1基于BP神經網絡的軌道交通客流預測與仿真神經網絡技術是20世紀末迅速發展起來的高新技術，其具有良好的非線性本論文旨在運用MATLAB軟件構建BP神經網絡模型。本實驗選取蘇州地下半年兩部分，對蘇州地鐵4號線的客流值進行兩組的訓練和預測，運用BP神經網絡輸出客流的預測值，并通過實際值和預測值的比較，來驗證BP神經網絡該論文有圖21幅，參考文獻34篇。關鍵詞：城市軌道交通客流預測客流分析神經網絡MATLAB仿真 1目錄 1圖清單 41.1課題研究的背景與意義 41.2國內外軌道交通發展狀況 51.3國內外客流預測研究狀況 821.4本文主要內容概括 2.城市軌道交通客流預測特征分析與研究 2.1城市軌道交通客流預測必要性分析 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 3.1神經網絡的特點 3.2神經元 3.3神經網絡模型概述 3.4BP神經網絡 3.5本章小結 4.1MATLAB數據預處理 4.2神經網絡構建函數 244.3訓練函數 264.4網絡仿真函數 4.5本章小結 26 5.1實驗數據的選取 5.2BP神經網絡的構建步驟 35.3BP神經網絡仿真結果 305.4結論 364在城市人口持續增多、城市軌道交通復合越來越大的現在，不僅有城市軌道交通的基礎設施的極力發展，基于城市軌道交通的客流預測也是至關重要的環節。根據城市發展和交通情況預測客流有著極大的研究意義。近年來，隨著我國城市化進程的不斷發加快，全民經濟也健康發展、快速增長，城市之間人口流動的頻率日益加大，現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、城市擴展、人員和物資頻繁交流等問題。城市的擴張，經常的人員流動和人員交流給城市交通的發展和進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境污染也越來越受到城市居民的持續關注，環境問題越來越受到人們的重視，環保成了每個市民應該秉持的理念。正因如此，城市公共交通系統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，如何加強道路交通承載能力呢?如果通過擴大和增加地面道路機動車車道，結合已取得的成果可以推導出結論性觀點目前的條件是非常有限的，并不能在短期內解決交通堵塞的問題。然而，我們可以鼓勵城市居民根據低碳環境保護的趨勢，選擇盡可能多的城市公共交通系統我們可以提高城市居民出行效率，大力發展城市公共交通設施，根據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中占有獨特的中心地位，具有許多其發展軌道交通，要進化相關硬件設施、要對線路排列規劃更加科學，所有這些都是基于對未來客流的適當分析。我國人口多、城市相對較少、城市人口密度高。我國城市的快速發展帶來方便快捷生活的同時，也導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成為21世紀我國城市基礎設施和城市交通的主要形式，是51.1.2研究意義班次，開展客運組織和高效客流疏導，根據乘客個性化1.2.1國外軌道交通發展狀況統計顯示，全球已有40多個國家建設地鐵，全球127個城市建設地鐵。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。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量約為300萬人次，年客運量約為100萬人次。倫敦的公共交通網700多條不同的路線上運送大約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達國家還是發展中國家，都是極其受到重視的，它便利了人們的生活，增進了人們之間的交流，也促進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展經驗，他們在發展中遇到的許多問題和對應的解決方案值得我國學習，對我國軌道交通發展具有極大的啟示和借鑒意義6。近年來，中國城市鐵路運輸發展迅速，極大地滿足了人們的出行需求。它在優化城市結構、緩解城市交通擁堵、促進經濟社會發展方面發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，創歷史新高(陳靖怡，周麗敏，2019)7。從城市鐵路運輸的規劃和結構來看，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，城市鐵路運輸的發展具有廣闊的發展空間。同經濟發展和推進全國城市群規劃和建設、區域發展不平衡問題將得到改善，越來越多的城市加入二級經濟發達城市軌道交通施工隊伍和區域布局城市軌道交通建設步伐加快。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，給城市發展和人民生活帶來極大便利!在城市軌道交通飛速發展的時代，客流預測在城市軌道交通的設計和運營中起著巨大的主導作用。根據智研咨詢發布的《2020-2026中國軌道交通裝備產業市場運行模式及發展前景報告》數據，地鐵是我國城市軌道交通最重要的組成部分。截至2018年底，中國內地已開通城市軌道交通，包括地鐵、輕軌、單軌、城市快軌、現代有軌電車、磁懸浮、APM等。其中，從這些細節可以看出地鐵線路長度4354公里，占76%,占絕對優勢；其次是城市快速軌道交通(占11%)、現代有軌電車(占6%)等城市軌道交通系統(高旭東、段君熙、謝昊和，2023)。本研究所得出的結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性，理論框架是合理的。經過詳細的分析和多維度的檢驗，不僅驗證了原初假設的準確性，還進一步充實了該領域的理論內容。研究結果為實踐活動提供了指導，通過深入探討關鍵問題，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的可持續發展至關重要。同時，這也突顯了將理論應用于實踐的重要性，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，城市軌道交通發展潛力巨大，地鐵遠期規劃2.7萬公里。截止2020年底，據統計，我國有57個城市在建線路總規模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，南京擁有了在運營的地鐵線路10條，日均客流量350萬；蘇州地鐵在運營的4條，運營里程達到166公里，在建的5條線路里程預計達到186公里。地鐵已經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、珠江三角地區城市在未來軌道交通營業里程會持續快速增長，結合已取得的成果可以推導出結論性觀點在我國城市軌道交通發展中占大額。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批準，還有許多其他城市也有擬定城軌建設的相關計劃(成昊忠，吳嘉怡，2017)。從長遠來看，北上廣深等城市的城市軌道交通將繼續走在前列。城市軌道交通不再僅僅集中在地鐵的發展上，隨著科技的進步，城市輕軌也加入了城市軌道交通發展的大家庭。這在一定程度上印證了不同類型的軌道交通并肩發展，我國軌道交通發展呈現出多樣化的趨勢，發展過程中也開始注重綠色環保的軌道交通建設8。如今，依傍科學技術發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”。智慧城軌技術的核心點在于共享數據并將它們運用在多方面，倡導將“互聯網”和“軌道交通”相結合的技術理念，運用物聯網云計算、共享數據等新興技術在城市軌道交通上，推動城軌的智能運行，以使城軌發展更加智能化、安全化，“智慧城軌系統”在便民、便行、便經濟等方面做出了極大貢獻(龔維新，周雨彤，2023)。當然，隨著城市軌道交通技術創新加快和大力發展，我們也要做到積極跟上國家發展城市的腳步，在這種框架下堅持“以人為本”的宗旨，把“安全第一”放在建設的首位，把建設綠色生態型城市軌道交通、實現智慧高效運維當成戰略目標[7。相信我國城市軌道交通會變得更加綠色、智慧、便利、高效。目前國內外在規劃和建設城市軌道交通的客流預測工作中，一般采用的是“四階段”法，這個預測客流的方法分為四個環節：從產生出行的源頭分析預測、從出行的分布分析預測、從出行選擇的交通方式分析預測、從出行的交通量分配分析預測客流[2。運用該法進行客流預測時，首先要將所研究預測的對象分為幾9個交通集，根據該城市的人口、居民就業分布、土地占用比例、城市經濟圈等條件，進行居民出行生成預測、出行方式劃分、出行分布預測和交通分配預測，來城市軌道交通線網影響因素非常復雜，國外比較成熟的是四階段預測法，即出行生成預測、出行分布預測、方式劃分預測、路網分配。出行生成模型旨在預測全部出行量和吸引量，即對一個社區進出的總交通流做出預測。20世紀50年代初，從這些要求可以看出來出行生成預測模型主要基于家庭或社區的增長率。在20世紀60年代末之前，美國人使用了線性擬測模型。20世紀60年代后期，英國提出了一項分類模型法，預測方法得到了改進，這種方法美國人稱為交叉分類法。該方法一直是國外進行出行生成預測的主要方法(高奇維，賴雨晴，2021)。為了提高研究結果的可信度，本研究在各個關鍵環節采取了嚴格的質量控制措施。在研究設計階段，本文構建了一個結構化的研究計劃，確保研究目標的明確性和假設的合理性。數據收集時，本文采用了多種數據源，增加了數據的豐富性和驗證可能性，同時通過標準化流程減少數據采集中的主觀偏差。數據分析過程中，本文綜合運用了定量與定性分析方法，全面剖析數據，以評估研究結果對關鍵變量變化的穩定性。出行分布預測模型中最典型的是重力模型和增長系數法，1965年，Furness提出了著名的增長系數法，1955年，Casey最早提出重力模型并分析某一地區內部小區間的購物出行，這在某種程度上反映該模型根據出行產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提出了介入機會模型，1959年，Schncider將該模型加以改進并沿用至今方式劃分預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率曲線法，非集聚模型以效用最大化理論為基礎，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的方法相比有明顯而嚴重的缺陷，八提出了離散選擇模型，根據所采用的概率分布函數不同，又分為Logit模型族和Probit模型族，在這般的框架下其中多元Logit模型至今被廣泛應用(成倩玉，陳容量限制配流均是以全有全無方法為基礎的，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原理用數學語言表述出，但直到1982年，Floria和Femandez才提出了該模型的算法，基于國外和國內的環境、體制等的不同，國外的預測方法在我國不一定適用。所以，針對國外的客流預測方法，我們可以學習其思想，根據國內的實際情況，有效地進行客流預測。我國對城市軌道交通客流的預測，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測的研究中，運用時間空間的數據之間的關系性質，從神經網絡技術和統計學的角度分析，融合了數據和方法，利用計算機技術，以ARIMA模型建立了整條軌道線路的客流預測模型，并通過線性回歸來處理模型所得出的預測結果，從這些細節可以看出來得到公共交通客流預測結果12。2011年，LingHuang,PeiqunLin等人建立了三層BP神經網絡的城市交通擁堵的客流預測模型，嘗試結合神經網絡，用模糊邏輯判斷交通網的實時客流121。2013年，楊琦、楊云峰等人運用了灰色模型和馬爾科夫模型的方法對公共客流量進行預測，其中，灰色模型用于分析客流量，結合已取得的成果可以推導出結論性觀點馬爾科夫模型用于修正預測值[131。2019年，因為軌道交通客流的多邊性和隨時性會導致預測的不準，陳深進、薛洋運用基于改進卷積神經網絡模型來進行短時客流的預測，有效地優化了在公共交通客流預測時獲得的數鑒于我國城市軌道交通的實際運行情況，可以發現，在設計規劃城市軌道交通時期的客流預測與城市軌道交通正式投入運行時期的實際客流極不符合。當有的預測值大于實際客流值，在這種布局下會造成運營成本浪費、運營虧損；而有的實際客流值大于預測值，這會造成軌道交通運營期間過于擁擠，長此以往會造成安全隱患14]。總之，合理地客流預測可以提高在建設成本、運營成本、乘客體驗等多方面的城市軌道交通質量，客流預測的研究任重道遠。1.4本文主要內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，分為兩組數據(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BP神經網絡模型，對它們分別進行訓練和預測，得出仿真對比圖，以此完成城市軌道交通的神經網絡分析和實現。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，國內外成熟軌道交通發展的現狀和國內外對客流預測的研究現狀。第二章為城市軌道交通客流預測的特征分析。介紹了什么是客流和客流預測的必要性，分析了影響客流量的幾個因素，介紹了幾個調查客流的方法，并分析了可能造成客流預測誤差的幾個因素。第三章為神經網絡的相關介紹說明。學習了人工神經網絡的性質和種類，分析了神經網絡的優點，選取了BP神經網絡為研究模型。第四章為MATLAB軟件中構建神經網絡所用到的函數指令。分析了在構建神經網絡程序過程中需要用到的函數和軟件步驟。第五章為BP神經網絡在MATLAB中的客流預測仿真步驟及結果。先是訓練的數據集，然后進行仿真，得出了實際值和預測值的對比圖，驗證神經網絡結構的準確性和穩定性。第六章為總結與展望。結合中題，闡述了本文大致內容，總結了本文的中心點，并指出并反思了本論文存在的缺點，表達了自己對此研究未來發展的看法。在與城市軌道交通的規劃、設計、建設、運行等有關的一系列流程中，發展什么樣的城市軌道交通、怎樣發展城市軌道交通是值得著重考慮的問題，此時，客流量便是發展規劃城軌的基本依據。客流預測是在衡量軌道交通建設水準、運營成本和收益比例、城市軌道交通社會貢獻率的必需依據，其在分析規劃城市交通網、建設軌道交通的規模、評價城軌建設水平、研究線路可行性和策劃運營管理等方面發揮著重要作用15]。這在一定程度上印證了客流預測是城市軌道交通運營管理的重要組成部分，準確有效的客流預測可以實現高效運營管理、保證運客流預測是指對未來客運交通需求量的預測，是設計布局城軌新建線路、基礎設施建設、車輛購置、人員配置和運營管理的重要依據。客流預測時會綜合考慮社會的經濟和發展、交通設施建設等相關因素，分析并測算出某一運輸方式的流量預測是城市交通客流預測的一部分，其預測原則與城市客運需求預測一致2.2城市軌道交通客流影響因素分析獻(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，地鐵客流達到53萬人，這是一個歷史性的突破。即使是工作日，免費乘車的地鐵客流仍維持在24萬人次左右，遠遠高于免費措施前的日均18萬人次。由客乘坐地鐵出行[191。目前，城市居民對環境、便捷和健康等的關注度上升。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在好壞天氣空氣質量、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，當空氣質量差的時候，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。隨著線網的不斷擴大和運營里程的增加，乘客對地鐵的依賴性日益增強。特別是在節假日期間，乘坐地鐵的乘客數量大幅增加，這給地鐵站的客流管理帶來了挑戰。節假日期間，從這些要求可以看出來客流量會呈現洪水猛獸式暴增，在此情況下，疏解擁堵和保證乘客安全是首要關鍵。2020年1月，我國爆發新型冠狀病毒肺炎，國民經濟生產活動處于停頓階段。新冠疫情的爆發給人們的生活。出行帶來了前所未有的影響，承擔城市通勤和出行優先任務的城市軌道交通也面臨著前所未有的運營條件[21],地鐵客流也進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假期有所延長，各地經濟生產活動恢復緩慢。“受疫情影響，2020年中國內地將繼續發展，年客運總量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月的客流數據，不難發現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%,并持續了20天左右。2月10日以來，首批小企業陸續復工，但客流依舊沒有恢復，這在某種程度上反映這說明，初次返鄉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，第二批企業開始復工，鐵路客流進一步增加，但仍遠低于去年同期的正常水平。此時，客流特征也發生了很大變化。周末客流遠低于平日，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，從這些細節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日勞動節開始，勞動節假期客流與平時客流幾乎持平。這表明，調查，約有30%的通勤人群改變了通勤方式，結合已取得的成果可以推導出結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，但也只達到了正常情況下的70%。2.3客流調查的種類2.3.1全面客流調查2.3.2乘客情況抽樣調查這是一項定期且頻繁的客流抽樣調查，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。這是一項關于客流量的特別主題問卷調查。這在一定意義上透露了調查內容包括假期安排、城市旅游和娛樂產業的發展程度、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，客流預測也會有偏差，會有客流預測值的與實際值誤差較大的情況發生，或是高估，或是低估；這在一定程度上體現由于預測的方式和選擇的模型各有不同，也會出現客流數據離散型較大的結果。造成客流誤差的主要原因有：(1)客流預測方法的缺陷。(2)預測的前提條件發生變化。(3)相關調查數據調查不足或不準確。(4)預測的客流數值取高或取低。(5)不同交通工具的分流和市民出行方式選擇的不同。(6)城市軌道交通的網絡規模效應尚未完全形成。(7)沒有充分考慮現階段我國城市自身的特點。2.5本章小結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查的種類并分析了造成客流誤差的因素。本章根據蘇州地鐵的歷史客流數據，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據來進行神經網絡客流預測的分析實現作出了解釋。神經網絡(neuralnetwork,NN)或人工神經網絡(artificialneuralnetwork,ANN)是指用大量的簡單計算單元(即神經元)構成的非線性系統，人類腦神經系統是3.1.1非線性3.1.2自學習和自適應性定推理的專家系統更具有適應性，更接近人類大腦的工作規則(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網絡通常由數個神經元廣泛連接構成。一個系統的整體行為不僅可以由單個神經元的特征決定，從這些細節可以看出還可以由單元之間的相互作用和聯系決定。大腦的非局限性是通過大量的單元間連接來模擬的。神經網路不受人工神經網絡具有自我適應、自我組織、自我學習的能力。不僅神經網絡處理的信息在變化，非線性動態系統本身也在變化。迭代過程通常用于描述動態系統的發展。系統演化的方向一般取決于某種條件下的特定狀態函數。像能量函數，它的極值對應于系統的相對穩定狀態。非凸性是指函數具有多個極值，使系統具有多個穩定的平衡狀態，從而導致系統的演化多樣性(吳俊天，林倩怡，2021)3.2神經元神經元是神經網絡中最基本的元素，是神經系統結構和功能的基本單位，是基本的神經元模型如圖3-1所示。圖3-1基本神經元模型如圖3-1所示，[x?,x?…xn]為神經元的輸入，[w?,W?…Wn]為每個輸入對應的權值，θ為神經元的闕值，f為神經元的激活函數，y為神經元的輸出，當各輸入加權求和，達到了闕值，此時激活函數就會產生一個輸出，可用如下公式作為激活函數的f在模型中用來確定每個輸出神經元的輸出結果，整個網絡中的激活函數決定了收斂效率和非線性能力，圖3-2MP神經元模型圖3-2為MP神經元模型。神經元從n個的其他神經元被傳達了接收輸入信神經元的閾值進行比較，神經元輸出再基于激活函數來生成(董嘉潤，陳君朝，3.3神經網絡模型概述神經網絡是一個由大量神經元組成的網絡，這些神經元在拓撲結構上以大規模的并行方式相互連接25。根據神經元相互連接的方式，通常網絡結構可分3.3.1前饋神經網絡余夢茜，2017)。如圖3-3為前饋神經網絡模型。圖3-3前饋神經網絡模型3.3.2反饋神經網絡3.3.3自組織神經網絡如圖3-5為自組織神經網絡模型。圖3-4反饋神經網絡模型圖3-5自組織神經網絡模型反向傳播。3.4.1BP神經網絡的構成反反復復的信息的前向傳播和誤差反饋傳播過程是一個不斷調整每一層權如圖3-6為三層BP神經網絡結構模型圖。圖3-6三層BP神經網絡結構圖3.4.2BP神經網絡的局限性神經網絡執行從輸入到輸出的映射功能。BP神經網絡被證明能夠執行任何(3)習慣性依賴樣本BP神經網模型的逼近和推廣能力由學習樣本的特征性決定，學習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算法與其他優秀算法相結合，例如遺傳算法 的特性，以圖片形式展現了幾種神經網絡結構的模型。其中經網絡，展現了BP神經網絡結構圖，也分析了BP神經網絡的局限性。為下文MATLAB是將數值分析、矩陣計算、可視化、動態建模仿真等功能集成到一個開發環境中的數學軟件，其功能十分強大。MATLAB中包含了大量實用的預定義函數[23]。其中，這在某種程度上反映神經網絡工具箱中提供了大量的與BP神經網絡相關的函數。4.1MATLAB數據預處理數據預處理是指神經網絡訓練前的預處理，其中歸一化處理是一種關鍵手段，為歸一化函數，minmax()函數只接受兩個函數，用于獲取最大值和最小值。其格式為：minmax(min,max)(1)由于輸入數據的單位是不同的，有些數據可能有特別大的范圍，因此可能會導致神經網絡的緩慢收斂和長時間的訓練。(2)輸入數據范圍的會有所不同，在這般的框架下這會導致在網絡訓練過程中各自起到的作用不對等，數據范圍大的輸入的作用影響會偏大，數據范圍小的輸入工作中影響偏小。(3)由于神經網絡輸出層激活函數的值范圍有限，因此有必要將網絡訓練的目標數據映射到激活函數的值范圍。(4)可以提高計算精確度。4.2神經網絡構建函數該函數用于創建一個前向神經網絡。其調用格式為：net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPFTF為節點傳遞函數，從這些細節可以看出包括硬限幅傳遞函數hardlim、對稱硬限幅傳遞函數hardlims、線性傳遞函數purelin、正切S型傳遞函數tansig、BTF為訓練函數。本次試驗運用的函數為trainlm函數。BLF為網路學習函數；PF為性能分析函數；傳遞函數又稱為激活函數，必須是連續可微的。BP網絡經常采用S型的對數或正切函數和線性函數。用于準備神經網絡。本文在研究方法上的革新體現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，辨識出一些未被充分利用的研究契機和關鍵點。此舉不僅強化了對現有理論的解讀，而且開啟了新的理論視角和分析架構。使用最新的科研工具，實現了對研究對象的多層次、寬范圍的探討，突破了傳統研究的限制，揭示了事物之間的微妙聯系，并汲取其他領域的精華，為解決實際問題提供了更加多元的解決方案。該傳遞函數為雙曲正切的函數，結合已取得的成果可以推導出結論性觀點其函數表達式為：用于輸入層。它可以把神經元的輸入范圍(-∞,+∞)映射到(-1,+1),且它為可導函數，適用于BP神經元。在這種布局下該函數的調用格式如下：N為S×Q維的網絡輸入(列)向量矩陣(趙云飛，陳佳銘，2022);FP為性能參數(可忽略),返回網絡輸入向量N的輸出矩陣A。返回A關于N的導數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返回默認參數。該函數為線性傳遞函數，其函數表達式為(成錦用于輸出層，將神經網絡層的凈輸入轉換為凈輸出。其格式為：4.3訓練函數BP神經網絡中使用的訓練算法為L-M反向傳播算法，使用的訓練函數為trainlm函數，trainlm函數為L-M反向傳播算法的表達函數。這在一定意義上透露了對于具有數百個權重的函數逼近網絡，L-M算法收斂速度最快，平均方差最小。4.4網絡仿真函數這在一定程度上體現使用的網絡仿真函數為sim函數，它用于仿真一個神經網絡。net:訓練好的神經網絡；P:網絡的輸入。若P是矩陣，則每一列是一個輸入向量，列數等于輸入向量的個數。Pi:網絡的初始輸入延遲，默認值為零。Ai:網絡的初始層延遲，默認值為零。(2)sim函數的輸出格式為：Y:網絡對輸入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，表示網絡的誤差；Pref:表示網絡的性能(performance)。4.5本章小結在這種框架下本章著重介紹了構建BP神經網絡所要用到的MATLAB函數，并簡要介紹了他們的語法格式、作用和構建網絡運用的順序。蘇州軌道交通線網圖蘇州軌道交通線網圖本文選擇在MATLAB中構建BP神經網絡，實驗需要考慮數據的選擇和處5.1實驗數據的選取本次研究選取的是蘇州地鐵2020年1月~12月的客流數據，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據，所以本次預測分為兩組。一是通過訓練1月~5月的客流數據，來預測6月的數據，比較預測值和二是通過訓練7月~11月的數據，來預測12月的數據，比較預測值和實際值，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(商家灣)金屋路(長墻站)6文昌路街蘇州樂良盛環放3圖5-1蘇州軌道交通線網圖圖5-1是蘇州軌道交通的平面線網圖，由于圖中的5號線為2021年2月開通，而本次試驗數據選取的是2020年的客流量，所以本文只代入1~4號線的客流數據進行試驗及分析。將每天的溫度、是否雨雪天、是否節假日、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、節假日等因素在每條地鐵線路客流的反應是相同的，1號線、2號線、3號線受到的以上因素的影響，4號線也會有相關的反應，將1號線、2號線、3號線作為輸入值，更有利于4號線客流值的預測，使預測更準確。該段內容的創新點在于其視角的革新，尤其在于對研究對象的深度審視。傳統研究習慣于聚焦于對象的核心特征和直接聯系，而本文則深入挖掘了那些不太受關注的邊緣屬性和隱蔽的聯系。在研究策略上，本文展示了獨特的方法論視角，創造性地融合了多種學科的研究方法。在理論層面，通過整合不同理論體系的內容，構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現的理論空白，也為相關領域的理論進步提供了新的思路，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、是否節假日的因素進行量化處理，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神經網絡的構建步驟合理的神經網絡結構是進行精確預測的基礎。本文對樣本數據處理采用的是三層BP網絡建模，比起一般的模式識別，這在某種程度上反映三層BP網絡在快速定位和解決問題方面更有效[32]。一般來說，確定網絡結構，特別是隱層神經元的數量，都是經驗方法，需要不斷嘗試33。設置輸入神經元的個數為6,設置輸出神經元的個數為1,設置隱藏神經元的個數為30。使用global為全局變量的標識符，可以讓方法內的局部變量全局可用。設訓練集輸入的數據為p、訓練集輸出的數據為t、輸入神經元的個數為R、輸出神經元的個數為S2、隱藏神經元為S1、在這般的框架下編碼長度為S。其中，可以通過調整S1,修改隱藏層的神經元個數來改變預測值，減少與實際值之間的誤差，隱藏層神經元的個數越多，預測值越準確(魏澤安，孫雪倩，2020)。使用maxmin指令，將輸入值量化，轉為[0,1]區間的值。將輸入值組成Excel表，從這些細節可以看出命名數據集為data1和data2,導入Matlab中構建的神經網絡程序中。引用MATLAB函數指令中的excel表格數據的讀取函數xlsread;data1為2020年上半年的客流數據、data2為2020年上半年的客流數據；結合已取得的成果可以推導出結論性觀點設置N為訓練的組數，M為預測的組數。在網絡中設置的訓練參數如下net.trainParam.epochs=net.trainParam.goal=1.net.trainParam.lr=0其中：Show為顯示的中間結果周期；epochs為所設置的最大迭代次數是5000次；Wb61b1goal為神經網絡的訓練目標誤差為1.0e-7;Ir為設置的學習率是0.001。圖5-2MATLAB中構建的神經網絡模型如圖5-2所示，輸入神經元為6個，隱藏神經元為30個，輸出神經元為15.3BP神經網絡仿真結果5.3.12020年上半年(疫情期間)預測用2020年1~5月的數據預測6月蘇州地鐵4號線的客流。(1)訓練過程由圖5-3所示，在這種布局下圖為BP神經網絡的訓練過程，在訓練次數為由圖5-4所示，圖為誤差變化曲線，誤差率達到了預期，收斂次數為4617。由圖5-5所示，圖為歸一化曲線，歸一化時輸入數據達到了統一。前述的詳NeuralNetworkTraining(nn□×Training:Levenberg-Mar60PlotsPerformance(ploTrainingState(plottr 圖5-4神經網絡訓練誤差曲線………Best圖5-5數據歸一化曲線圖5-6訓練參數圖5-7蘇州地鐵4號線2020年6月客流預測結果Gradient=0.0010419,atepoch10?廠1010廠ValidationChecks=0,atep0(2)仿真結果5.3.22020年下半年預測用2020年7~11月的客流值預測12月的蘇州地鐵4號線客流(1)訓練過程由圖5-8所示，圖為BP神經網絡的訓練過程，在訓練次數為5000次時，達由圖5-9所示，圖為誤差變化曲線，誤差率達到了預期，收斂次數為5000。由圖5-10所示，圖為歸一化曲線，歸一化時輸入數據達到了統一。圖5-8BP神經網絡訓練過程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訓練參數(2)仿真結果由圖5-12所示，這在一定程度上印證了紅色虛線代表預測值，藍色實線代表實際值，兩條線整體趨勢相似，說明預測結果有一定的準確性(陳向陽，張凱文，2019)。圖5-12預測結果5.4結論經過2020年上半年、下半年的兩次訓練和預測，可以發現兩次得出的仿真昕怡，2020)。此外，在訓練過程中，為了BP神經網絡模型的穩定，我所設置的學習率過本章主要內容為在MATLAB中構建BP神經網絡來訓練、預測客流。包含了實驗數據的選取、構建BP神經網絡的步驟、訓練預測在當今科技高速增長的時代，城市軌道交通大力環節。本論文就是基于此環境背景下的實驗研究，主題是通過使用MATLAB軟件，構建BP神經網絡模型，這在一定程度上體現來分析和實現蘇州地鐵4號線(1)通過查閱相關文獻，闡述并對比了國內外城市軌道交通的發展以及對(2)學習了神經網絡的概念及其特性，選取了BP神經網絡作為實驗的神(3)查找了大量的數據，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.神經網絡導論[M].北京：科學出版社，2017.[2]成錦程，付雅靜.城市軌道客流預測方法研究[D].北京交通大學，2004.[3]付雨向，成羽翔.城市軌道交通短時客流預測與實證分許研究[D].蘭州交通大學，2020.[4]許君萱，吳羽航.天津市快速軌道發展策略研究[D].天津大學，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，2017.[6]陳翔羽，鄭茜娜等.國外軌道交通發展對我國城市群軌道交通一體化的啟示[J].交通運輸工程與信息學報，2021,19(01):52-58.[7]何天琪，馬澤羽.中國城市軌道交通2020年數據統計與發展分析[J/OL].隧道建設(中英文):1-4[2021-04-25]./kcms/detail/44.1745.U.20210416.1749.[8]陳向陽，張凱文.中國軌道交通建設市場全球發展最快[N].中國經濟導[9]陳東旭，郭昕怡.城市軌道交通樞紐換乘設施優化研究[D].蘭州交通大學，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測研究[D].武漢理工大學，2006.[11]陳靖怡，周麗敏.城市軌道交通客流預測模型及方法研究[D].西南交通大學，2008.[12]鄧澤文，黃倩嫻.基于時序分解和LSTM神經網絡的城市軌道交通短時客流預測[D].北京交通大學，2020.[13]張奇源，陳博文.基于LSTM模型的新建城軌線路周邊常規公交客流預測[D].北京交通大學，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測研究[15]張紫薇，趙俊光，陳詩雅等.上海市軌道交通客流預測理論方法研究[J].城市交通，2009,7(01):13-19.[16]YiruCui,YangLi.AnalysisandComparisonofUrbanRailTransitFlowForecastbasedonMultipleMethods[C].ZhuhaiConferenceonEnergy,EnvironmentandSustainableDevelopment(ICEESD2017).[17]謝天羽，陸雨.軌道交通客流預測的重要性與準確性分析[A].武漢市人民政府、中國城市規劃學會城市交通規劃學術委員會.城市交通發展模式轉型與創新一—中國城市交通規劃2011年年會暨第25次學術研討會論文集[C].武漢市人民政府、中[18]成昊忠，吳嘉怡.城市軌道交通網絡脆弱性探究[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展階段關系研究[A].中國城市規劃學會城市交通規劃學術委員會.交通治理與空間重塑——2020年中國城市交通規劃年會論文集[C].中國城