[33]。5.2.1設(shè)置神經(jīng)元個(gè)數(shù)設(shè)置輸入神經(jīng)元的個(gè)數(shù)為6，設(shè)置輸出神經(jīng)元的個(gè)數(shù)為1，設(shè)置隱藏神經(jīng)元的個(gè)數(shù)為30。使用global為全局變量的標(biāo)識(shí)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(gè)數(shù)為R、輸出神經(jīng)元的個(gè)數(shù)為S2、隱藏神經(jīng)元為S1、在此可以看出編碼長(zhǎng)度為S。其中，可以通過(guò)調(diào)整S1，修改隱藏層的神經(jīng)元個(gè)數(shù)來(lái)改變預(yù)測(cè)值，減少與實(shí)際值之間的誤差，隱藏層神經(jīng)元的個(gè)數(shù)越多，預(yù)測(cè)值越準(zhǔn)確（邱駿馳，馬錦程，2021）。5.2.2數(shù)據(jù)預(yù)處理使用maxmin指令，將輸入值量化，轉(zhuǎn)為[0,1]區(qū)間的值。5.2.3導(dǎo)入數(shù)據(jù)將輸入值組成Excel表，鑒于本文的研究環(huán)境我們考慮了這種情況的發(fā)生命名數(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)；基于以上證據(jù)設(shè)置N為訓(xùn)練的組數(shù)，M為預(yù)測(cè)的組數(shù)。5.2.4設(shè)置訓(xùn)練參數(shù)在網(wǎng)絡(luò)中設(shè)置的訓(xùn)練參數(shù)如下net.trainParam.show=82;net.trainParam.epochs=5000;net.trainParam.goal=1.0e-7;net.trainParam.lr=0.001;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；goal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(gè)，隱藏神經(jīng)元為30個(gè)，輸出神經(jīng)元為1個(gè)。5.3BP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(cè)用2020年1~5月的數(shù)據(jù)預(yù)測(cè)6月蘇州地鐵4號(hào)線的客流。（1）訓(xùn)練過(guò)程由圖5-3所示，依前述分析判斷圖為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，在訓(xùn)練次數(shù)為4167次時(shí)，誤差值達(dá)到最小，BP模型停止訓(xùn)練（張子凡，劉一鳴，2019）。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(shí)輸入數(shù)據(jù)達(dá)到了統(tǒng)一。本文的框架模型建立在現(xiàn)有理論基礎(chǔ)之上，無(wú)論是在信息流動(dòng)還是數(shù)據(jù)分析方法上，都體現(xiàn)了對(duì)前人研究成果的尊重與繼承，并在此基礎(chǔ)上進(jìn)行了創(chuàng)新與發(fā)展。首先，在信息流動(dòng)的設(shè)計(jì)方面，本文借鑒了經(jīng)典的信息處理理論，確保信息從采集、傳輸?shù)椒治龅拿恳粋€(gè)環(huán)節(jié)都能夠高效且準(zhǔn)確地進(jìn)行。通過(guò)對(duì)數(shù)據(jù)來(lái)源的嚴(yán)格篩選和標(biāo)準(zhǔn)化處理流程，使得信息的質(zhì)量得到了有效保障，從而也能夠更好地注重信息流動(dòng)的透明度與可追溯性。由圖5-6所示，圖為訓(xùn)練參數(shù)，mu參數(shù)為學(xué)習(xí)率，epoch為實(shí)際訓(xùn)練次數(shù)。圖5-3BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程圖5-4神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線圖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(hào)線2020年6月客流預(yù)測(cè)結(jié)果（2）仿真結(jié)果由圖5-7所示，紅色虛線代表預(yù)測(cè)值，藍(lán)色實(shí)線代表實(shí)際值，兩條線整體趨勢(shì)相似，說(shuō)明預(yù)測(cè)結(jié)果有一定的準(zhǔn)確性（吳宇軒，徐豪，2018）。5.3.22020年下半年預(yù)測(cè)用2020年7~11月的客流值預(yù)測(cè)12月的蘇州地鐵4號(hào)線客流（1）訓(xùn)練過(guò)程由圖5-8所示，圖為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，在訓(xùn)練次數(shù)為5000次時(shí)，達(dá)到了最大迭代次數(shù)，BP模型停止訓(xùn)練。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(shí)輸入數(shù)據(jù)達(dá)到了統(tǒng)一。由圖5-11所示，圖為訓(xùn)練參數(shù)，mu參數(shù)為學(xué)習(xí)率，epoch為實(shí)際訓(xùn)練次數(shù)。圖5-8BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程圖5-9誤差曲線圖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，在時(shí)代潮流推動(dòng)下紅色虛線代表預(yù)測(cè)值，藍(lán)色實(shí)線代表實(shí)際值，兩條線整體趨勢(shì)相似，說(shuō)明預(yù)測(cè)結(jié)果有一定的準(zhǔn)確性(吳怡霏,趙云時(shí),2020)。圖5-12預(yù)測(cè)結(jié)果5.4結(jié)論經(jīng)過(guò)2020年上半年、下半年的兩次訓(xùn)練和預(yù)測(cè)，可以發(fā)現(xiàn)兩次得出的仿真圖中，預(yù)測(cè)值和實(shí)際值呈現(xiàn)出的折線趨勢(shì)大致相同，基本完成了蘇州軌道交通客流預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。但是由于BP神經(jīng)網(wǎng)絡(luò)的局限性、現(xiàn)實(shí)客流的不確定性、影響客流量因素的多樣性等，預(yù)測(cè)值和客流值還是存在著一定的誤差(胡澤揚(yáng),付羽辰,2019)。此外，在訓(xùn)練過(guò)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(guò)高、訓(xùn)練迭代次數(shù)過(guò)多，鑒于當(dāng)前背景導(dǎo)致了訓(xùn)練時(shí)間過(guò)長(zhǎng)，仿真結(jié)果較慢，這增加了樣本訓(xùn)練的繁瑣性。這些都是我還需要學(xué)習(xí)和解決的問(wèn)題。5.5本章小結(jié)本章主要內(nèi)容為在MATLAB中構(gòu)建BP神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練、預(yù)測(cè)客流。包含了實(shí)驗(yàn)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(cè)的結(jié)果。實(shí)現(xiàn)了用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)城市軌道交通客流預(yù)測(cè)的一系列流程，也通過(guò)觀察神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程和仿真結(jié)果，分析了本實(shí)驗(yàn)存在的問(wèn)題(郭志光,陳萱,2019)。

6.總結(jié)在當(dāng)今科技高速增長(zhǎng)的時(shí)代，城市軌道交通大力發(fā)展，方便了大家的出行。也改變了一定的出行方式，加上“綠色出行”成了流行的話題，越來(lái)越多的人會(huì)選擇地鐵作為出行工具，在這樣的環(huán)境背景下，對(duì)城市軌道交通的客流預(yù)測(cè)就顯得尤為重要，這決定了交通規(guī)劃的大方向，在城市軌道交通規(guī)劃設(shè)計(jì)中是關(guān)鍵的環(huán)節(jié)。本論文就是基于此環(huán)境背景下的實(shí)驗(yàn)研究，主題是通過(guò)使用MATLAB軟件，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，據(jù)此可判斷其優(yōu)劣來(lái)分析和實(shí)現(xiàn)蘇州地鐵4號(hào)線的客流預(yù)報(bào)。本文完成了以下基本內(nèi)容：通過(guò)查閱相關(guān)文獻(xiàn)，闡述并對(duì)比了國(guó)內(nèi)外城市軌道交通的發(fā)展以及對(duì)軌道交通客流預(yù)測(cè)研究成果，了解了城市軌道交通在城市發(fā)展過(guò)程里的重要性，繼而了解了城市軌道交通客流預(yù)測(cè)的必要性。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(shí)驗(yàn)的神經(jīng)網(wǎng)絡(luò)模型，學(xué)會(huì)了在MATLAB中構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的步驟及相應(yīng)的函數(shù)作用。查找了大量的數(shù)據(jù)，因?yàn)?020年上半年疫情情況特殊，2020下半年回歸正常，兩個(gè)半年具有情況不同，分別對(duì)上半年和下半年做了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及預(yù)測(cè)，即考慮到了特殊情況，也證明了所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定和準(zhǔn)確。對(duì)Word、MATLAB等軟件更加熟練地操作，完成了本科畢業(yè)論文所要求的相應(yīng)格式。

參考文獻(xiàn)趙志杰，陳秀蘭.神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:科學(xué)出版社,2017.趙志偉，羅曉燕.城市軌道客流預(yù)測(cè)方法研究[D].北京交通大學(xué),2004.韋俊熙，戴嘉豪.城市軌道交通短時(shí)客流預(yù)測(cè)與實(shí)證分許研究[D].蘭州交通大學(xué),2020.江宇辰，賴博文.天津市快速軌道發(fā)展策略研究[D].天津大學(xué),2010.張煜博，黃曉瀾.基于仿真分析的換乘車站客流疏散安全評(píng)估問(wèn)題研究[D].北京交通大學(xué),2017.張子凡，劉一鳴等.國(guó)外軌道交通發(fā)展對(duì)我國(guó)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(bào),2021,19(01):52-58.吳宇軒，徐豪.中國(guó)城市軌道交通2020年數(shù)據(jù)統(tǒng)計(jì)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.20210416.1749.004.html.吳怡霏,趙云時(shí).中國(guó)軌道交通建設(shè)市場(chǎng)全球發(fā)展最快[N].中國(guó)經(jīng)濟(jì)導(dǎo)報(bào),2011-05-21(E01).胡澤揚(yáng),付羽辰.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.郭志光,陳萱.廣州至珠海城際快速軌道交通的客流預(yù)測(cè)研究[D].武漢理工大學(xué),2006.戈子騫，奚夢(mèng)嵐.城市軌道交通客流預(yù)測(cè)模型及方法研究[D].西南交通大學(xué),2008.陳書天,成澤和.基于時(shí)序分解和LSTM神經(jīng)網(wǎng)絡(luò)的城市軌道交通短時(shí)客流預(yù)測(cè)[D].北京交通大學(xué),2020.鄧澤和,鄒雯萱.基于LSTM模型的新建城軌線路周邊常規(guī)公交客流預(yù)測(cè)[D].北京交通大學(xué),2020.陳昊羽，陳嘉琪，周向陽(yáng).基于灰色模型的城市軌道交通客流預(yù)測(cè)研究[D].天津大學(xué),2016.李澤洋，吳思琪等.上海市軌道交通客流預(yù)測(cè)理論方法研究[J].城市交通,2009,7(01):13-19.YiruCui,YangLi.AnalysisandComparisonofUrbanRailTransitPassengerFlowForecastbasedonMultipleMethods[C].Zhuhai,China,2017:6thInternationalConferenceonEnergy,EnvironmentandSustainableDevelopment(ICEESD2017).林曉紅，謝思遠(yuǎn).軌道交通客流預(yù)測(cè)的重要性與準(zhǔn)確性分析[A].武漢市人民政府、中國(guó)城市規(guī)劃學(xué)會(huì)城市交通規(guī)劃學(xué)術(shù)委員會(huì).城市交通發(fā)展模式轉(zhuǎn)型與創(chuàng)新——中國(guó)城市交通規(guī)劃2011年年會(huì)暨第25次學(xué)術(shù)研討會(huì)論文集[C].武漢市人民政府、中國(guó)城市規(guī)劃學(xué)會(huì)城市交通規(guī)劃學(xué)術(shù)委員會(huì):中國(guó)城市規(guī)劃學(xué)會(huì),2014:9.張哲瀚,劉雨桐.城市軌道交通網(wǎng)絡(luò)脆弱性探究[J].智能建筑與智慧城市,2021(03):140-141.鄭梓萱，黃雅琳.城市軌道交通客流特征與發(fā)展階段關(guān)系研究[A].中國(guó)城市規(guī)劃學(xué)會(huì)城市交通規(guī)劃學(xué)術(shù)委員會(huì).交通治理與空間重塑——2020年中國(guó)城市交通規(guī)劃年會(huì)論文集[C].中國(guó)城市規(guī)劃學(xué)會(huì)城市交通規(guī)劃學(xué)術(shù)委員會(huì):中國(guó)城市規(guī)劃設(shè)計(jì)研究院城市交通專業(yè)研究院,2020:12.何靜怡,陳明澤.天氣因素對(duì)軌道交通客流的影響[A].中國(guó)城市規(guī)劃學(xué)會(huì)城市交通規(guī)劃學(xué)術(shù)委員會(huì).2017年中國(guó)城市交通規(guī)劃年會(huì)論文集[C].中國(guó)城市規(guī)劃學(xué)會(huì)城市交通規(guī)劃學(xué)術(shù)委員會(huì):中國(guó)城市規(guī)劃設(shè)計(jì)研究院城市交通專業(yè)研究院,2017:14.何文凱,王詩(shī)瑤.基于新冠疫情下的城市軌道交通客流監(jiān)控研究[J].中國(guó)信息化,2020(11):45-47.武松柏,施娜娜.神經(jīng)計(jì)算原理及其應(yīng)用技術(shù)[M].北京:科學(xué)出版社,2012.余志杰,王夢(mèng)瑤.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例講解[M].北京:清華大學(xué)出版社,2013.劉俊杰,王冰冰.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京:清華大學(xué)出版社,2013.羅杰,蘇兵,翟樂(lè)育.基于BP神經(jīng)網(wǎng)絡(luò)的空中無(wú)人通信平臺(tái)作戰(zhàn)效能評(píng)估[J/OL].指揮控制與仿真:1-5[2021-04-18]./kcms/detail/32.1759.TJ.20210416.0933.002.侯晨煜,孫暉,周藝芳,曹斌,范菁.基于神經(jīng)網(wǎng)絡(luò)的地鐵短時(shí)客流預(yù)測(cè)服務(wù)[J].小型微型計(jì)算機(jī)系統(tǒng),2019,40(01):226-231.YongWangandHuiChengandShuangLi.Passengerflowforecastmodelforintercityhighspeedrailway-Aneuralnetwork-basedanalysis[J].JournalofInetrdisciplinaryMathematics,2018,21(4):897-906[2018-07-18].https://(余志杰,王夢(mèng)瑤,2021)./loi/tjim20.HolmstromL.,KoistinenP.UsingAdditiveNoiseinBack-PropagationTraining[J].I（張煜博，黃曉瀾，2023）transactionsonneuralnetworks,1992,3(1):24-38.VanO.,NienhuisB.Improvingtheconvergenceoftheback-propagationalgorithm[J].NeuralNetworks,1992,5(3):465-471.HuangCL,HsuTS,LiuCM.Modelingadynamicdesign鄭梓萱，黃雅琳temusingtheMahala-nobisTaguchi鄭梓萱，黃雅琳tem—twostepsoptimalbasedneuralnetwork[J].JournalofStatisticsandManagement鄭梓萱，黃雅琳tems,2010,13(3):675-688.KitanoH.Designingneuralnetworksusinggeneticalgorithmswithgraphgeneration鄭梓萱，黃雅琳tem[J].Complex鄭梓萱，黃雅琳temsJournal,1990,4:461–476.包志家,李奇.基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J].信息與電腦(理論版),2021,33(02):181-183.QianLietal.PredictionofUrbanRailTransitSectionalPassengerFlowBasedonElmanNeuralNetwork[J].AppliedMechanicsandMaterials,2014,2973:1023-1027[2014-04-28].https://(余志杰,王夢(mèng)瑤,2021)./AMM.505-506.1023.馬勝艷.新時(shí)期城市軌道交通發(fā)展方向探究[J].居舍,2021(08):1-21.結(jié)論學(xué)術(shù)探索的感恩與銘記瞬間，在追求學(xué)術(shù)的道路上，我深刻感受到了知識(shí)的力量與學(xué)術(shù)研究的艱辛。感謝我的導(dǎo)師，您的智慧之光引領(lǐng)我穿越學(xué)術(shù)的迷霧，讓我學(xué)會(huì)了如何獨(dú)立思考。同時(shí)，也感謝那些在我遇到困難時(shí)伸出援手的同學(xué)們，你們的陪伴與鼓勵(lì)成為了我心中永恒的瞬間，激勵(lì)我不斷前行。

附錄訓(xùn)練蘇州地鐵4號(hào)線2020年1~5月份客流量，并預(yù)測(cè)蘇州地鐵4號(hào)線2020年6月份客流量的MATLAB神經(jīng)網(wǎng)絡(luò)程序如下：%%清除環(huán)境變量clearallclc%%聲明全局變量globalp%訓(xùn)練集輸入數(shù)據(jù)globalt%訓(xùn)練集輸出數(shù)據(jù)globalR%輸入神經(jīng)元個(gè)數(shù)globalS2%輸出神經(jīng)元個(gè)數(shù)globalS1%隱層神經(jīng)元個(gè)數(shù)globalS%編碼長(zhǎng)度S1=30;%%導(dǎo)入數(shù)據(jù)dataSet=xlsread(’data1.xlsx’);data=dataSet(;,1:7);N=152;M=27;%賦值給輸入t和輸出p；%p為輸出值%%%1.訓(xùn)練數(shù)據(jù)P_train=data(1:N,1:6)’;%T_train=data(1:N,p+1:p+t)’;T_train=data(1:N,7)’;%%%2.測(cè)試數(shù)據(jù)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神經(jīng)網(wǎng)絡(luò)%%%1.網(wǎng)絡(luò)構(gòu)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.設(shè)置訓(xùn)練參數(shù)net.trainParam.show=82;net.trainParam.epochs=5000;net.trainParam.goal=1.0e-7;net.trainParam.lr=0.001;%%%3.網(wǎng)絡(luò)訓(xùn)練[net,tr]=train(net,P_train,T_train);%%%4.仿真測(cè)試s_bp=sim(net,P_test);%BP神經(jīng)網(wǎng)絡(luò)的仿真結(jié)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*-’);訓(xùn)練蘇州地鐵4號(hào)線2020年7~11月份客流量，并預(yù)測(cè)蘇州地鐵4號(hào)線2020年12月份客流量的MATLAB神經(jīng)網(wǎng)絡(luò)程序如下：%%清除環(huán)境變量clearallclc%%聲明全局變量globalp%訓(xùn)練集輸入數(shù)據(jù)globalt%訓(xùn)練集輸出數(shù)據(jù)globalR%輸入神經(jīng)元個(gè)數(shù)globalS2%輸出神經(jīng)元個(gè)數(shù)globalS1%隱層神經(jīng)元個(gè)數(shù)globalS%