1、通車站分時(shí)客流的歷史數(shù)據(jù)為基礎(chǔ)，利用Pearson數(shù)據(jù)并進(jìn)行客的顯得尤為重要1方法進(jìn)行大量的研究。文獻(xiàn)2通車站分時(shí)客流的歷史數(shù)據(jù)為基礎(chǔ)，利用Pearson數(shù)據(jù)并進(jìn)行客的顯得尤為重要1方法進(jìn)行大量的研究。文獻(xiàn)2際客流的擬合程度較差。常剛3流沒有適用性。Chen 等人4Hilbert-HuangTransformHHT流的歷史數(shù)據(jù)為基礎(chǔ)，利用Pearson。1 1.1 軌道交通客流分布的影流的歷史數(shù)據(jù)為基礎(chǔ)，利用Pearson。1 1.1 軌道交通客流分布的影1.2 軌道交通分時(shí)客流特人交通二號線的三元里站的客流如1所示01 （1.2 軌道交通分時(shí)客流特人交通二號線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生模輸結(jié)確時(shí)，（3）早2 模型2所示2 Elman生模輸結(jié)確時(shí)Elman網(wǎng)絡(luò)輸入并2.1 成網(wǎng)條件下的客流時(shí)空相關(guān)性分在確定Elman 常見的相關(guān)系數(shù)有 Pearson 相關(guān)系數(shù)(積差相關(guān)系數(shù))、Gamma Kendalls Tau-b 相關(guān)系數(shù)、Spearman Pearson 相關(guān)系數(shù)Pearson x2.1 成網(wǎng)條件下的客流時(shí)空相關(guān)性分在確定Elman 常見的相關(guān)系數(shù)有 Pearson 相關(guān)系數(shù)(積差相關(guān)系數(shù))、Gamma Kendal

3、ls Tau-b 相關(guān)系數(shù)、Spearman Pearson 相關(guān)系數(shù)Pearson xi之間的線性相關(guān)程度的強(qiáng)弱。它通過下面的公式計(jì)算Nxiyixir Nx2(xi)2Ny2 (ii1或-1，相關(guān)度越0，相關(guān)度越弱。3 201423Pearson客流相關(guān)性及周間客流相關(guān)性，得到相關(guān)性系數(shù)分別如下表所示了4 通過獲取其它車站的客流向量，分析向量之間的Pearson相關(guān)系數(shù)，得到車5 所示。201423Pearson客流相關(guān)性及周間客流相關(guān)性，得到相關(guān)性系數(shù)分別如下表所示了4 通過獲取其它車站的客流向量，分析向量之間的Pearson相關(guān)系數(shù)，得到車5 所示。二時(shí)間一時(shí)間5 11 2.2Elman

4、Elman BP BP Pearson5 11 2.2ElmanElman BP BP Pearson相關(guān)承接層輸出為承接層輸出為輸入為u(k-輸入單輸出單6 Elman假設(shè)u(k)為Elman網(wǎng)絡(luò)輸入值，x(k)為隱含層的輸出值，xc(k)為承接層的輸出值，那么Elman 神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)表達(dá)為：x(k) = f(W1xc(k) + W2(u(k xc(k) = x(k y(k) = W1、W2、W分別為承接層神經(jīng)單元到隱含層神經(jīng)單元的連接權(quán)重矩f()為隱含層神經(jīng)單元的傳遞函數(shù)；函數(shù)g()輸出層神經(jīng)單元的傳遞函數(shù)，是隱含層的線性組合。對于 Elmn 藏層節(jié)點(diǎn)數(shù)本文采用如下式來確定，h = in

5、out0 10)hin、out 曲正切S 形函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)采用線性函數(shù)3 3.1 實(shí)驗(yàn)數(shù)據(jù)與評價(jià)標(biāo)到35 201422320143曲正切S 形函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)采用線性函數(shù)3 3.1 實(shí)驗(yàn)數(shù)據(jù)與評價(jià)標(biāo)到35 2014223201436誤差(MSE)這種公認(rèn)的標(biāo)準(zhǔn)評價(jià)方法對本文的算法進(jìn)行評價(jià)6n12MSE= n(xi i)1,2,n3.2 299 組樣本作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，余下的 80 組樣本作為測試集。同時(shí)，為了Elman 77 8Elman 神經(jīng)網(wǎng)絡(luò).88 通過觀察與分析，采用時(shí)空相關(guān)性的Elman流時(shí)7 8Elman 神經(jīng)網(wǎng)絡(luò).88 通過觀察與分析，采用時(shí)空相關(guān)性的Elman流時(shí)的30%2 MSE僅考慮時(shí)間相關(guān)性的Elman神經(jīng)網(wǎng)結(jié)考慮時(shí)空相關(guān)性的Elman神經(jīng)網(wǎng)結(jié)4 .，.模型3模型4ChenMC,WeiY.Exploring4 .，.模型3模型4ChenMC,WeiY.Exploringtimevariantsforshort-termpassengerflow J.Journal of Transport Geograph.20