城市轨道交通车站客流逐时负荷的准确预测是实现对车站大客流提前预警的前提之一。由于车站客流负荷受多种因素的影响，传统的基于时序特征的客流预测方法预测精度不高。近年来，人工神经网络广泛应用于预测领域。由于神经网络具有并行处理、联想记忆、分布式知识存储、鲁棒性等特点，尤其是它具有自组织、自适应、自学习功能，所以在复杂非线性对象的辨识和控制中得到了广泛的应用。
目前，对城市轨道交通车站客流负荷的预测大多数采用的是基于BP算法的静态前神经网络，利用静态前网络对动态系统进行辨识，实际上是将动态时间建模问题变为静态空间建模问题；同时还需对模型结构进行定阶，特别是随系统阶次的增加或阶次的未知，迅速扩大的网络结构使网络学习的收效速度减慢，并造成网络输入节点过多、训练困难及对外部噪声敏感等弊病。相比之下，动态回归神经网络（RNN）提供了一种极具潜力的选择，它能够更生动、更直接地反映系统的动态性，代表了神经网络建模、辨识与控制的发展方向。Elman回归神经网络是一种典型的动态神经元网络，它在BP网络基本结构的基础上，通过存储内部状态使其具备映射动态特征的功能，从而使系统具有适应时变特性的能力。考虑到车站客流负荷具有动态性的特点，可以采用Elman神经网络进行预测。
1.样本设计
城市轨道交通车站客流的逐时负荷是按时间顺序排列的数字序列，它们之间具有某种统计意义上的关系，这种关系很难用确定的函数或方程组来描述。
基于神经网络对时间序列进行预测，通常是根据已有的样本数据对网络进行训练。如果希望用过去的N（N≥1）个数据预测未来M（M≥1）个时刻的值，即进行M步预测，可取N个相邻的样本为滑动窗，并将它们映射为M个值，这M个值代表在该窗口之后的M个时刻上的样本预测值。表4-15列出了样本数据的一种分段方法，该表把训练数据分成K段长度为（N＋M）的有一定重叠的数据段，每一段的前N个数据作为网络的输入，后M个数据作为网络的输出。
表4-15 样本数据的分段方法
在实际的城市轨道交通车站客流中，i时刻的负荷不仅受到i时刻外部环境及内部因素的影响，由于客流负荷形成的时滞性，还要受到i-1、i-2、i-n等时刻诸多因素的影响，具有动态性。这里对车站客流负荷的预报是以日为单位的，即利用前n日的负荷数据直接预测第n+1日的1个延时负荷，由于客流高峰期往往出现在早上7—9点、下午5—7点，因此只选择这几个时间段数据进行预测。表4-16给出了某地铁车站一周的早高峰、晚高峰的客流负荷数据。
现在利用前6天的数据作为网络的训练样本，每3天的客流负荷作为输入向量，第4天的负荷作为目标向量。这样可得到3组训练样本。第7天的数据作为网络的测试样本，对该预测方法进行验证。
表4-16 某地铁车站高峰期客流负荷数据
对上述原始数据进行归一化处理，得到表4-17。(www.xing528.com)
表4-17 归一化后的某地铁车站客流负荷数据
2.网络的设计与训练
合理确定Elman网络的结构是预测性能的基础。实际上结构的确定尤其是中间层神经元数目的确定是一个经验性的问题，还需要大量的试验。由样本数据可知，网络输入层应该有12个神经元，输出层应该有4个神经元。根据试验，可以先将中间层神经元的数目设置为12个，接下来对网络进行训练。经过1 000次训练后，网络的训练误差为0.17%，该结果可以接受，训练结果如图4-13所示。
图4-13 训练结果
3.方法的检验和分析
利用训练好的网络对第7天的客流数据进行预测，网络输出结果为0.038、0.019、0.022、0.355，根据归一化的数据处理过程，反推后得到第7日的预测客流负荷为1 581、1 627、2 838、2 803，预测值和实际值对比如图4-14所示。
图4-14 客流预测值和实际值比较
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
