基于自组织映射的神经网络轨道客流时序研究

2021-03-15

智能城市 2021年3期

（重庆交通大学交通运输学院，重庆 400041）

客流预测是衡量建设项目经济成本及影响未来规划的一个重要指标[1]，更是城市轨道相关部门展开各项管理工作的基础与依据。对于客流预测的方法、算法，主要有四阶段法、时间序列法、非线性自回归模型[2]、神经网络等。例如，孟品超等[3]利用滑动平均法预测城市轨道交通客流，认为精度及运算速度较高；杨静等[4]提出小波和自回归组合预测模型，并得出组合模型预测精度远高于单一模型；梁强升[5]结合数据驱动和图卷积神经网络进行客流预测，分析客流的时空交互关系；也有学者运用GM灰色模型[6]、卷积长短记忆神经网络[7]、支持向量机等模型。

城市轨道线路增多，多个行程时间缩短，线网的出行效率大幅提高，线路的客流情况是否与营运预期值相符，是否与运营组织计划匹配，客流预测在轨道运营管理中至关重要。本文对客流的周期时序特性进行分析，考虑其波动规律，并通过SOM网络和RBF神经网络模型结合的方式进行预测，模型适应性好。

1 基于SOFM的神经网络预测

1.1 SOFM网络

SOFM即自组织特征映射聚类，由输入层和竞争层组成的两层网络，两层之间神经元相互连接，模拟生物神经元的信息处理的动力学原理来进行网络的学习，接收外部信息输入层即刻传递信息，通过在输入空间的分组方式对输入模式进行分析比较归类，相邻神经元会学习识别输入的相邻部分。其重点是输入后计算权值向量和输入向量的欧式距离并定义胜利神经元邻域。

1.2 神经网络

径向基神经网络是一种三层拓扑结构网络：输入层、隐含层和输出层。输入层负责把来自外部的数据映射到隐含层，实现神经网络的非线性映射，输出层则对隐含层节点的加权求和。

1.3 基于SOFM的神经网络预测

神经网络隐含层直接利用输入层的数据输出方式，导致中间信息的处理无法体现，尤其是客流的时序特征的区别。

本文结合SOM网络自组织竞争学习的特性和径向基神经网络仿真机理，提出基于SOFM网络的神经网络预测模型，对客流原始数据进行聚类后分类预测。将原始客流数据带入SOFM网络聚类，得到一类不同模式的客流量数据，将一类不同模式的客流数据分别用作神经网路预测的输入数据，利用神经网络的仿真分析实现客流量预测，得到输出测值，网络拓扑结构如图1所示。

图1 基于SOFM的神经网络拓扑结构

主要步骤如下：

（1）原始数据初始化后输入，用随机数设定输入层与映射层的权值；（2）映射层的权值向量和输入向量距离计算；（3）定义邻域，判断是否符合目标，达到最小距离，是则进入下一步，否则转入（2）步骤；（4）选择样本训练数据与预测数据，构建神经网络，定义网络的相关参数；（5）调整隐含层单元数和隐含层单元中心，用高斯函数计算隐含层权值，获得隐含层输出；（6）通过隐含层与输出层的函数关系得出输出层的输出；（7）计算训练误差；（8）判断训练的误差是否小于指定目标，是则进行（10）步骤，否则转（9）步骤；（9）利用最小二乘法进行权值调整，修改输出层权值，转入（7）步骤；（10）全部样本训练完成。

2 实例分析

2.1 数据处理

选取某地铁5号线连续120 d的日客流量数据作为统计对象，使用本文的模型方法对原始数据进行分类预测。

将归一化处理后的数据代入SOM网络进行自组映射聚类，利用100个神经元对输入的客流数据进行分类，其竞争层神经元拓扑设置10×10结构。随着训练步数的增加，神经元分布从杂乱逐渐合理，到一定程度后神经元自组织分布就较为清晰。

考虑SOM网络运特性，经过多次实验，自组织映射聚类后，将日客流量数据聚类主要分为两种形式。形式一：周一～周五为一类，周六、周日为一类；形式二：周一独自一类，周二、周三、周四、周五为一类，周六、周日为一类。训练后聚类效果如图2所示。

图2 训练后聚类效果

2.2 预测

选取120组数据中61组数据作为测试数据，引入训练后的神经网络仿真，结果如表1所示，实测与预测数值对比如图3所示，不同预测方法绝对误差对比如图4所示。

表1 神经网络预测结果

图3 实际值与预测值对比

图4 不同预测方法绝对误差对比

由图可以看出，客流量表现出一定周期的特征变化，总体形态上由凹凸状波动，其中凸出处为工作日客流，总体而言比较稳定，凹陷处为周末客流，对比工作日有明显变小的趋势。且在一周内，周一～周四客流量远高于周末，客流量高峰一般为周五，周末客流一般最低。在连续时间内，整体上呈现出一定的周期重复循环变化。

两种神经网络都能实现对轨道客流数据的预测，BP神经网络对于非工作日客流数据预测误差较大，不能凸显客流数据的周期性，平均相对误差13.15%，改进后的SOFM神经网络预测模型对于相同的非工作日客流数据实际值与预测值差异性要小，其相对误差均在10%以下，能有效达到最佳预测结果，预测误差波动要远低于BP神经网络的误差波动。