基于BP神經網絡的城市常規公交客運量預測研究

摘 要：本文在參考大量文獻后，選取了7項城市常規公交客運量的影響因素，并利用灰色關聯分析，對這些因素進行定量分析。最后，在BP神經網絡理論的基礎上，以西安市為例，建立BP神經網絡模型并對西安市的常規公交客運量進行預測，通過誤差分析，證明該模型的可行性。

關鍵詞：客運量預測 BP神經網絡 灰色關聯

一、引言

常規公交主要是指載客量相對較小的公交汽車、有軌電車以及無軌電車。近年來，盡管有城市地鐵建設的快速發展，但常規公交依然在城市交通系統中發揮著重要的作用。客運量是評價常規公交運輸工作的重要內容和衡量指標，也是交通運輸組織工作的重要參考和依據。客運量的各個影響因素之間并不是孤立的，而是彼此之間具有很復雜的非線性關系。BP人工神經網絡正是有效解決這種關系的工具。故本文嘗試用BP神經網絡來進行城市常規公交的客運量預測問題。

二、常規公交客運量影響因素

許多學者對常規公交客運量影響因素進行了分析，高詠玲、楊浩在研究城市公共交通客運量時，是從城市公交服務水平和城市發展情況兩方面來分析；蔡志雄在研究城市常規公交客運量影響因素時，確定了國民生產總值、市區常住人口、居民可支配收入、建成區面積、等九項影響因素。在綜合考慮現有文獻中提到的影響因素，本文初步選取了國民生產總值、年末常住人口、城市建成區面積、摩托車保有量、民用汽車擁有量、出租車擁有量、標準運營車輛，這七個因素作為常規公交客運量的影響因素。這些因素具體應用于某個城市時無法判斷它們之間是否相關，所以本文選擇了灰色關聯法確定某城市常規公交客運量的影響因素。應用灰色系統關聯分析的具體步驟如下：

1.確定參考數列和比較數列。

設參考數列和比較數列分別為

2.求參考數列和比較數列的無量綱數值。

3.求參考數列和比較數列的灰色關聯系數ζ。

三、基于BP神經網絡的客運量預測

1.BP神經網絡簡介。BP神經網絡（Backprougation Neural Network）是一種誤差反向傳播的神經網絡，它的網絡可以分為三層：輸入層、隱含層和輸出層。運用BP神經網絡來做預測時，首先要對歷史序列數據做歸一化處理，并作為前饋網絡的輸入和輸出；其次確定BP網絡的參數；然后利用B-P算法對歸一化的數據進行訓練；最后利用訓練得到的網絡進行預測，將要預測的影響因素的數據作為輸入，得到的輸出即為最終的預測值。

2.西安常規公交客運量預測。

2.1數據的獲取。通過查詢西安2005～2014年統計年鑒，獲得了七個影響因素及常規公交客運量2005-2014年的數據，結果如表1所示。

將常規公交客運量作為參考數列，7個影響因素作為比較數列，利用EXCEL對參考序列和比較數列間進行灰色關聯度分析，當ζ=0.5時，關聯度如表2所示。由于所有影響因素的關聯度都大于0.6，所以選取的影響因素全部可行。

2.2建立BP神經網絡。根據BP神經網絡的特點，本文將影響客運量的因素作為輸入，客運量作為輸出，建立具有7個輸入變量、10個隱含層節點、1個輸出的BP神經網絡，中間層的傳遞函數為tansig，輸出層的傳遞函數為logsig。將2005～2012年的數據分別作為訓練網路的輸入P和輸出T，要預測2013和2014年份的客運量，將西安市2013、2014這兩年的七項影響因素的數據作為測試網絡的輸入，測試網絡的輸出即為預測值。

2.3預測結果分析。

由表3可知，網絡的擬合精度和預測預測精度均在10%以內，因而本文建立的模型是有效的。

四、結語

本文中的客流量預測模型可以作為城市常規公交客運量預測的依據，其中某一年份影響因素的數值可以通過專家經驗法、平滑預測法、加權平滑預測法等方法預測，例如要預測2017年的客運量，可以根據經驗判斷或上述提到的預測方法將影響因素的數據先預測出來，然后將其作為測試輸入來預測2017年的客運量。本文將灰色關聯度分析和BP神經網絡算法相結合應用于客運量的預測，來提高預測的精度，是客運量預測的一個有效工具。

參考文獻：

[1]馬娜.城市常規公交服務品質分析與評價研究[M].北京交通大學，2011.

[2]申耀偉，謝孝如.基于灰色動態模型的鐵路客運量預測與分析[J].中國鐵路，2008（6）：36-38.

[3]王玉剛，姚云紅，李英帥，陳曉芬.基于灰色理論的重慶市常規公交客運量影響因素分析及預測[J].交通信息與安全，2014，32（6）：89-93.

[4]高永玲，楊浩.城市公交客流影響因素的改進灰色一致關聯分析[J].系統工程理論與方法，2007，7（6）：102-108.

[5]蔡志雄.基于神經網絡的中小城市常規公交客運量預測研究[M].西南交通大學，2010.

[6]劉思峰，蔡華，楊英杰，曹穎.灰色關聯分析模型研究進展[J].系統工程理論與實踐，2007，7（6）：102-204.