3)由于神經(jīng)網(wǎng)絡(luò)輸出層激活函數(shù)的值范圍有限，因此有必要將網(wǎng)絡(luò)訓(xùn)練的目標(biāo)數(shù)據(jù)映射到激活函數(shù)的值范圍。(4)可以提高計算精確度。4.2神經(jīng)網(wǎng)絡(luò)構(gòu)建函數(shù)該函數(shù)用于創(chuàng)建一個前向神經(jīng)網(wǎng)絡(luò)。其調(diào)用格式為：net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPFTF為節(jié)點傳遞函數(shù)，從這些細(xì)節(jié)可以看出包括硬限幅傳遞函數(shù)hardlim、對稱硬限幅傳遞函數(shù)hardlims、線性傳遞函數(shù)purelin、正切S型傳遞函數(shù)tansig、BTF為訓(xùn)練函數(shù)。本次試驗運(yùn)用的函數(shù)為trainlm函數(shù)。BLF為網(wǎng)路學(xué)習(xí)函數(shù)；PF為性能分析函數(shù)；傳遞函數(shù)又稱為激活函數(shù)，必須是連續(xù)可微的。BP網(wǎng)絡(luò)經(jīng)常采用S型的對數(shù)或正切函數(shù)和線性函數(shù)。用于準(zhǔn)備神經(jīng)網(wǎng)絡(luò)。本文在研究方法上的革新體現(xiàn)在對過去工作成果的有效整合，以此來推動對這個主題的深刻理解。通過徹底檢查過去的文獻(xiàn)，辨識出一些未被充分利用的研究契機(jī)和關(guān)鍵點。此舉不僅強(qiáng)化了對現(xiàn)有理論的解讀，而且開啟了新的理論視角和分析架構(gòu)。使用最新的科研工具，實現(xiàn)了對研究對象的多層次、寬范圍的探討，突破了傳統(tǒng)研究的限制，揭示了事物之間的微妙聯(lián)系，并汲取其他領(lǐng)域的精華，為解決實際問題提供了更加多元的解決方案。該傳遞函數(shù)為雙曲正切的函數(shù)，結(jié)合已取得的成果可以推導(dǎo)出結(jié)論性觀點其函數(shù)表達(dá)式為：用于輸入層。它可以把神經(jīng)元的輸入范圍(-∞,+∞)映射到(-1,+1),且它為可導(dǎo)函數(shù)，適用于BP神經(jīng)元。在這種布局下該函數(shù)的調(diào)用格式如下：N為S×Q維的網(wǎng)絡(luò)輸入(列)向量矩陣(趙云飛，陳佳銘，2022);FP為性能參數(shù)(可忽略),返回網(wǎng)絡(luò)輸入向量N的輸出矩陣A。返回A關(guān)于N的導(dǎo)數(shù)dA_dN,這在一定程度上印證了如果A或FP沒有給出或為空矩陣，則FP返回默認(rèn)參數(shù)。該函數(shù)為線性傳遞函數(shù)，其函數(shù)表達(dá)式為(成錦用于輸出層，將神經(jīng)網(wǎng)絡(luò)層的凈輸入轉(zhuǎn)換為凈輸出。其格式為：4.3訓(xùn)練函數(shù)BP神經(jīng)網(wǎng)絡(luò)中使用的訓(xùn)練算法為L-M反向傳播算法，使用的訓(xùn)練函數(shù)為trainlm函數(shù)，trainlm函數(shù)為L-M反向傳播算法的表達(dá)函數(shù)。這在一定意義上透露了對于具有數(shù)百個權(quán)重的函數(shù)逼近網(wǎng)絡(luò)，L-M算法收斂速度最快，平均方差最小。4.4網(wǎng)絡(luò)仿真函數(shù)這在一定程度上體現(xiàn)使用的網(wǎng)絡(luò)仿真函數(shù)為sim函數(shù)，它用于仿真一個神經(jīng)網(wǎng)絡(luò)。net:訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)；P:網(wǎng)絡(luò)的輸入。若P是矩陣，則每一列是一個輸入向量，列數(shù)等于輸入向量的個數(shù)。Pi:網(wǎng)絡(luò)的初始輸入延遲，默認(rèn)值為零。Ai:網(wǎng)絡(luò)的初始層延遲，默認(rèn)值為零。(2)sim函數(shù)的輸出格式為：Y:網(wǎng)絡(luò)對輸入P的實際輸出；Pf:最終輸出延遲；Af:最終的層延遲；E:輸出參數(shù)，表示網(wǎng)絡(luò)的誤差；Pref:表示網(wǎng)絡(luò)的性能(performance)。4.5本章小結(jié)在這種框架下本章著重介紹了構(gòu)建BP神經(jīng)網(wǎng)絡(luò)所要用到的MATLAB函數(shù)，并簡要介紹了他們的語法格式、作用和構(gòu)建網(wǎng)絡(luò)運(yùn)用的順序。蘇州軌道交通線網(wǎng)圖蘇州軌道交通線網(wǎng)圖本文選擇在MATLAB中構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，實驗需要考慮數(shù)據(jù)的選擇和處5.1實驗數(shù)據(jù)的選取本次研究選取的是蘇州地鐵2020年1月~12月的客流數(shù)據(jù)，因為2020年1月~6月為疫情特殊情況，7月~12月為正常情況下的客流數(shù)據(jù)，所以本次預(yù)測分為兩組。一是通過訓(xùn)練1月~5月的客流數(shù)據(jù)，來預(yù)測6月的數(shù)據(jù)，比較預(yù)測值和二是通過訓(xùn)練7月~11月的數(shù)據(jù)，來預(yù)測12月的數(shù)據(jù)，比較預(yù)測值和實際值，得蘇照北蘇照北相道大2濱河路稠涇北路三旺吳路石期造奇直熱(上場廠三香廣場(陳家溝)(島網(wǎng)(商家灣)金屋路(長墻站)6文昌路街蘇州樂良盛環(huán)放3圖5-1蘇州軌道交通線網(wǎng)圖圖5-1是蘇州軌道交通的平面線網(wǎng)圖，由于圖中的5號線為2021年2月開通，而本次試驗數(shù)據(jù)選取的是2020年的客流量，所以本文只代入1~4號線的客流數(shù)據(jù)進(jìn)行試驗及分析。將每天的溫度、是否雨雪天、是否節(jié)假日、1號線客流、2號線客流、3號線客流等變量作為輸入值，即6個變量將4號線的客流值作為輸出預(yù)測值，即1個變量；且乘客乘坐一條地鐵線路的目的大致是固定的，這在某種程度上昭示了所以溫度、雨雪天、節(jié)假日等因素在每條地鐵線路客流的反應(yīng)是相同的，1號線、2號線、3號線受到的以上因素的影響，4號線也會有相關(guān)的反應(yīng)，將1號線、2號線、3號線作為輸入值，更有利于4號線客流值的預(yù)測，使預(yù)測更準(zhǔn)確。該段內(nèi)容的創(chuàng)新點在于其視角的革新，尤其在于對研究對象的深度審視。傳統(tǒng)研究習(xí)慣于聚焦于對象的核心特征和直接聯(lián)系，而本文則深入挖掘了那些不太受關(guān)注的邊緣屬性和隱蔽的聯(lián)系。在研究策略上，本文展示了獨特的方法論視角，創(chuàng)造性地融合了多種學(xué)科的研究方法。在理論層面，通過整合不同理論體系的內(nèi)容，構(gòu)建了一個更為綜合的理論框架。這不僅揭示了以往研究中未發(fā)現(xiàn)的理論空白，也為相關(guān)領(lǐng)域的理論進(jìn)步提供了新的思路，拓寬了理論探索的空間。因為每天的溫度有最高和最低溫度，所以在選取溫度值時，選取一天的平均對是否雨雪天、是否節(jié)假日的因素進(jìn)行量化處理，即是為1、否為0,以0或1作為輸入值。1號線、2號線、3號線的客流值直接作為輸入。5.2BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建步驟合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是進(jìn)行精確預(yù)測的基礎(chǔ)。本文對樣本數(shù)據(jù)處理采用的是三層BP網(wǎng)絡(luò)建模，比起一般的模式識別，這在某種程度上反映三層BP網(wǎng)絡(luò)在快速定位和解決問題方面更有效[32]。一般來說，確定網(wǎng)絡(luò)結(jié)構(gòu)，特別是隱層神經(jīng)元的數(shù)量，都是經(jīng)驗方法，需要不斷嘗試33。設(shè)置輸入神經(jīng)元的個數(shù)為6,設(shè)置輸出神經(jīng)元的個數(shù)為1,設(shè)置隱藏神經(jīng)元的個數(shù)為30。使用global為全局變量的標(biāo)識符，可以讓方法內(nèi)的局部變量全局可用。設(shè)訓(xùn)練集輸入的數(shù)據(jù)為p、訓(xùn)練集輸出的數(shù)據(jù)為t、輸入神經(jīng)元的個數(shù)為R、輸出神經(jīng)元的個數(shù)為S2、隱藏神經(jīng)元為S1、在這般的框架下編碼長度為S。其中，可以通過調(diào)整S1,修改隱藏層的神經(jīng)元個數(shù)來改變預(yù)測值，減少與實際值之間的誤差，隱藏層神經(jīng)元的個數(shù)越多，預(yù)測值越準(zhǔn)確(魏澤安，孫雪倩，2020)。使用maxmin指令，將輸入值量化，轉(zhuǎn)為[0,1]區(qū)間的值。將輸入值組成Excel表，從這些細(xì)節(jié)可以看出命名數(shù)據(jù)集為data1和data2,導(dǎo)入Matlab中構(gòu)建的神經(jīng)網(wǎng)絡(luò)程序中。引用MATLAB函數(shù)指令中的excel表格數(shù)據(jù)的讀取函數(shù)xlsread;data1為2020年上半年的客流數(shù)據(jù)、data2為2020年上半年的客流數(shù)據(jù)；結(jié)合已取得的成果可以推導(dǎo)出結(jié)論性觀點設(shè)置N為訓(xùn)練的組數(shù)，M為預(yù)測的組數(shù)。在網(wǎng)絡(luò)中設(shè)置的訓(xùn)練參數(shù)如下net.trainParam.epochs=net.trainParam.goal=1.net.trainParam.lr=0其中：Show為顯示的中間結(jié)果周期；epochs為所設(shè)置的最大迭代次數(shù)是5000次；Wb61b1goal為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)誤差為1.0e-7;Ir為設(shè)置的學(xué)習(xí)率是0.001。圖5-2MATLAB中構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型如圖5-2所示，輸入神經(jīng)元為6個，隱藏神經(jīng)元為30個，輸出神經(jīng)元為15.3BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果5.3.12020年上半年(疫情期間)預(yù)測用2020年1~5月的數(shù)據(jù)預(yù)測6月蘇州地鐵4號線的客流。(1)訓(xùn)練過程由圖5-3所示，在這種布局下圖為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，在訓(xùn)練次數(shù)為由圖5-4所示，圖為誤差變化曲線，誤差率達(dá)到了預(yù)期，收斂次數(shù)為4617。由圖5-5所示，圖為歸一化曲線，歸一化時輸入數(shù)據(jù)達(dá)到了統(tǒng)一。前述的詳NeuralNetworkTraining(nn□×Training:Levenberg-Mar60PlotsPerformance(ploTrainingState(plottr 圖5-4神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線………Best圖5-5數(shù)據(jù)歸一化曲線圖5-6訓(xùn)練參數(shù)圖5-7蘇州地鐵4號線2020年6月客流預(yù)測結(jié)果Gradient=0.0010419,atepoch10?廠1010廠ValidationChecks=0,atep0(2)仿真結(jié)果5.3.22020年下半年預(yù)測用2020年7~11月的客流值預(yù)測12月的蘇州地鐵4號線客流(1)訓(xùn)練過程由圖5-8所示，圖為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，在訓(xùn)練次數(shù)為5000次時，達(dá)由圖5-9所示，圖為誤差變化曲線，誤差率達(dá)到了預(yù)期，收斂次數(shù)為5000。由圖5-10所示，圖為歸一化曲線，歸一化時輸入數(shù)據(jù)達(dá)到了統(tǒng)一。圖5-8BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程Training:Levenberg-MarquardtGradient:1.29e+0306圖5-9誤差曲線Gradient=0.0020002,at圖5-10歸一曲線圖5-11訓(xùn)練參數(shù)(2)仿真結(jié)果由圖5-12所示，這在一定程度上印證了紅色虛線代表預(yù)測值，藍(lán)色實線代表實際值，兩條線整體趨勢相似，說明預(yù)測結(jié)果有一定的準(zhǔn)確性(陳向陽，張凱文，2019)。圖5-12預(yù)測結(jié)果5.4結(jié)論經(jīng)過2020年上半年、下半年的兩次訓(xùn)練和預(yù)測，可以發(fā)現(xiàn)兩次得出的仿真昕怡，2020)。此外，在訓(xùn)練過程中，為了BP神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定，我所設(shè)置的學(xué)習(xí)率過本章主要內(nèi)容為在MATLAB中構(gòu)建BP神經(jīng)網(wǎng)絡(luò)來訓(xùn)練、預(yù)測客流。包含了實驗數(shù)據(jù)的選取、構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的步驟、訓(xùn)練預(yù)測在當(dāng)今科技高速增長的時代，城市軌道交通大力環(huán)節(jié)。本論文就是基于此環(huán)境背景下的實驗研究，主題是通過使用MATLAB軟件，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，這在一定程度上體現(xiàn)來分析和實現(xiàn)蘇州地鐵4號線(1)通過查閱相關(guān)文獻(xiàn)，闡述并對比了國內(nèi)外城市軌道交通的發(fā)展以及對(2)學(xué)習(xí)了神經(jīng)網(wǎng)絡(luò)的概念及其特性，選取了BP神經(jīng)網(wǎng)絡(luò)作為實驗的神(3)查找了大量的數(shù)據(jù)，因為2020年上半年疫情情況特殊，2020下半年回(4)對Word、MATLAB等軟件更加熟練地操作，完成了本科畢[1]趙云飛，陳佳銘.神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：科學(xué)出版社，2017.[2]成錦程，付雅靜.城市軌道客流預(yù)測方法研究[D].北京交通大學(xué)，2004.[3]付雨向，成羽翔.城市軌道交通短時客流預(yù)測與實證分許研究[D].蘭州交通大學(xué)，2020.[4]許君萱，吳羽航.天津市快速軌道發(fā)展策略研究[D].天津大學(xué)，2010.[5]龔立超，黃星天.基于仿真分析的換乘車站客流疏散安全評估問題研究[D].北京交通大學(xué)，2017.[6]陳翔羽，鄭茜娜等.國外軌道交通發(fā)展對我國城市群軌道交通一體化的啟示[J].交通運(yùn)輸工程與信息學(xué)報，2021,19(01):52-58.[7]何天琪，馬澤羽.中國城市軌道交通2020年數(shù)據(jù)統(tǒng)計與發(fā)展分析[J/OL].隧道建設(shè)(中英文):1-4[2021-04-25]./kcms/detail/44.1745.U.20210416.1749.[8]陳向陽，張凱文.中國軌道交通建設(shè)市場全球發(fā)展最快[N].中國經(jīng)濟(jì)導(dǎo)[9]陳東旭，郭昕怡.城市軌道交通樞紐換乘設(shè)施優(yōu)化研究[D].蘭州交通大學(xué)，2013.[10]成澤洋，朱玉潔.廣州至珠海城際快速軌道交通的客流預(yù)測研究[D].武漢理工大學(xué)，2006.[11]陳靖怡，周麗敏.城市軌道交通客流預(yù)測模型及方法研究[D].西南交通大學(xué)，2008.[12]鄧澤文，黃倩嫻.基于時序分解和LSTM神經(jīng)網(wǎng)絡(luò)的城市軌道交通短時客流預(yù)測[D].北京交通大學(xué)，2020.[13]張奇源，陳博文.基于LSTM模型的新建城軌線路周邊常規(guī)公交客流預(yù)測[D].北京交通大學(xué)，2020.[14]高旭東、段君熙、謝昊和.基于灰色模型的城市軌道交通客流預(yù)測研究[15]張紫薇，趙俊光，陳詩雅等.上海市軌道交通客流預(yù)測理論方法研究[J].城市交通，2009,7(01):13-19.[16]YiruCui,YangLi.AnalysisandComparisonofUrbanRailTransitFlowForecastbasedonMultipleMethods[C].ZhuhaiConferenceonEnergy,EnvironmentandSustainableDevelopment(ICEESD2017).[17]謝天羽，陸雨.軌道交通客流預(yù)測的重要性與準(zhǔn)確性分析[A].武漢市人民政府、中國城市規(guī)劃學(xué)會城市交通規(guī)劃學(xué)術(shù)委員會.城市交通發(fā)展模式轉(zhuǎn)型與創(chuàng)新一—中國城市交通規(guī)劃2011年年會暨第25次學(xué)術(shù)研討會論文集[C].武漢市人民政府、中[18]成昊忠，吳嘉怡.城市軌道交通網(wǎng)絡(luò)脆弱性探究[J].智能建筑與智慧城[19]龔維新，周雨彤.城市軌道交通客流特征與發(fā)展階段關(guān)系研究[A].中國城市規(guī)劃學(xué)會城市交通規(guī)劃學(xué)術(shù)委員會.交通治理與空間重塑——2020年中國城市交通規(guī)劃年會論文集[C].中國城