论文部分内容阅读
摘 要：本文在参考大量文献后，选取了7项城市常规公交客运量的影响因素，并利用灰色关联分析，对这些因素进行定量分析。最后，在BP神经网络理论的基础上，以西安市为例，建立BP神经网络模型并对西安市的常规公交客运量进行预测，通过误差分析，证明该模型的可行性。
关键词：客运量预测 BP神经网络 灰色关联
一、引言
常规公交主要是指载客量相对较小的公交汽车、有轨电车以及无轨电车。近年来，尽管有城市地铁建设的快速发展，但常规公交依然在城市交通系统中发挥着重要的作用。客运量是评价常规公交运输工作的重要内容和衡量指标，也是交通运输组织工作的重要参考和依据。客运量的各个影响因素之间并不是孤立的，而是彼此之间具有很复杂的非线性关系。BP人工神经网络正是有效解决这种关系的工具。故本文尝试用BP神经网络来进行城市常规公交的客运量预测问题。
二、常规公交客运量影响因素
许多学者对常规公交客运量影响因素进行了分析，高咏玲、杨浩在研究城市公共交通客运量时，是从城市公交服务水平和城市发展情况两方面来分析；蔡志雄在研究城市常规公交客运量影响因素时，确定了国民生产总值、市区常住人口、居民可支配收入、建成区面积、等九项影响因素。在综合考虑现有文献中提到的影响因素，本文初步选取了国民生产总值、年末常住人口、城市建成区面积、摩托车保有量、民用汽车拥有量、出租車拥有量、标准运营车辆，这七个因素作为常规公交客运量的影响因素。这些因素具体应用于某个城市时无法判断它们之间是否相关，所以本文选择了灰色关联法确定某城市常规公交客运量的影响因素。应用灰色系统关联分析的具体步骤如下：
1.确定参考数列和比较数列。
设参考数列和比较数列分别为
2.求参考数列和比较数列的无量纲数值。
3.求参考数列和比较数列的灰色关联系数ζ。
三、基于BP神经网络的客运量预测
1.BP神经网络简介。BP神经网络（Backprougation Neural Network）是一种误差反向传播的神经网络，它的网络可以分为三层：输入层、隐含层和输出层。运用BP神经网络来做预测时，首先要对历史序列数据做归一化处理，并作为前馈网络的输入和输出；其次确定BP网络的参数；然后利用B-P算法对归一化的数据进行训练；最后利用训练得到的网络进行预测，将要预测的影响因素的数据作为输入，得到的输出即为最终的预测值。
2.西安常规公交客运量预测。
2.1数据的获取。通过查询西安2005～2014年统计年鉴，获得了七个影响因素及常规公交客运量2005-2014年的数据，结果如表1所示。
将常规公交客运量作为参考数列，7个影响因素作为比较数列，利用EXCEL对参考序列和比较数列间进行灰色关联度分析，当ζ=0.5时，关联度如表2所示。由于所有影响因素的关联度都大于0.6，所以选取的影响因素全部可行。
2.2建立BP神经网络。根据BP神经网络的特点，本文将影响客运量的因素作为输入，客运量作为输出，建立具有7个输入变量、10个隐含层节点、1个输出的BP神经网络，中间层的传递函数为tansig，输出层的传递函数为logsig。将2005～2012年的数据分别作为训练网路的输入P和输出T，要预测2013和2014年份的客运量，将西安市2013、2014这两年的七项影响因素的数据作为测试网络的输入，测试网络的输出即为预测值。
2.3预测结果分析。
由表3可知，网络的拟合精度和预测预测精度均在10%以内，因而本文建立的模型是有效的。
四、结语
本文中的客流量预测模型可以作为城市常规公交客运量预测的依据，其中某一年份影响因素的数值可以通过专家经验法、平滑预测法、加权平滑预测法等方法预测，例如要预测2017年的客运量，可以根据经验判断或上述提到的预测方法将影响因素的数据先预测出来，然后将其作为测试输入来预测2017年的客运量。本文将灰色关联度分析和BP神经网络算法相结合应用于客运量的预测，来提高预测的精度，是客运量预测的一个有效工具。
参考文献：
[1]马娜.城市常规公交服务品质分析与评价研究[M].北京交通大学，2011.
[2]申耀伟，谢孝如.基于灰色动态模型的铁路客运量预测与分析[J].中国铁路，2008（6）：36-38.
[3]王玉刚，姚云红，李英帅，陈晓芬.基于灰色理论的重庆市常规公交客运量影响因素分析及预测[J].交通信息与安全，2014，32（6）：89-93.
[4]高永玲，杨浩.城市公交客流影响因素的改进灰色一致关联分析[J].系统工程理论与方法，2007，7（6）：102-108.
[5]蔡志雄.基于神经网络的中小城市常规公交客运量预测研究[M].西南交通大学，2010.
[6]刘思峰，蔡华，杨英杰，曹颖.灰色关联分析模型研究进展[J].系统工程理论与实践，2007，7（6）：102-204.
关键词：客运量预测 BP神经网络 灰色关联
一、引言
常规公交主要是指载客量相对较小的公交汽车、有轨电车以及无轨电车。近年来，尽管有城市地铁建设的快速发展，但常规公交依然在城市交通系统中发挥着重要的作用。客运量是评价常规公交运输工作的重要内容和衡量指标，也是交通运输组织工作的重要参考和依据。客运量的各个影响因素之间并不是孤立的，而是彼此之间具有很复杂的非线性关系。BP人工神经网络正是有效解决这种关系的工具。故本文尝试用BP神经网络来进行城市常规公交的客运量预测问题。
二、常规公交客运量影响因素
许多学者对常规公交客运量影响因素进行了分析，高咏玲、杨浩在研究城市公共交通客运量时，是从城市公交服务水平和城市发展情况两方面来分析；蔡志雄在研究城市常规公交客运量影响因素时，确定了国民生产总值、市区常住人口、居民可支配收入、建成区面积、等九项影响因素。在综合考虑现有文献中提到的影响因素，本文初步选取了国民生产总值、年末常住人口、城市建成区面积、摩托车保有量、民用汽车拥有量、出租車拥有量、标准运营车辆，这七个因素作为常规公交客运量的影响因素。这些因素具体应用于某个城市时无法判断它们之间是否相关，所以本文选择了灰色关联法确定某城市常规公交客运量的影响因素。应用灰色系统关联分析的具体步骤如下：
1.确定参考数列和比较数列。
设参考数列和比较数列分别为
2.求参考数列和比较数列的无量纲数值。
3.求参考数列和比较数列的灰色关联系数ζ。
三、基于BP神经网络的客运量预测
1.BP神经网络简介。BP神经网络（Backprougation Neural Network）是一种误差反向传播的神经网络，它的网络可以分为三层：输入层、隐含层和输出层。运用BP神经网络来做预测时，首先要对历史序列数据做归一化处理，并作为前馈网络的输入和输出；其次确定BP网络的参数；然后利用B-P算法对归一化的数据进行训练；最后利用训练得到的网络进行预测，将要预测的影响因素的数据作为输入，得到的输出即为最终的预测值。
2.西安常规公交客运量预测。
2.1数据的获取。通过查询西安2005～2014年统计年鉴，获得了七个影响因素及常规公交客运量2005-2014年的数据，结果如表1所示。
将常规公交客运量作为参考数列，7个影响因素作为比较数列，利用EXCEL对参考序列和比较数列间进行灰色关联度分析，当ζ=0.5时，关联度如表2所示。由于所有影响因素的关联度都大于0.6，所以选取的影响因素全部可行。
2.2建立BP神经网络。根据BP神经网络的特点，本文将影响客运量的因素作为输入，客运量作为输出，建立具有7个输入变量、10个隐含层节点、1个输出的BP神经网络，中间层的传递函数为tansig，输出层的传递函数为logsig。将2005～2012年的数据分别作为训练网路的输入P和输出T，要预测2013和2014年份的客运量，将西安市2013、2014这两年的七项影响因素的数据作为测试网络的输入，测试网络的输出即为预测值。
2.3预测结果分析。
由表3可知，网络的拟合精度和预测预测精度均在10%以内，因而本文建立的模型是有效的。
四、结语
本文中的客流量预测模型可以作为城市常规公交客运量预测的依据，其中某一年份影响因素的数值可以通过专家经验法、平滑预测法、加权平滑预测法等方法预测，例如要预测2017年的客运量，可以根据经验判断或上述提到的预测方法将影响因素的数据先预测出来，然后将其作为测试输入来预测2017年的客运量。本文将灰色关联度分析和BP神经网络算法相结合应用于客运量的预测，来提高预测的精度，是客运量预测的一个有效工具。
参考文献：
[1]马娜.城市常规公交服务品质分析与评价研究[M].北京交通大学，2011.
[2]申耀伟，谢孝如.基于灰色动态模型的铁路客运量预测与分析[J].中国铁路，2008（6）：36-38.
[3]王玉刚，姚云红，李英帅，陈晓芬.基于灰色理论的重庆市常规公交客运量影响因素分析及预测[J].交通信息与安全，2014，32（6）：89-93.
[4]高永玲，杨浩.城市公交客流影响因素的改进灰色一致关联分析[J].系统工程理论与方法，2007，7（6）：102-108.
[5]蔡志雄.基于神经网络的中小城市常规公交客运量预测研究[M].西南交通大学，2010.
[6]刘思峰，蔡华，杨英杰，曹颖.灰色关联分析模型研究进展[J].系统工程理论与实践，2007，7（6）：102-204.