文摘
随着城市公共交通旅行的比例增加,交通枢纽地区的行人流量增加。为有效提高相关管理公寓的应急处理能力,防止行人拥挤的事件,本文研究了行人流量预测方法在北京交通枢纽地区。首先,34个典型人行道交通枢纽地区在北京获得2200份有效数据进行调查。其次,相关分析是用来分析行人流量之间的关系及其影响因素。11提取重要的影响因素。第三,建立了预测模型和模块化神经网络。行人流量调查样本模糊集群根据交通枢纽的区域土地利用存在。然后,基于距离测量的隶属函数构造的。通过模糊歧视,在线选择子网的信息可以实现。因此,自适应神经网络的信息处理是改善。 Finally, this paper tested the pedestrian flow sample of a transportation hub in Beijing. It was concluded that the accuracy of pedestrian flow forecasting model using modular neural network was higher than other neural network models. There was also improvement in the adaptability to environment.
1。介绍
最近,随着经济发展和城市化进程的推进,中国交通堵塞往往与网站的趋势线和豪爽。相关研究表明,发展公共交通是解决城市交通拥堵问题的最佳方式。由于公共交通的快速发展,人们的环保意识的提高,越来越多的人选择旅游公共交通作为第一选择。此外,行人在交通枢纽地区发挥了重要作用影响交通安全,行人流量的预测是管理的前提。因此,研究预测人流交通枢纽地区是有益的改进的信息感知能力和应急处理能力相关管理公寓。它对交通枢纽的安全运行有重要意义和缓解城市交通拥堵。
现有的研究特点进行了研究和预测的人流。Gipps和Marksjo1建立行为模型和路径选择模型的一个行人的最短路径的基础上,作为他们的移动。汉斯et al。2)建立了细胞自动机模型对行人的绕过火车站基于行人流量的基本特征。赵et al。3行人卷上)调查在超市在哈尔滨和多项式拟合的回归公式三个命令在工作日和周末人流的命运。李(4)建立乘客分布的预报模型和日常交通使用客流数据的世博会在大阪举行,日本在1970年,作为主要的参考指标。他们也吸引了客流分布曲线。软脂酸十六酯(5)提出了一个乐观动态神经网络,在此基础上建立交通流预测模型。Marfia和Roccetti6)一个新的预测模型的研究预测的交通拥堵和检查其有效性与实际结果不同的城市道路。谢et al。7)提出了一个混合temporal-spatio预测方法相结合时序预测基于径向基函数神经网络和基于空间相关性程度spatio预测获得高速铁路交通枢纽的客流状态。Davidich和科斯特8]目前确定了关键参数和相互依赖关系的一种方法,使他们正确校准模型对相关真实数据,使其能够繁殖和预测真实场景基于真实数据的分析。
如上分析,现有研究行人注意在行人的行为特征和乘客预测商业地区和大型活动的地方。预测行人流量的研究很少。此外,行人高度智能的身体。行人流量不同于机动车辆只能在规定航线上运行。非线性和离散性的特点。行人可以改变他们的移动根据环境条件。
旨在解决上述问题,本文提出了一个行人流量基于模块化神经网络的预测模型。根据学习能力和神经网络的逼近能力本身,该模型具有较高的精度和对环境适应能力强。验证了模型的有效性测试行人流量调查样本在北京交通枢纽地区。
2。提取的重要影响因素
人流交通枢纽地区有关土地利用存在的交通枢纽区域,人行道有效宽度,反方向的比例行人、nonmotor车辆流,等等。气候的变化,在街道上的停车等等也有一定的影响。
为了反映行人的情况在北京交通枢纽区域并提取重要影响因素对行人流量,本文选择34调查人行道覆盖不同典型道路设施和周围环境条件在北京地铁站。44不同的动态交通数据通过控制测量获得的在不同的桶。行人流量之间的关系和每个因素进行相关性分析方法。皮尔逊相关系数的相关分析方法是一种有效的方法是最常用的测试变量之间的相对程度。它可以计算如下: 在哪里是th行人流量;行人流量的方差;是行人的平均流动;是届有影响力的因素;影响因素的方差;影响因素的平均值。
−1和范围吗。如果,这意味着这两个变量是正相关的。如果,这意味着这两个变量是负相关。的绝对值越高,关系越强。但没有因果关系。如果,这意味着两个变量之间的关系不是线性的。可能会有一些其他的关系。
行人流量,每个影响因素之间的相关系数计算表1。的皮尔森相关系数值在95%置信区间的每一个重要的影响因素。
正如上面分析的,11个地区土地利用等因素,人行道有效宽度,反向行人比例强烈影响行人流量。因此,11个因素被选为分析条件建立行人流量预测模型。模型可以表示如下: 在哪里行人流量;是区域土地使用;人行道有效宽度;是反向行人的比例;类型的缓冲区;在街道上的停车;是nonmotor汽车和机动车之间的隔离;绿化;在机动车流量;建筑设施;行人和nonmotor车辆之间的距离;行人与机动车之间的距离。
行人流动时间系列的公式基于混沌时间序列的预测模型(9)如下: 在哪里行人流量在时间吗;是延迟时间的步骤;是预测地平线。
行人流动时间序列预测公式的本质是预见基于当下的行人流量的变化和之前的信息。
3所示。模块化神经网络的集成方法
在北京有许多影响因素影响人流交通枢纽区域。正常的经验模型适用范围有一定的限制。超出范围时,收养正常经验模型的能力很差。然而,神经网络具有强大的非线性逼近能力和自学习能力。它已广泛应用于非线性系统建模领域。因此,本文利用神经网络建立行人流量模型的工具。
“城市用地分类与规划建设用地标准gb50137 - 2011”城市建设用地分类为住宅用地,公共管理和服务,商业服务设施用地,工业用地,物流存储土地、交通设施土地、公共设施用地、绿地。单一神经网络模型将导致高的并发症,降低神经网络的学习能力和泛化能力。模块化神经网络(MMN)使用“分而治之策略”的理论把一个复杂的问题分成几个子问题,每个子问题结构化本地网络。因此,每个本地网络的并发症是简化和神经网络的学习能力和泛化能力得到了改善。模块化神经网络的结构如图1。
主要的模块化神经网络的输出 在哪里神经网络的输出;样本集的分类数量;是本地网络的输出的重量;是本地网络的输出()。
根据行人流量的原理是相似的特征相似的土地利用领域,本文基于区域土地利用分类行人流量来实现任务分解的目的。首先,建立了土地使用的特征向量,RL住宅用地;PMSL是公共管理和服务的土地;CSFL是商业和服务设施的土地;伊尔工业土地;LSL物流存储土地;伦敦交通局交通设施用地;PFL是公共设施的土地;GL是绿色的土地。如果行人流量的观测样本集,样本的数量,准备好了吗可以根据特征向量模糊集群基于公式(5)和(6)与土地使用的考虑。一个人
此外, 在哪里;是聚类中心;是会员矩阵样本的模糊子集。在[4),,在(10),。一些数据可能同时属于样本子集和。之后,在每个分类训练样本在当地的网络,它属于。学习算法(BP(反向传播)11)是用于训练网络。
新测试数据本地网络,它属于应该首先区分。距离测量可以呈现两个特征向量的相似性。因此,测量的距离和选择作为一个标准来决定属于哪一个本地网络。距离测量的计算公式所示(7)和(8)。考虑以下: 在这, 在哪里的相对距离测量吗和;的平均距离测量吗th样本子集;数据的数量吗样本子集。
传统的模块化神经网络选择最小的本地网络来处理。这种方法精度很低在处理边界样本。考虑与城市土地利用的分类的模糊性,multiappropriate本地网络参与处理可以达到的效果“头脑风暴”,然后可以减少错误。因此,提出了一种基于模糊决策方法,选择本地网络,取得了综合处理信息从multilocal网络以提高神经网络的准确性。
首先,相对距离测量在所有本地网络标准化可以计算使用
很明显,和。
定义模糊集的距离测量非常小的(用)、小(用),中等(用),大(用)}。的价值反映了之间的距离测量和。如果,那么本地网络应该用于火车的距离和是短暂的。如果,那么本地网络不能用于火车的距离和长。
本地网络的计算选择涉及以下步骤。
步骤1。输入,其相应的本地网络值计算公式(7),(8)和(9)。
步骤2。隶属度的计算每一个模糊子集的隶属度曲线如图2所示。
步骤3。做出选择的模糊子集属于模糊隶属度最高的命令,和本地网络属于同一组选择集成来。在一开始,本地网络中训练有素,其他人则选择放弃了。如果本地网络不存在,那么它应该被用来训练的数据吗。否则,选择本地网络中。
中心模糊子集的隶属度是,,,和隶属度的值是1,或,。为,所有不能满足在同一时间。与此同时,相对应的本地网络不会是空集,对应的本地网络不应该选择选择一个本地网络的序列来在步骤3。
选择本地网络的重量是由公式 在哪里是选择本地网络的重量;是距离测量的th本地网络;是本地网络的数量已经选中。
4所示。模型试验测试
为了检验模型的有效性,本文选择34人行道交通枢纽区域周围行人流量测试。样本观测数据(包括人行道有效宽度、反向行人、比例和缓冲区)的形式在每15分钟14:00-20:00 2013年4月25日至5月9日。总共2400个数据。等定性指标量化后的区域土地利用缓冲区的形式、以及街边停车规定等等,调查数据的统计特征的12个指数显示在表获得2和3。表2显示定量变量和表3提出了定性的。
行人流量是根据观测时间顺序连续编号的前后者。数据被分为8组基于土地利用数据预处理。因此,参数模块化神经网络是8。本地网络使用多层前馈神经网络的隐层节点4根据实际测试。延迟时间步长计算的在自相关方法。
模块化神经网络模型和BP神经网络客流预测模型(12)都使用行人流动时间序列方法建立预测模型。因此基于以上方法,监测样本训练和模块化神经网络模型检查的准确性。BP神经网络行人组流预测模型主要针对该地区的商业和服务设施用地。前小时6流数据被用来预测在接下来的一个小时后10分钟。
与300年行人流量监测模型进行了测试样本在该地区的商业和服务设施用地。相对误差曲线的模块化神经网络(MNN)模型和BP模型如图3。
众所周知在图4,在只考虑商业和服务区域的情况下,预测均方误差精度行人组流以模块化神经网络模型和BP神经网络都在同一水平。平均相对误差和变异趋势也几乎一样。原因是两个模型都使用BP算法训练模型。在相同的数据的情况下,预测结果的误差和趋势也相同。
然后在所有行人流量监测样品测试在整个监测周期与模块化神经网络模型和BP神经网络模型。行人集团获得的曲线流预测模型如图4。
两个模型的相对误差曲线如图5。
平均相对误差的均方误差和行人组流预测模型从模块化神经网络(MNN)模型和BP神经网络模型计算结果见表4。
从表4,我们可以获得以下信息。神经网络显示最好的应用程序模型,预测行人流量。模型的准确性高,无论哪一种方法。模块化神经网络预测模型的精度高于BP神经网络的一个行人组流森林模型。总区域的行人流量预测均方误差和平均相对误差模块化神经网络模型,分别为6.56%和86.02%,许多的BP神经网络模型。增加的样品,两个模型的精度都得到了改善。然而,均方误差的准确性从模块化神经网络模型提高了两个层次,一个从BP神经网络模型提高了一个层次。这意味着模块化神经模型比BP神经网络模型更适应。
基于上面的检查中,可以看出,行人流量的预测模型的准确性在北京交通枢纽地区的方法模块化神经网络(MNN)高于BP神经网络的一个行人流量预测模型。此外,传统的神经网络模型有一个可怜的拟合情况如果行人流量超过一定的限制。然而位移值预测模型的拟合程度从模块化神经网络可以保持在一个较高的水平,模型well-adaption。
5。结论
(1)模块化神经网络分类行人流量根据相似的性格与模块化神经网络。它可以满足行人流量的需求预测和推断的并发症,神经网络,然后神经网络的泛化能力增强。本文建立行人流量预测模型对北京交通枢纽地区基于11个因素是区域土地利用、人行道有效宽度,比例的反向行人,使用模块化神经网络方法等。提高了模型的精度要高于BP神经网络行人流量预测模型。(2)由于学习能力和数据驱动的神经网络本身的特性,该模型有一个well-adoption在不同的环境。随着增加的样本,采用模块化神经网络变化的环境可以进一步改进的定期学习的模式。然后可以扩展模型的应用范围。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究是基础科学研究支持的业务费用专项资金从国库(没有。2015 - 9025)。作者很感激的参与者参加了这个实验。