第31卷第3期合肥工业大学学报(自然科学版)Vol. 31 No. 3 2008年3月JOURNAL OF HEFEI UNlVERSITY OF TECHNOLOGY Mar. 2008 基于Elman型回归神经网络的公交客流预测姜平，石琴，陈元，畏，张卫华(合肥工业大学机械与汽车工程学院，安徽合肥230009) 摘要:文章将动态回归神经网络(Elman)预测方法应用于城市公交客流量的预测，通过对合肥市公交量的历史数据分析得到公交客流量的时间序列，将时间序列视为一个从输入到输出的非线性映射，对网络进行学习与训练仿真实验，并与BP神经网络输出结果进行了比较，并对网络模拟结果和历史数据进行了线性回归分析，求得一定的相关系数。结果表明，应用Elman神经网络方法比BP神经网络对公交客流量进行短期预测，预测精度高及效果好。关键词:神经网络;流量预测Elman算法;公路运输中图分类号:U491. 14, U492.413 文献标识码:A文章编号:1003-5060(2008)03-0340-04Prediction of passenger volume based on Elman type recurrent neural network JIANG Ping, SHI Qin, CHEN Wu-wei, ZHANG Wei-hua (School of Machinery and Automobile Engineering, Hefei University of Technology, Hefei 230009, China) Abstract: Passenger volume is influenced by multiple factors and usually unable to be described with accurate mathematical models. In the paper the method of the dynamic recurrent neural networkCE1-man) is applied to prediction of city passenger volume. By analyzing the historic data of passenger vol-ume of Hefei the temporal sequence of passenger volume is obtained, which can be regarded as map ping of nonlinear approximations from input to output. The Elman neural network is used to learn and train simulation experiments of the network, the output result of Elman is compared with that of the BP network, the linear regressiQn to the output result of the network and historic data is done and the relative coeHicient is obtained. The result shows that the Elman neural network is more precise and ef fective in passenger volume short-term prediction than the BP network. Key words:neural network; volume prediction; Elman neural network; road transportation o 51 归神经网络对公交客流进行预测。神经网络是一种模仿生物大脑的信息处理方公交客流预测是城市公共交通规划的基础工法，目前己在诸多领域广泛地应用[叫。神经元作和重要组成部分旧，建立准确的公交客流预测网络通过选择恰当的网络层次和隐层节点数，能模型显得尤其重要。文献[2J曾采用灰色BP网够以任意精度逼近任意非线性函数，被广泛地用络对公交客流进行了预测，文献[3J对公交客流的于工业过程的建模和控制。目前工业应用中大多预测方法进行了研究。但是，很少有人用动态回数采用的是基于BP算法的静态前馈网络，实际收稿日期:2007-05-11;修改日期:2007-09-28 基金项目;国家自然科学基金资助项目(70771036刘安徽省自然科学基金资助项目(070416244)和合肥工业大学校基金资助项目(080205F) 作者简介:姜平(1974-)，女，山东烟台人，博士生，合肥工业大学讲师;石琴(1963一)，女，安徽蚌埠人，合肥工业大学教授，硕士生导师;陈元畏(1951一)，男，湖南攸县人，合肥工业大学教授，博士生导师.342 合肥工业大学学报(自然科学版)第31卷最大值和最小值;y(i)为第i个值归一化后的数数tans毡，输出层的神经元的传递函数为S型对值。样本范围设定在(0.2~0. 8)之间，经试算这数函数logsig，网络所用的训练函数也为traing样处理可以使样本易于训练，且收敛速度快。dx，该函数以梯度下降法进行学习，并且学习速2. 3 网络模型的建立率是自适应的。建模时分别采用Elman和BP神经网络建立本文利用逐步回归方法，通过对样本输入序预测模型。合理确定Elman网络的结构是预测列和输出序列之间对应关系的反复学习和训练，性能的基础，实际上结构的确定，尤其是隐含层神确定网络模型的隐层节点数和其他可调参数，并经元的数目的确定是一个经验性的问题，需要不不断调整网络模型输入层与隐层、隐层和输出层断尝试。在这里采用输入层为4个神经元，输出之间的连接权值和域值，找出其传递函数的最佳层为1个神经元，隐含层为6个神经元的Elman权值矩阵和域值矩阵，从而建立起输人和输出之神经网络模型。在训练Elman网络时，隐含层单间的映射关系。元的传递函数取S型正切函数tansig，输出单元也采用S型正切的函数tansig，训练函数采用动3 计算实例量及自适应lrBP的梯度递减训练函数traingdx。以合肥市1997-2006的公交客流量为例，其BP网络模型采用典型的3层前向神经网络，输入数据见表2所列。其中1997-2004年的数据作层采用4个神经元，隐含层采用9个神经元，网络为预测模型的训练样本，2005、2006年的数据不只有1个输出神经单元，因此网络应该为4X9X作学习训练样本，只做测试样本，用来检验模型的l的结构。中间神经元的传递函数为S型正切函预测效果。表21997-2006年合肥市公交客流量年份1997 1998 1999 2000 2001 x(l) x(2) x(3) x(4) x(5) 客流量/万人次29 038.97 29 354.39 30 674. 76 30 995.02 31000 年份2002 2003 2004 2005 2006 x(6) x(7) x(8) x(9) x(lO) 客流量/万人次32000 32 7.37 40 604.059 46 4.403 3 53 586.833 6 利用Elman神经网络和BP网络进行公交客从表3的仿真结果看出，Elman神经网络的流量的预测，网络训练完成后，就可以用来检验平均相对误差为2.095%，BP神经网络的平均相测试样本。用网络预测结果与检验样本的实际结对误差为3.268%。这进一步表明，Elman回归果相比较，即可检验出网络的训练质量。网络模神经网络不仅动态特性好、逼近速度快，而且预拟值是归一化后的数据，根据公式(的反推后的模测精度较高。公交客流量的模拟值和实际值的折拟结果见表3所列。线图如图2所示。表32001-2006年合肥市公交窑流量与预测值分析年份实际客运量Elman模拟值Elman模拟的BP模拟值BP模拟的/万人次/万人次相对误差/(%)/万次相对误差/(%)2001 31000 31 084.700 6 0.27 31 191. 988 1 0.62 2002 32000 31 468. 676 8 1. 66 31 208.928 2 2.47 2003 32 7.37 34 100.042 9 4.08 34 128.276 5 4.16 2004 40 604.059 39 554. 763 2 2.58 39 791. 925 2.00 2005 46 4.403 3 46 344.930 1 1. 17 45 743.555 6 2.45 2006 53 586.833 6 52 079. 162 5 2.81 49 348.97 7.91 (下转第369页)
