基于灰色- 神经网络的虹桥综合交通枢纽客流预测

李洪嘉 姚红光 李思睿 黄启龙 邵翊珺

（上海工程技术大学，上海201620）

近来，国内外民航旅客人数锐减，虹桥综合交通枢纽客流量也随之大幅下降，为了更加准确地掌握虹桥综合交通枢纽未来客流发展情况，有必要对其未来客流增长量的趋势进行探究。鉴于目前虹桥综合交通枢纽客流趋势尚未确定，有必要建立一个客流量预测模型。

由于基于灰色模型的单模型研究存在明显预测不准等劣势，可以通过组合模式来弥补，进而不断地提高学习的预测精率。灰色模型结合BP 神经网络模型，可以满足两种不同的模型之间的差异，解决两种模型的劣势和不足，满足改进预测需要。

1 灰色GM（1，1）模型

1.1 确定灰色模型的原始数据序列，x（0）=（x（0）（1），x（0）（2），x（0）（3），…x（0）（n）），选择2020 年1 月至2020 年10 月的虹桥综合交通枢纽日均客流量为时间序列样本，即

1.2 对（1）中的数据依次累加，得到1－AGO 序列，生成新的数据序列x（1）其中

1.3 对（2）中的数据进行光滑性检验，具体公式如下：

其中，当k＞3 时，若满足p（k）＜0.5，且1＜σ＜1.5。则符合模型建立规律。

1.4 生产灰色紧邻序列z（1）=（z（1）（1），z（1）（2），z（1）（3），…，z（1）（n）），其中

建立灰色微分方程：

式中，a 为待定参数，对序列a赞=（a，b）T 进行最小二乘估计，代入式（5）得：

整理后得到预测模型如下：

2 BP 神经网络

BP（Back Propagation）神经网络是一种多层反馈的的机器学习方法，它在各种神经网络中应用最为广泛。BP 神经网络由输入层、隐含层、输出层三层组成，三层结构中的每一层都由多个节点连接，输入层输入的信号传输到隐含层隐含层进行数据逐步处理，然后将数据处理结果输出到输出层中，之后模型将输出层输出的的结果和之前输入的期望值进行对比，如果产生偏差信号之后将偏差信号进行反向传播，之后通过不断调整连接权和阈值反复训练直到得到目的结果为止。

由于BP 神经网络有着很强的容错性的优势，使得BP 神经网络在信号识别领域和系统优化领域得到了非常广泛的应用，但BP 神经网络也有收敛较慢和局部搜索能力欠缺的劣势，使得BP 神经网络预测准确度可能不能满足数据预测的需求，因而建立基于灰色模型的BP 神经网络预测有重要现实意义。

3 建立灰色BP 神经网络模型

常用的模式组合有三种，分别为串联式、并连式和嵌入型。本文采取串联方式组合灰色模型和BP 神经网络，首先使用灰色模型来拟合原始序列，得出灰色模型的拟合结果，从而为BP 神经网络输入层提供输入数据，同时以实际值为灰色BP 神经网络的期望参数，最后通过对BP 神经网络对数据进行训练，最终输出模型预测数据结果。

4 实例分析

本文以虹桥综合交通枢纽2020 年1 月至2020 年10 月的日均客流量为基础数据，采取灰色模型对原始数据序列进行模拟和预测。

表1 灰色预测和灰色BP 神经网络预测结果

首先使用灰色模型获得日平均客流的预测值，将灰色模型得出的预测值作为灰色BP 神经网络预模型的输入数据样本，以虹桥综合交通枢纽每日客流量实际值作模型的期望参数，在输入层和隐含层之间使用sigmoid 函数进行连接，以此来实现通过灰色BP 神经网络对最终数据的预测，其结果如表1 所示。

由表1 显示的两种预测模型得出的预测值与实际数字相比，灰色BP 神经网络预测客流数量更近实际值，与客流数量的变化趋势符合，预测结果更接近实际数据。

之后使用平均误差作为评价指标，对两个模型预测的数据值进行比较，计算得到灰色模型预测的平均相对误差达到12.03%，灰色BP 神经网络平均相对误差只有0.24%。表明基于灰色BP 神经网络目前可以应用于模拟虹桥综合交通枢纽每日客流量数据的组合仿真数据预测有着更高的准确性，能够对发展趋势数据进行更好的组合预测。

5 结论

本文主要对灰色预测分析模型的优劣进行分析，结合BP神经网络，使用虹桥综合交通枢纽。

首先使用灰色模型来拟合原始序列，得出灰色模型的拟合结果，从而为BP 神经网络输入层提供输入数据，同时以实际值为灰色BP 神经网络的期望参数，之后通过对BP 神经网络进行训练，最终输出虹桥综合交通枢纽客流数据预测结果。结果显示，灰色BP 神经网络模型相对误差远远，优于单一灰色模型预测的误差。因此，利用这个模型预测虹桥综合交通枢纽未来客流的情况是可行的，可为今后虹桥综合交通枢纽交通规划提供数据依据。