唐秋生, 王 川

(重庆交通大学 交通运输学院, 重庆 400041)

0 引 言

目前, 单一的神经网络预测模型不能满足客流预测的需求。需要优化神经网络模型以提升预测算法的准确性[1]。 董升伟以北京市城市轨道交通4号线的历史客流数据作为历史数据库, 将城市道路交通客流预测方法应用到城市轨道交通的客流预测中, 利用前馈(back propagation, BP)神经网络的一些特点并结合聚类分析和相关性分析, 对城市轨道交通的客流预测进行分析, 仿真结果表明该方法提升了客流预测的精度[2]; 邹巍等对于城市轨道交通客流变化具有的非线性和不确定性进行研究, 将遗传算法和小波分析相结合, 建立了一种全局搜索最优的组合神经网络预测模型, 解决了选择神经网络预测时容易造成过拟合的问题, 仿真结果表明， 该算法的预测结果比单一的神经网络更加接近于真实值[3]; 毛静针对支持向量机算法的单一核函数的一些缺点进行改进, 将支持向量机算法的核函数从一维改进成多维, 由于径向基函数(radial basis function, RBF)神经网络与支持向量机算法在单项预测法上的诸多优点, 将两种算法进行组合形成组合预测模型, 并以清明假期的客流数据进行仿真分析, 得出组合预测模型优于单一预测模型的结论[4]; 李少伟等将卡尔曼滤波算法和Elman神经网络进行组合, 先用混合神经网络进行客流的初步预测, 然后使用卡尔曼滤波算法对初步预测的结果进行校准, 从而得到最后的预……