的函数进行逼近。这种信号的正向传播和误差反向传播以及各层权值调整过程是循环进行的，直进行到网络输出误差减少到设定值，或者进行到预先设定的学习次数。图神经网络结构训练样本，其中个样本为，则隐含层的第个神经元在样本作用下的输入为二〇〇年十月二十九日星期式中和分别为输入节点在样本作用下的输入和输出，为输入层神经元与隐含层神经元之间的连接权值为隐含层神经元的阀值。输出层第个神经元的总输入为式中为隐含层神经元与输出层神经元之间的连接权值为输出层神经元的阀值为隐含层节点数。神经网络反馈神经网络是种带反馈的两层神经网络，反馈连接从第层输出连接到输入端，这种反馈连接使网络能检测和生成时变模式。它是种典型的动态神经元网络，是在网络基本结构的基础上，通过存储内部状态使其具备映射动态特征功能，从而使系统具有适应时变特征的能力。神经网络也有多层结构，如图所示，除了普通的隐含层外，还有个特别的隐含层，称为上下文层或状态层。该层从普通隐含层接收反馈信号，上下文层内的神经元输出被前向传输至隐含层。神经网络的这种结构特点使它能在有限的时间内以任意精度逼近任意函数。又因为它们有个反馈连接，所以它被训练后不仅能够识别和产生空间模式，还能识别和产生时间模式。图神经网络结构对于多输入多输出网络，设上下文层的输出为，隐含层的输入和输出二〇〇年十月二十九日星期分别为和，网络在外部输入时间序列作用下的网络输出序列为，则有要对数据进行归化处理。归化处理方法有多种，本文采用自带归化函数和。输出时候要进行反归化，用到函数。神经网络建模主要程序二〇〇年十月二十九日星期经反复实验，该网络训练函数用效果最好，网络隐含层神经元数目设定可根据定理，取输入层的个的隐含层结点数，本文有个输入，故隐含层神经元取个。神经网络建模主要程序神经网络训练函数用，隐含层神经元数目经过反复实验确定个，既可得到较小的误差，又能取得快速收敛效果。数据分析表是神经网络的预测结果对比表。表神经网络预测结果对比时间实际客流人预测值人预测值人预测相对误差预测相对误差点点点点二〇〇年十月二十九日星期点点点点点点点点点点点点点点由表可知，神经网络对客流预测的最大误差为，该误差出现在点到点神经网络预测的最大误差为，该误差出现在点到点间。神经网络预测的平均误差为，神经网络预测的平均误差为。通过以上分析可知神经网络对地铁站客流预测稳定性好，误差相对较小，预测效果比神经网络好。相比于地铁站客流量巨大，加上地铁客流随机性强的特点，神经网络误差范围是可以接受的，因此用该模型来预测地铁客流可行。随着系统应用时间的增加，会有更丰富的客流数据，各种情况都会在模型中得到训练，这样网络预测误差会大大减小。二〇〇年十月二十九日星期结论经过以上分析得，神经网络对客流的预测比神将网络更为准确。因为神经网络是种动态神经元网络，具有适应时变特征的能力，而神经网络是利用静态前馈网络对动态系统进行辨识，将动态时间建模问题变成静态空间建模，用在地铁站自动扶梯客流这种动态性比较强的对象预测中，神经网络更占优势。本文只是对周客流进行训练，随着客流样本的增加，神经网络得到更充分的训练，误差将会更小。以上神经网络模型是离线的，今后如将神经网络与地铁站控制系统相结合，投入在线应用，将有大量的地铁站实时客流样本，从而实时训练，不断学习，届时达到更好的效果。二〇〇年十月二十九日星期参考文献王振滨，陈孝祺，李劲自动扶梯节能评估系统上海电气技术于明澜，王晓宁神经网络技术在客流量预测上的应用研究武汉交通科技大学学报李存军，邓红霞，靳蕃基于数据融合的地铁客流量预测方法铁道学报二〇〇年十月二十九日星期题号成绩题目名称基于神经网络的地铁客流短期预测同组学生姓名及学号孙健,秦领,阿卜莱提,教师李秀敏日期二〇〇年十月二十九日星期目录绪论神经网络简介神经网络神经网络神经网络建模对地铁客流短期预测客流数据统计神经网络建模数据分析结论参考文献二〇〇年十月二十九日星期绪论随着大中型城市地铁的开通，地铁站自动扶梯数量剧增。经实地考察大部分地铁站扶梯在客流量大时以额定速度运行，在人少或没人的情况下仍然以额定速度运行，从而造成耗能大，机械磨损严重，使用寿命减少等缺点。上海电气中央研究院于年夏季完成了对地铁号线马戏城自动扶梯客流情况的调研，发现自动扶梯的满载率不到，其他大部分时间都在轻载和无人情况下运行。如果能够预知地铁站客流，使自动扶梯控制系统跟随客流的变化调节控制策略，不仅有利于地铁客流高效及时地疏散，还可降低扶梯能耗，及自动扶梯的机械磨损，提高使用寿命，进步提高安全系数。目前有不少针对地铁客流预测的研究和报告。例如在地铁线路规划的时候都需要对沿线客流情况进行预测，从而确定早晚运行时间列车编组辆数配属车厢数量供电设备和通风设备的容量。这种预测主要是对每天或者每年客流总数的预测，预测方法都是采用四阶段预测法。对地铁客流预测还有很多方法，传统的预测方法有回归分析算法以及滤波等。这些方法假设系统为平稳的线性系统，因此在线性系统平稳的随机时间序列预测中能够获得满意的结果。由于自动扶梯客流具有高度的复杂性随机性和较强的非线性，很难有特定的函数表达形式，因此用以上方法很难获得好的效果。近年来随着神经网络理论的发展，有很多用神经网络对客流预测的研究但这些研究以公路客流为主，将神经网络用在地铁客流量预测的研究较少。同时以上神经网络对客流的预测仅处于已知前几天或前几年的客流从而预测下天或下年客流的研究上，没有做到将天气季节节假日等情况考虑进去预测每时刻客流。本文将根据地铁站自动扶梯客流统计数据，结合外部因素如天气，季节等，分别用和神经网络建立数据模型，对地铁站自动扶梯客流进行预测分析，从而得到更适合地铁站自动扶梯客流预测的数据模型。二〇〇年十月二十九日星期神经网络简介神经网络是种大规模并行分布处理的非线性系统，具有高度的非线性运算能力和的自学习自组织联想记忆和并行处理能力，神经网络的信息分布式存储在权系数中，具有集体运算和自适应学习的能力。同时间序列模型相比，神经网络模型具有较强的自适应性，预测的精度较高。本文主要用到神经网络和神经网络，下面对这两种神经网络进行简单介绍。神经网络神经网络是种多层前馈型神经网络，由于权值的调整采用反向传播学习算法而得名在网络中，信号向前传播，误差反向传播，通常具有个或多个隐含层和线性输出层，能够对具有有限不连续点的函数进行逼近。这种信号的正向传播和误差反向传播以及各层权值调整过程是循环进行的，直进行到网络输出误差减少到设定值，或者进行到预先设定的学习次数。图神经网络结构训练样本，其中个样本为，则隐含层的第个神经元在样本作用下的输入为二〇〇年十月二十九日星期式中和分别为输入节点在样本作用下的输入和输出，为输入层神经元与隐含层神经元之间的连接权值为隐含层神经元的阀值。输出层第个神经元的总输入为