基于BP神經(jīng)網(wǎng)絡模型的客流預測研究

摘 要：【目的】為了提高客流量預測的準確性，研究基于BP神經(jīng)網(wǎng)絡模型的客流量預測方法，為城市公共交通的調(diào)度和規(guī)劃提供更為可靠的數(shù)據(jù)支持?！痉椒ā坎捎肂P神經(jīng)網(wǎng)絡模型，利用歷史客流量數(shù)據(jù)作為訓練樣本，構建能夠?qū)ξ磥砜土髁窟M行預測的模型。通過模型訓練與驗證，分析不同參數(shù)配置下的模型性能，并與傳統(tǒng)預測方法進行了對比?！窘Y果】結果表明，基于BP神經(jīng)網(wǎng)絡的預測模型在多個時間段的客流量預測中表現(xiàn)優(yōu)異，預測誤差顯著低于傳統(tǒng)方法。BP神經(jīng)網(wǎng)絡模型預測結果在僅使用均值進行預測的情況下，其準確度越接近于1精準度越高，即預測結果訓練集為0.701，測試集為-0.906均接近于1?！窘Y論】BP神經(jīng)網(wǎng)絡模型能夠有效捕捉客流量的變化趨勢，具有較高的預測精度，適用于復雜城市交通系統(tǒng)的客流量預測任務。未來的研究可進一步優(yōu)化模型參數(shù)，并結合其他算法提高預測性能。

關鍵詞：BP神經(jīng)網(wǎng)絡模型；聚類分析法；移動平均法；客流預測

中圖分類號：U231.4" " "文獻標志碼：A" " 文章編號：1003-5168（2025）03-0059-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.03.012

Research on Passenger Flow Prediction Based on BP Neural Network Model

—Take Xi'an Metro Xiaozhai Station as an Example

ZHANG Siyao1 DU Chenyang1，2 ZHANG yiman1 GAO Wanqi1 HE Pengfei2

（1.School of Traffic and Transportation， Xi'an Traffic Engineering Institute， Xi'an 710300， China;

2.Operation Company of Xi'an Rail Transit Group Company Limited， Xi'an 710018， China）

Abstract： [Purposes] In order to improve the accuracy of passenger flow prediction， this paper studies the passenger flow prediction method based on BP neural network model， aiming to provide more reliable data support for the dispatch and planning of urban public transportation. [Methods] Using the BP neural network model and using historical passenger flow data as training samples， a model capable of predicting future passenger flow was constructed. Through model training and verification， the model performance under different parameter configurations was analyzed and compared with traditional prediction methods. [Findings] The experimental results show that the prediction model based on BP neural network performs well in passenger flow prediction in multiple time periods， and the prediction error is significantly lower than the traditional method.When the prediction result of the BP neural network model is compared with the prediction only using the mean value， the closer the accuracy is to 1， the higher the accuracy is. That is， the training set of the prediction result is 0.701， and the test set is -0.906， both of which are close to" 1. [Conclusions] Research has proven that the BP neural network model can effectively capture the changing trend of passenger flow， has high prediction accuracy， and is suitable for passenger flow prediction tasks in complex urban transportation systems. Future research can further optimize model parameters and combine with other algorithms to improve prediction performance.

Keywords： BP neural network model; cluster analysis; moving average method; passenger flow prediction

0 引言

近年來，隨著我國城市化進程的快速推進，軌道交通系統(tǒng)憑借其大運量、適合中長距離運輸?shù)娘@著優(yōu)勢，成為緩解城市交通擁堵、促進城市可持續(xù)發(fā)展的重要途徑［1］。未來，城市軌道交通將成為西安市民日常出行的首選方式，其在優(yōu)化城市交通結構、促進區(qū)域經(jīng)濟發(fā)展及提升市民生活品質(zhì)方面扮演著重要的角色［2-3］。作為西安市軌道交通網(wǎng)絡中的關鍵節(jié)點，小寨站作為重要交通樞紐的地位日益凸顯。因此，對小寨站進行精準高效的客流預測，對于優(yōu)化公共交通資源配置、提升整體運營效率、減少乘客等待時間及增強市民出行體驗具有重要的意義［4］。

1 小寨站概況

本文以西安地鐵小寨站為研究對象，該站是西安地鐵2號線與3號線的換乘站，如圖1所示。目前共設有6個出入口，運營時間為06：00—23：45。2號線的站臺長209.6 m，寬21.5 m；3號線的站臺長145.65 m，寬21.7 m。

2 客流特征分析

2.1 進站客流分析

小寨站位于西安市繁華區(qū)域，周邊商業(yè)、教育和文化設施豐富，因而日?？土髁枯^大［5］。進站客流由通勤者、學生和游客等不同人群組成，因其出行時間和目的各異，導致進站客流在時間上呈現(xiàn)波動性［6］。據(jù)統(tǒng)計，小寨站的日均進站客流量為6.5萬人次，高峰時可達8萬人次。小寨站的進站客流在時間分布上具有明顯的不均衡性，呈現(xiàn)出單峰形態(tài)，晚高峰時段集中在18：30—19：30，通勤人群的大量涌入使該時段成為一天中客流的最高點。

2.2 出站客流分析

小寨站的出站客流在時間和空間上呈現(xiàn)一定的規(guī)律性。時間方面，出站客流通常在早晚高峰期、節(jié)假日及大型活動結束后達到峰值。空間方面，乘客的出站目的地多樣化，呈現(xiàn)分散的趨勢［7］。根據(jù)統(tǒng)計數(shù)據(jù)，小寨站的日均出站客流量約為8.2萬人次，峰值時可高達10.5萬人次，其中A、D出入口的高峰期為8：00—9：00。小寨站的出站客流波動較大，既受周邊環(huán)境和人口分布的影響，也受到時間、特殊事件等多重因素的制約。小寨站各出入口客流統(tǒng)計如圖2至圖4所示。

3 聚類分析

3.1 聚類分析法概述

聚類分析是一種常用的數(shù)據(jù)分析方法，適用于將數(shù)據(jù)集中具有相似特征的個體劃分為不同群體或類別［8-9］。使用系統(tǒng)聚類法對小寨站各出入口的客流人數(shù)進行分析，可以幫助地鐵公司更全面地了解各進出口的客流情況，發(fā)現(xiàn)潛在問題并提出相應的解決方案。聚類分析的優(yōu)勢在于能夠?qū)Υ罅繑?shù)據(jù)進行有效分類，極大地節(jié)省了數(shù)據(jù)深度分析的時間和人力成本［10］。根據(jù)聚類結果，地鐵公司可以為不同群體制定個性化的服務策略，進而提升運營服務質(zhì)量［11］。

3.2 數(shù)據(jù)處理

①編碼。以15 min為時間粒度對一日內(nèi)的城市軌道交通運營時間進行編碼時，按照時間順序進行整數(shù)編碼，分別為6：00—7：00時間編碼為1，7：00—8：00時間編碼為2，其余時間段以此類推，23：00—24：00時間編碼為18。

②spss-數(shù)據(jù)-聚類分析。其結果如圖5至圖10所示。

3.3 聚類分析

3.3.1 A、D出入口客流量聚類分析。若分為5類，則時間編碼13、14、12對應的時間段聚為一類，17、16、15聚為一類，11、10、8、7、6、4、9、3聚為一類，5、2聚為一類，18、1聚為一類。

3.3.2 C、B出入口客流量聚類分析。若分為5類，則15、14、13聚為一類，12、11聚為一類，10聚為一類，16、9、8、7、6、17、5聚為一類，4、18、3、2、1聚為一類。

3.3.3 E、F出入口客流量聚類分析。若分為5類，則15聚為一類，14、13聚為一類，12聚為一類，16、10、9、17、11、8聚為一類，7、6、5、4、18、3、2、1聚為一類。

4 客流預測模型

4.1 BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡是一種常見的人工神經(jīng)網(wǎng)絡模型，其算法可以調(diào)整網(wǎng)絡中連接權重，以最小化訓練樣本的損失函數(shù)［12］。本研究使用訓練好的模型對未來的客流進行預測。將新的特征數(shù)據(jù)輸入模型中，通過前向傳播得到預測結果，從而實現(xiàn)客流量的預測?？傮w來說，BP神經(jīng)網(wǎng)絡模型可以通過學習歷史數(shù)據(jù)中的模式和趨勢，實現(xiàn)對未來客流的預測，為城市交通管理和規(guī)劃提供重要參考。

4.2 數(shù)據(jù)處理

4.2.1 標準化處理。對數(shù)據(jù)進行標準化處理，使得各維度輸入在同一個量級上，以提高模型的準確性。

4.2.2 數(shù)據(jù)劃分。為了訓練神經(jīng)網(wǎng)絡，將歷史客流數(shù)據(jù)劃分為訓練數(shù)據(jù)和驗證數(shù)據(jù)。選取小寨站2017—2021年的客流數(shù)據(jù)進行訓練和預測。訓練數(shù)據(jù)用于訓練神經(jīng)網(wǎng)絡，而驗證數(shù)據(jù)則用于評估網(wǎng)絡的性能。

4.2.3 數(shù)據(jù)訓練。將處理好的數(shù)據(jù)集劃分為訓練集和測試集，通常選用70%的數(shù)據(jù)作為訓練集，30%的數(shù)據(jù)作為測試集。利用訓練數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，通過不斷調(diào)整網(wǎng)絡權重和閾值，使其能夠?qū)W習客流量的變化規(guī)律。在訓練過程中，采用交叉驗證法對網(wǎng)絡進行優(yōu)化，以防止過擬合現(xiàn)象的發(fā)生［13］。同時，根據(jù)驗證數(shù)據(jù)的性能指標，調(diào)整網(wǎng)絡參數(shù)，提高預測準確性。

4.3 結果分析

4.3.1 分析步驟。①通過訓練集數(shù)據(jù)來建立BP神經(jīng)網(wǎng)絡回歸模型。②將建立的BP神經(jīng)網(wǎng)絡模型應用到訓練、測試數(shù)據(jù)中，得到模型評估結果。③由于BP神經(jīng)網(wǎng)絡具有隨機性，每次運算的結果不一樣，若保存本次訓練模型，后續(xù)可以直接上傳數(shù)據(jù)代入到本次訓練模型進行計算預測［14］。④BP神經(jīng)網(wǎng)絡回歸無法像傳統(tǒng)模型一樣得到確定的方程，通常通過測試數(shù)據(jù)預測精度來對模型進行評價。

4.3.2 詳細結論。

①模型參數(shù)。各項參數(shù)配置及模型訓練時長見表1。

②模型評估結果。訓練集和測試集的預測評價指標見表2。

③預測結果。預測結果見表3。

以上結果以C、B出站口為例，其余進出站口同理可得。為了評估BP神經(jīng)網(wǎng)絡模型的性能，將預測結果與實際客流數(shù)據(jù)進行對比。通過計算均方誤差等指標，評估模型的預測準確性。進一步優(yōu)化網(wǎng)絡結構、調(diào)整參數(shù)，以提高預測準確性。對比不同月份的預測誤差，可以看出BP神經(jīng)網(wǎng)絡在大部分時間段的預測誤差均在可接受范圍內(nèi)，具有較高的預測準確性［15］。與實際客流量對比分析發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡在節(jié)假日等高峰期的預測表現(xiàn)較好，但在工作日的預測誤差相對較大。這可能是由于工作日客流量的波動受到更多因素的影響，如天氣、突發(fā)事件等，而BP神經(jīng)網(wǎng)絡在處理這些復雜因素時可能存在一定的局限性。

4.4 移動平均法

移動平均法是一種常用的客流預測方法之一，它通過計算一定時間段內(nèi)的客流量的平均值來預測未來的客流量。具體方法是將歷史數(shù)據(jù)最后一個移動平均值作為預測值，然后將其作為下一期的起點，按照相同的方式計算新的移動平均值，并將其作為下一個預測值，以此類推，即可預測未來每個月的非工作日客流量。根據(jù)實際情況對預測結果進行評估，并且根據(jù)需要進行調(diào)整和修正。利用2017—2021年客流數(shù)據(jù)預測2022年客流數(shù)據(jù)，具體見表5。

4.5 模型比較

BP神經(jīng)網(wǎng)絡是一種復雜的機器學習模型，適用于處理復雜的非線性問題，而移動平均法則是一種簡單的平滑預測技術，更適用于處理時間序列數(shù)據(jù)。通過比較可知，BP神經(jīng)網(wǎng)絡模型法得到的預測值更優(yōu)于移動平均法預測值，且BP神經(jīng)網(wǎng)絡模型具有強大的非線性映射能力，能夠逼近任何非線性的函數(shù)，適用于求解內(nèi)部機制復雜的問題。其輸入層、隱藏層和輸出層之間的結構可以實現(xiàn)對高維非線性數(shù)據(jù)的擬合，使得模型在處理復雜非線性關系時具有較高的準確性。

5 結論

本研究運用BP神經(jīng)網(wǎng)絡模型對西安地鐵小寨站的客流量進行了詳細的預測與驗證。研究結果顯示，相較于傳統(tǒng)的移動平均法，本研究所提出的基于BP神經(jīng)網(wǎng)絡的預測模型展現(xiàn)出更高的預測精度。該模型不僅具備高度的靈活性和適應性，能夠針對多樣化的數(shù)據(jù)集和實際問題進行動態(tài)調(diào)整與優(yōu)化，還展現(xiàn)出了良好的可解釋性，有助于深入理解客流變化的內(nèi)在機制。在面對如大型活動、突發(fā)事件等復雜多變的外部環(huán)境時，該模型能夠迅速響應，通過參數(shù)的調(diào)整與優(yōu)化，確保地鐵運營的安全性和穩(wěn)定性，有效緩解因客流量激增帶來的潛在壓力。這一研究成果不僅為地鐵公司提供了科學的決策支持，助力其提升服務質(zhì)量與運營效率，同時也為其他城市在軌道交通運營管理與優(yōu)化方面提供了參考。

參考文獻：

［1］雷斌，張源，郝亞睿，等.城市軌道交通短期客流預測研究進展［J］.長安大學學報（自然科學版）， 2022，42（1）：79-96.

［2］禹倩，張亞東，郭進，等.基于深度集成神經(jīng)網(wǎng)絡的城市軌道交通短時進站客流預測［J］.鐵道學報，2023，45（12）：37-46.

［3］黎家靖，張寧，溫龍輝，等.地鐵站點短時客流變化規(guī)律分析及預測方法［J］.城市軌道交通研究，2023， 26（11）：36-42.

［4］于展.基于聚類算法的上海軌道交通站點高峰特征分析［J］.城市軌道交通研究，2023（S2）：140-144.

［5］戶佐安，鄧錦程，楊江浩，等.軌道交通站點聚類及其對客流預測的影響分析［J］.交通運輸系統(tǒng)工程與信息，2023，23（6）：227-238.

［6］孫曉黎，朱才華，李美妮，等 時間序列聚類下的城市軌道交通客流預測研究［J］.鐵道運輸與經(jīng)濟， 2023，45（3）：149-157.

［7］嚴晗.基于組合神經(jīng)網(wǎng)絡模型的南昌市地鐵短時客流預測［D］.南昌：江西財經(jīng)大學，2023.

［8］董俊良.基于神經(jīng)網(wǎng)絡模型的城市軌道交通短時客流預測［D］.大連：大連交通大學，2022.

［9］陸中石.基于BP神經(jīng)網(wǎng)絡的短時客流預測優(yōu)化［J］.科技與創(chuàng)新，2023（19）：13-15.

［10］鄭俊鋒，方旭峰，王晨陽.基于時間序列分解方法的城市軌道交通大客流預測方法［J］.城市軌道交通研究，2023，26（8）：163-170.

［11］劉新華.城市軌道交通網(wǎng)絡客流大數(shù)據(jù)可視化與客流預測研究［D］.石家莊：石家莊鐵道大學，2023.

［12］亓曉雨，傅成紅.地鐵短時客流預測改進LSTM方法［J］.交通科技與經(jīng)濟，2024，26（2）：58-64.

［13］朱倩.基于大數(shù)據(jù)的城市軌道交通客流預測方法研究［D］.成都：西南交通大學，2019.

［14］劉鎵榮.基于機器學習和流體排隊理論的城軌站臺滯留人數(shù)預測及預警研究［D］.重慶：重慶交通大學， 2024.

［15］黎家靖，張寧，溫龍輝，等.地鐵站點短時客流變化規(guī)律分析及預測方法［J］.城市軌道交通研究，2023，26（11）：36-42.