基于深度学习的城市轨道客流预测实训基地培训系统设计与实现

李运

关键词：BP神经网络;深度置信网络;城市轨道;客流量;培训系统

在现代城市的建设中，城市轨道设施的建设与人们密切相关，影响着每一个人的日常出行。城市轨道客流量短时间迅猛增长，而车辆空间容载能力却十分有限，轨道客流与道路空间的矛盾日益突出，造成的后果就是交通拥堵现象时常发生。

为解决这一问题，国内外众多学者针对如何准确模拟与预测城市轨道客流进行了大量研究，Ku-mar等提出了一种基于季节的自回归移动平均模型，该模型在对车流量的影响因素中添加了季节因素，考虑不同季节对车流量造成的影响，但是只使用了少量的输入数据来进行模拟预测，预测结果只能说明城市轨道的短期客流量。卢志义等人通过时间序列分析的方法提出了一种基于ARMA（Auto-Regressive and Moving Average）的城市轨道交通客流量预测模型，采用天津地铁客流量数据进行拟合与预测，取得了很好的效果。徐熠明基于灰色改良模型对上海市轨道交通日常客流量进行了预测，发现模型对于普通工作日的预测更接近真实值，对于周末以及特殊工作日预测结果表现不佳。这些传统的交通流量预测方式采用的是转化的思想，将流量预测问题转化为研究时间序列预测问题，通过分析已有的时间序列数据，将提取到的特征推广到要预测的数据上，从而预测数据未来的走向趋势。这就需要先将采集到的交通流量数据分类整理成时间序列数据，因此对原始数据的要求很高，需要数据平稳且保持较大的数据量。

基于深度学习相关理论，可以设计与实现实训基地培训系统，检测城市道路车流量的实时变化情况，进行城市轨道客流量的预测，它不仅可以关联学习特征与学习任务，还可以自动提取数据特征背后隐藏的复杂信息，在模型网络加深的过程中进行浅层特征的整合提取，利用组合特征来解决问题。希望通过研究为城市轨道客流量的预测提供新的研究思路，为深度学习与轨道客流预测的结合提供参考。

1基于DBN与BP神经网络的基地培训系统

1.1 DBN与BP神经网络

深度学习在机器学习中属于一个全新的领域，由于深度学习算法更加接近实现人工智能且具有良好的算法优越性而受到人们的广泛关注。深度学习不仅仅教机器模仿人类的动作行为，更多的是教机器学会像人类一样去思考，使机器能够处理复杂的模式识别问题。近年来，深度学习在数据挖掘、机器学习、图像识别、模型优化等方面都发挥着重要作用。

特征学习和深度学习交叉形成的深度置信网络（DBN）是由BP神经网络与多个受限玻尔兹曼机（RBM）共同构成的深度神经网络。玻尔兹曼机中的神经网络属于反馈神经可以进行随机递归，且每一层神经元之间都是相互连接的，各层之间也处于连接状态，而受限玻尔兹曼机的层内神经元之间是没有连接的，如图1所示。

在BP神经网络的模型训练过程之中，先会输入样本，进行权重与阈值的随机设置，加权求和得到的输出值会作为下一层的输入，层层迭代直至到达最终输出，这是一个正向传递的过程。在正向傳递的同时，模型也会通过最小化函数的设定与梯度下降法反复调整权重与阈值，直至实验误差在可接受的范围之内，这是一个反向传播对实验结果进行干预的过程。BP神经网络图如图2所示。

1.2实训基地培训系统的组成与设计

在实训基地的设计与实现的过程中，由于不同单位在资金、场地、调研深度等方面有不同的需求，系统的设计与实现效果会存在较大差异。培训系统的实现过程需要使用Python语言的tkinter库进行系统设计与开发，tkinter库是Python语言针对图形界面开发专门提供的程序库，它实现的系统界面简洁，具有良好的人机交互性，通过tkinter库编写的软件可以实时、快速地实现基地培训系统，同时可以满足系统对数据收集、数据分析与整理、模型训练，以及城市轨道交通客流量的预测需求。构建的实训基地培训系统包括数据收集、实时数据分析处理、模型训练、轨道客流预测等4个运营管理模块，如图3所示：

1.3系统数据收集与处理

研究的数据集为A市城市轨道交通客流量的真实数据，通过分布式传感器系统与车辆GPS（Global Positioning System，全球定位系统）收集数据，对城市轨道线路多个点进行客流量的监测。本次实验选用数据为城市道路交通传感器从2019年6月1日到2020年6月1日共一年收集到的数据，收集到的数据文件包含位置信息、时问信息以及轨道交通客流量。其城市轨道交通道路分布图如图4所示：

整理与分析收集到的数据信息对未来的轨道交通客流量进行预测，根据均方根误差对预测结果进行评估，均方根误差（Root Mean Square Error，RMSE）按式（1）计算：

其中，Y是轨道客流量实际值，Y是系统模型对轨道客流量的预测值，N表示的是数据的个数。

对收集到的数据进行预处理，删除超出范围的异常值，同时对缺失的数据采用均值替换法填补，均值替换法如公式（2）所示：

1.4模型构建与优化

数据输入主要包含两部分信息，分别是离散化数据块和非离散化数据块，模型训练过程的两个部分分别是BP网络模型的训练与DBN模型的训练，而DBN模型的训练是训练内容的核心。

BP网络模型主要包括样本集确定、网络模型结构、参数训练等模块。其中样本集采用上文收集到的城市轨道客流量数据集，预处理后得到实验数据集。构建网络模型需确定神经网络模型中的数据特征，包括输入层节点数量、隐层节点及数量，还需选择适当的传递函数。在这几个参数中，输入层节点数量与实验数据集紧密相关，因为过多的输入层节点数量必然会导致模型训练时问增加，因此选择合适的参数就显得尤为重要。根据数据收集的3个维度（分别是位置信息、时间信息与客流量信息）确定输入层节点数量为3。同时，BP网络模型中隐层的数量也会极大影响预测的准确性与训练时间。增加隐层的数量虽然可以提高预测精度，但也极易引起过度拟合、训练时问过长等问题。选择大多数研究所采用的一层隐层的神经网络结构来预测城市轨道交通客流量。在传递函数的选择上，Sigmoid函数作为一种普遍的传递函数被大多数模型所采用，在对轨道交通客流量进行预测时也同样采用Sigmoid函数。

传统的BP神经网络通常会出现梯度扩散的现象，而且算法容易趋于局部最优值而忽视全局最小值，这些问题使得传统的BP神经网络算法应用有很大局限。为此基于BP网络模型提出了DBN模型，该模型结构的训练流程有监督和无监督两种模式，模型训练过程的第一步是采用无监督的方式对DBN模型进行训练，第二步是通过BP反向传播的方式调整至合适的参数值，反复进行第二步直至实验的预测误差在允许的范围内，此时的模型就是最终的DBN预测模型。

1.5城市轨道客流预测模块

城市轨道客流预测工作对于交通设施的规划、设计以及各方面的前期工作来说具有重要的意义，甚至可以说，对城市轨道交通进行客流预测，并对其结果进行分析与整理，能够为城市轨道交通的设计工作以及建设工作做好充足的准备工作，所以在构建的城市实训基地培训系统中有必要添加轨道客流预测板块，通过以往的数据建立BP神经网络模型以及DBN模型，对两种模型预测的城市轨道客流量值进行比较分析，基于此构建出轨道客流预测模块，流程图如图5所示：

如图5所示，数据进入系统后先进行归一化处理，然后进行模型训练，在训练结束的时候进行轨道客流值的预测，将预测值与实际值进行比较验证，当预测值的误差收敛于可接受的范围时输出模型预测结果，否则进行模型参数的调整，重新优化预测模型，直至得到符合要求的模型。

2结果和讨论

2.1 BP神經元隐藏层节点个数

通过实验得到神经元个数与均方根误差之间的关系如图6所示：

根据图6可以看出预测模型均方根误差最小时，神经元个数为8。在隐藏层节点数目也为8时测量节点10与节点12的轨道客运量误差值为0.03467与0.01544，经过验证模型最适宜的神经元个数为8，减去必要的输入输出节点数目，最佳隐藏层节点数目为6。

2.2网络参数设置结果

训练集对网络参数进行设置与训练后，使用预测集进行预测，其中控制输入节点数为4，隐藏层节点数为6，反复进行迭代所产生的均方根误差结果如图7所示。

通过图7中的实验数据可知，模型迭代次数过少时实验误差值较大，当迭代次数增多时均方根误差整体趋于平稳，其中模型训练集迭代次数在300～1000次之间时，实验误差大约在0.02478～0.02798之间趋于平稳，迭代次数在300次左右误差最小约为0.02478，且大于300后，误差还会稍微有所增加，因此，对于BP网络训练的迭代次数取值为300。

2.3 BP神经网络模型与DBN模型结果分析比较

为了充分说明基于BP网络和DBN网络的预测结果，使用上述实验数据进行更为准确的轨道客流预测，将预测结果与实际客流进行比较分析，结果如图8所示。从图8中可以看出DBN模型预测的城市轨道客流量曲线相比BP神经网络模型的预测值拟合度更高，更加接近轨道客流实际值。

2.4培训系统中预测模型整体评价

相比BP网络预测模型，DBN预测模型的稳定性更高，选取5个数据节点，采用均方根误差进行衡量以进一步验证DBN模型的准确性及稳定性，误差结果如图9所示：

从图9中可以看出，DBN预测模型相比BP神经网络模型平均均方根误差大约减少了0.01475，平均处理每个批次任务时间约为3.5 s，可知在相同数据集下，DBN模型比BP神经网络模型的轨道客流量预测结果更好。

3结论

随着互联网技术的发展，传统的基地培训系统因无法满足当前人们的需求而逐渐被淘汰。主要通过对分布式传感器收集的数据进行预处理，研究了BP网络模型的预测模型，根据实验数据集分析得出BP神经网络中隐藏层节点数量的最优参数值，预测轨道客流量。然后在提出的DBN预测模型中考虑不同隐藏层和隐藏层神经元节点对本次实验中轨道客流的预测影响。实验结果表明，DBN在客流量预测方面比BP模型准确度更高，隐藏层节点数目最佳为6，此时模型对轨道客流的预测结果效果最佳。

研究仍有许多不足之处：首先，使用的神经网络对轨道客流进行预测的方法目前应用较少，技术上并不是很成熟。例如，在深度置信网络中，神经元隐藏层节点的数目就没有较好的方式来确定，只能通过试验后误差的分析进行参数的调整与优化。其次，研究城市轨道客流时为简化问题方便建模，只选取了部分轨道客流信息，对轨道客流的影响因素只考虑了时间及位置信息。目前大数据技术在相关领域应用广泛，在后续的研究中也可以考虑使用大数据等技术，进一步优化模型结构与性能。