基于灰色- 神經網絡的虹橋綜合交通樞紐客流預測

李洪嘉 姚紅光 李思睿 黃啟龍 邵翊珺

（上海工程技術大學，上海201620）

近來，國內外民航旅客人數銳減，虹橋綜合交通樞紐客流量也隨之大幅下降，為了更加準確地掌握虹橋綜合交通樞紐未來客流發展情況，有必要對其未來客流增長量的趨勢進行探究。鑒于目前虹橋綜合交通樞紐客流趨勢尚未確定，有必要建立一個客流量預測模型。

由于基于灰色模型的單模型研究存在明顯預測不準等劣勢，可以通過組合模式來彌補，進而不斷地提高學習的預測精率?；疑Ｐ徒Y合BP 神經網絡模型，可以滿足兩種不同的模型之間的差異，解決兩種模型的劣勢和不足，滿足改進預測需要。

1 灰色GM（1，1）模型

1.1 確定灰色模型的原始數據序列，x（0）=（x（0）（1），x（0）（2），x（0）（3），…x（0）（n）），選擇2020 年1 月至2020 年10 月的虹橋綜合交通樞紐日均客流量為時間序列樣本，即

1.2 對（1）中的數據依次累加，得到1－AGO 序列，生成新的數據序列x（1）其中

1.3 對（2）中的數據進行光滑性檢驗，具體公式如下：

其中，當k＞3 時，若滿足p（k）＜0.5，且1＜σ＜1.5。則符合模型建立規律。

1.4 生產灰色緊鄰序列z（1）=（z（1）（1），z（1）（2），z（1）（3），…，z（1）（n）），其中

建立灰色微分方程：

式中，a 為待定參數，對序列a贊=（a，b）T 進行最小二乘估計，代入式（5）得：

整理后得到預測模型如下：

2 BP 神經網絡

BP（Back Propagation）神經網絡是一種多層反饋的的機器學習方法，它在各種神經網絡中應用最為廣泛。BP 神經網絡由輸入層、隱含層、輸出層三層組成，三層結構中的每一層都由多個節點連接，輸入層輸入的信號傳輸到隱含層隱含層進行數據逐步處理，然后將數據處理結果輸出到輸出層中，之后模型將輸出層輸出的的結果和之前輸入的期望值進行對比，如果產生偏差信號之后將偏差信號進行反向傳播，之后通過不斷調整連接權和閾值反復訓練直到得到目的結果為止。

由于BP 神經網絡有著很強的容錯性的優勢，使得BP 神經網絡在信號識別領域和系統優化領域得到了非常廣泛的應用，但BP 神經網絡也有收斂較慢和局部搜索能力欠缺的劣勢，使得BP 神經網絡預測準確度可能不能滿足數據預測的需求，因而建立基于灰色模型的BP 神經網絡預測有重要現實意義。

3 建立灰色BP 神經網絡模型

常用的模式組合有三種，分別為串聯式、并連式和嵌入型。本文采取串聯方式組合灰色模型和BP 神經網絡，首先使用灰色模型來擬合原始序列，得出灰色模型的擬合結果，從而為BP 神經網絡輸入層提供輸入數據，同時以實際值為灰色BP 神經網絡的期望參數，最后通過對BP 神經網絡對數據進行訓練，最終輸出模型預測數據結果。

4 實例分析

本文以虹橋綜合交通樞紐2020 年1 月至2020 年10 月的日均客流量為基礎數據，采取灰色模型對原始數據序列進行模擬和預測。

表1 灰色預測和灰色BP 神經網絡預測結果

首先使用灰色模型獲得日平均客流的預測值，將灰色模型得出的預測值作為灰色BP 神經網絡預模型的輸入數據樣本，以虹橋綜合交通樞紐每日客流量實際值作模型的期望參數，在輸入層和隱含層之間使用sigmoid 函數進行連接，以此來實現通過灰色BP 神經網絡對最終數據的預測，其結果如表1 所示。

由表1 顯示的兩種預測模型得出的預測值與實際數字相比，灰色BP 神經網絡預測客流數量更近實際值，與客流數量的變化趨勢符合，預測結果更接近實際數據。

之后使用平均誤差作為評價指標，對兩個模型預測的數據值進行比較，計算得到灰色模型預測的平均相對誤差達到12.03%，灰色BP 神經網絡平均相對誤差只有0.24%。表明基于灰色BP 神經網絡目前可以應用于模擬虹橋綜合交通樞紐每日客流量數據的組合仿真數據預測有著更高的準確性，能夠對發展趨勢數據進行更好的組合預測。

5 結論

本文主要對灰色預測分析模型的優劣進行分析，結合BP神經網絡，使用虹橋綜合交通樞紐。

首先使用灰色模型來擬合原始序列，得出灰色模型的擬合結果，從而為BP 神經網絡輸入層提供輸入數據，同時以實際值為灰色BP 神經網絡的期望參數，之后通過對BP 神經網絡進行訓練，最終輸出虹橋綜合交通樞紐客流數據預測結果。結果顯示，灰色BP 神經網絡模型相對誤差遠遠，優于單一灰色模型預測的誤差。因此，利用這個模型預測虹橋綜合交通樞紐未來客流的情況是可行的，可為今后虹橋綜合交通樞紐交通規劃提供數據依據。