1.城市轨道交通线路平均站台客流密度、平均车厢内客流密度分析
站台客流密度是指某时段内聚集在站台的总人数与站台总面积之比。根据相关资料和文献数据，某地铁线路在1周内的平均站台密度如图4-16所示。
图4-16 某线路一周分时段平均站台密度变化图
车厢内客流密度是指某时刻列车内乘客数量与车厢面积之比，也称为列车拥挤度，单位为“人/m2”。根据相关资料和文献数据，某地铁线路在1周内的平均站台密度如图4-17所示。
图4-17 某线路平均车厢内客流密度
从上述两个图可以看出，两个指标总体趋势变化一致，周一到周五总体数据差别不大，周六周日数据差别不大，说明工作日和周末有明显的客流差异；因此在进行线路客流负荷预测时，应在输入参数中考虑日期的属性，这里用0代表周一到周五，1代表周六和周日。
2.样本设计
由于城市轨道交通车站客流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，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。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的数据进行预测。通过查阅相关资料，得到某地铁线路连续7天的早晚高峰平均站台客流密度数据见表4-19，平均车厢内客流密度见表4-20。
表4-19 某线路平均站台客流密度
表4-20 某线路平均车厢内客流密度
为对样本数据进行训练，选择前一天早晚高峰的4个小时数据、前一天日期属性、当天日期属性作为输入变量，当天早晚高峰的4个小时数据作为输出变量，数据分组情况见表4-21、表4-22。(www.xing528.com)
表4-21 某线路平均站台客流密度样本数据
表4-22 某线路平均车厢内客流密度样本数据
3.平均站台客流密度、平均车厢内客流密度预测
由于平均站台客流密度、平均车厢内客流密度两个指标规律相似，这里只选择平均车厢内客流密度进行预测，平均站台客流密度按这个方法更换样本数据重复运行即可预测。
（1）RBF神经网络训练。
选用Matlab中的神经网络工具箱进行网络的训练，将表4-22所示的前5组样本数据作为训练样本，第6组数据作为测试样本，将数据全部进行归一化处理后输入网络，经过21次训练后，预测误差达到理想值，如图4-18所示。
（2）预测结果分析。
运用已经训练好的RBF神经网络进行测试，检验预测结果的合理性和准确性，通过Matlab程序运算，得到表4-22某线路平均车厢内客流密度第6组预测数据和实际数据的对比，如图4-19所示。从该图可以看出，预测结果和实际值总体比较接近，即便因训练样本总体偏少而误差较大，但应该也在可接受的范围内，平均准确度为98%。
图4-18 训练误差曲线
图4-19 预测值与实际值对比
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。
