[33]。5.2.1設置神經元個數設置輸入神經元的個數為6，設置輸出神經元的個數為1，設置隱藏神經元的個數為30。使用global為全局變量的標識符，可以讓方法內的局部變量全局可用。設訓練集輸入的數據為p、訓練集輸出的數據為t、輸入神經元的個數為R、輸出神經元的個數為S2、隱藏神經元為S1、在此可以看出編碼長度為S。其中，可以通過調整S1，修改隱藏層的神經元個數來改變預測值，減少與實際值之間的誤差，隱藏層神經元的個數越多，預測值越準確（邱駿馳，馬錦程，2021）。5.2.2數據預處理使用maxmin指令，將輸入值量化，轉為[0,1]區間的值。5.2.3導入數據將輸入值組成Excel表，鑒于本文的研究環境我們考慮了這種情況的發生命名數據集為data1和data2，導入Matlab中構建的神經網絡程序中。引用MATLAB函數指令中的excel表格數據的讀取函數xlsread；data1為2020年上半年的客流數據、data2為2020年上半年的客流數據；基于以上證據設置N為訓練的組數，M為預測的組數。5.2.4設置訓練參數在網絡中設置的訓練參數如下net.trainParam.show=82;net.trainParam.epochs=5000;net.trainParam.goal=1.0e-7;net.trainParam.lr=0.001;其中：Show為顯示的中間結果周期；epochs為所設置的最大迭代次數是5000次；goal為神經網絡的訓練目標誤差為1.0e-7;Ir為設置的學習率是0.001。圖5-2MATLAB中構建的神經網絡模型如圖5-2所示，輸入神經元為6個，隱藏神經元為30個，輸出神經元為1個。5.3BP神經網絡仿真結果5.3.12020年上半年（疫情期間）預測用2020年1~5月的數據預測6月蘇州地鐵4號線的客流。（1）訓練過程由圖5-3所示，依前述分析判斷圖為BP神經網絡的訓練過程，在訓練次數為4167次時，誤差值達到最小，BP模型停止訓練（張子凡，劉一鳴，2019）。由圖5-4所示，圖為誤差變化曲線，誤差率達到了預期，收斂次數為4617。由圖5-5所示，圖為歸一化曲線，歸一化時輸入數據達到了統一。本文的框架模型建立在現有理論基礎之上，無論是在信息流動還是數據分析方法上，都體現了對前人研究成果的尊重與繼承，并在此基礎上進行了創新與發展。首先，在信息流動的設計方面，本文借鑒了經典的信息處理理論，確保信息從采集、傳輸到分析的每一個環節都能夠高效且準確地進行。通過對數據來源的嚴格篩選和標準化處理流程，使得信息的質量得到了有效保障，從而也能夠更好地注重信息流動的透明度與可追溯性。由圖5-6所示，圖為訓練參數，mu參數為學習率，epoch為實際訓練次數。圖5-3BP神經網絡訓練過程圖5-4神經網絡訓練誤差曲線圖5-5數據歸一化曲線圖5-6訓練參數圖5-7蘇州地鐵4號線2020年6月客流預測結果（2）仿真結果由圖5-7所示，紅色虛線代表預測值，藍色實線代表實際值，兩條線整體趨勢相似，說明預測結果有一定的準確性（吳宇軒，徐豪，2018）。5.3.22020年下半年預測用2020年7~11月的客流值預測12月的蘇州地鐵4號線客流（1）訓練過程由圖5-8所示，圖為BP神經網絡的訓練過程，在訓練次數為5000次時，達到了最大迭代次數，BP模型停止訓練。由圖5-9所示，圖為誤差變化曲線，誤差率達到了預期，收斂次數為5000。由圖5-10所示，圖為歸一化曲線，歸一化時輸入數據達到了統一。由圖5-11所示，圖為訓練參數，mu參數為學習率，epoch為實際訓練次數。圖5-8BP神經網絡訓練過程圖5-9誤差曲線圖5-10歸一曲線圖5-11訓練參數（2）仿真結果由圖5-12所示，在時代潮流推動下紅色虛線代表預測值，藍色實線代表實際值，兩條線整體趨勢相似，說明預測結果有一定的準確性(吳怡霏,趙云時,2020)。圖5-12預測結果5.4結論經過2020年上半年、下半年的兩次訓練和預測，可以發現兩次得出的仿真圖中，預測值和實際值呈現出的折線趨勢大致相同，基本完成了蘇州軌道交通客流預測的神經網絡實現。但是由于BP神經網絡的局限性、現實客流的不確定性、影響客流量因素的多樣性等，預測值和客流值還是存在著一定的誤差(胡澤揚,付羽辰,2019)。此外，在訓練過程中，為了BP神經網絡模型的穩定，我所設置的學習率過高、訓練迭代次數過多，鑒于當前背景導致了訓練時間過長，仿真結果較慢，這增加了樣本訓練的繁瑣性。這些都是我還需要學習和解決的問題。5.5本章小結本章主要內容為在MATLAB中構建BP神經網絡來訓練、預測客流。包含了實驗數據的選取、構建BP神經網絡的步驟、訓練預測的結果。實現了用神經網絡實現城市軌道交通客流預測的一系列流程，也通過觀察神經網絡的訓練過程和仿真結果，分析了本實驗存在的問題(郭志光,陳萱,2019)。

6.總結在當今科技高速增長的時代，城市軌道交通大力發展，方便了大家的出行。也改變了一定的出行方式，加上“綠色出行”成了流行的話題，越來越多的人會選擇地鐵作為出行工具，在這樣的環境背景下，對城市軌道交通的客流預測就顯得尤為重要，這決定了交通規劃的大方向，在城市軌道交通規劃設計中是關鍵的環節。本論文就是基于此環境背景下的實驗研究，主題是通過使用MATLAB軟件，構建BP神經網絡模型，據此可判斷其優劣來分析和實現蘇州地鐵4號線的客流預報。本文完成了以下基本內容：通過查閱相關文獻，闡述并對比了國內外城市軌道交通的發展以及對軌道交通客流預測研究成果，了解了城市軌道交通在城市發展過程里的重要性，繼而了解了城市軌道交通客流預測的必要性。學習了神經網絡的概念及其特性，選取了BP神經網絡作為實驗的神經網絡模型，學會了在MATLAB中構建BP神經網絡的步驟及相應的函數作用。查找了大量的數據，因為2020年上半年疫情情況特殊，2020下半年回歸正常，兩個半年具有情況不同，分別對上半年和下半年做了神經網絡的訓練及預測，即考慮到了特殊情況，也證明了所構建的神經網絡模型的穩定和準確。對Word、MATLAB等軟件更加熟練地操作，完成了本科畢業論文所要求的相應格式。

參考文獻趙志杰，陳秀蘭.神經網絡導論[M].北京:科學出版社,2017.趙志偉，羅曉燕.城市軌道客流預測方法研究[D].北京交通大學,2004.韋俊熙，戴嘉豪.城市軌道交通短時客流預測與實證分許研究[D].蘭州交通大學,2020.江宇辰，賴博文.天津市快速軌道發展策略研究[D].天津大學,2010.張煜博，黃曉瀾.基于仿真分析的換乘車站客流疏散安全評估問題研究[D].北京交通大學,2017.張子凡，劉一鳴等.國外軌道交通發展對我國城市群軌道交通一體化的啟示[J].交通運輸工程與信息學報,2021,19(01):52-58.吳宇軒，徐豪.中國城市軌道交通2020年數據統計與發展分析[J/OL].隧道建設(中英文):1-4[2021-04-25]./kcms/detail/44.1745.U.20210416.1749.004.html.吳怡霏,趙云時.中國軌道交通建設市場全球發展最快[N].中國經濟導報,2011-05-21(E01).胡澤揚,付羽辰.城市軌道交通樞紐換乘設施優化研究[D].蘭州交通大學,2013.郭志光,陳萱.廣州至珠海城際快速軌道交通的客流預測研究[D].武漢理工大學,2006.戈子騫，奚夢嵐.城市軌道交通客流預測模型及方法研究[D].西南交通大學,2008.陳書天,成澤和.基于時序分解和LSTM神經網絡的城市軌道交通短時客流預測[D].北京交通大學,2020.鄧澤和,鄒雯萱.基于LSTM模型的新建城軌線路周邊常規公交客流預測[D].北京交通大學,2020.陳昊羽，陳嘉琪，周向陽.基于灰色模型的城市軌道交通客流預測研究[D].天津大學,2016.李澤洋，吳思琪等.上海市軌道交通客流預測理論方法研究[J].城市交通,2009,7(01):13-19.YiruCui,YangLi.AnalysisandComparisonofUrbanRailTransitPassengerFlowForecastbasedonMultipleMethods[C].Zhuhai,China,2017:6thInternationalConferenceonEnergy,EnvironmentandSustainableDevelopment(ICEESD2017).林曉紅，謝思遠.軌道交通客流預測的重要性與準確性分析[A].武漢市人民政府、中國城市規劃學會城市交通規劃學術委員會.城市交通發展模式轉型與創新——中國城市交通規劃2011年年會暨第25次學術研討會論文集[C].武漢市人民政府、中國城市規劃學會城市交通規劃學術委員會:中國城市規劃學會,2014:9.張哲瀚,劉雨桐.城市軌道交通網絡脆弱性探究[J].智能建筑與智慧城市,2021(03):140-141.鄭梓萱，黃雅琳.城市軌道交通客流特征與發展階段關系研究[A].中國城市規劃學會城市交通規劃學術委員會.交通治理與空間重塑——2020年中國城市交通規劃年會論文集[C].中國城市規劃學會城市交通規劃學術委員會:中國城市規劃設計研究院城市交通專業研究院,2020:12.何靜怡,陳明澤.天氣因素對軌道交通客流的影響[A].中國城市規劃學會城市交通規劃學術委員會.2017年中國城市交通規劃年會論文集[C].中國城市規劃學會城市交通規劃學術委員會:中國城市規劃設計研究院城市交通專業研究院,2017:14.何文凱,王詩瑤.基于新冠疫情下的城市軌道交通客流監控研究[J].中國信息化,2020(11):45-47.武松柏,施娜娜.神經計算原理及其應用技術[M].北京:科學出版社,2012.余志杰,王夢瑤.MATLAB神經網絡原理與實例講解[M].北京:清華大學出版社,2013.劉俊杰,王冰冰.MATLAB神經網絡設計與應用[M].北京:清華大學出版社,2013.羅杰,蘇兵,翟樂育.基于BP神經網絡的空中無人通信平臺作戰效能評估[J/OL].指揮控制與仿真:1-5[2021-04-18]./kcms/detail/32.1759.TJ.20210416.0933.002.侯晨煜,孫暉,周藝芳,曹斌,范菁.基于神經網絡的地鐵短時客流預測服務[J].小型微型計算機系統,2019,40(01):226-231.YongWangandHuiChengandShuangLi.Passengerflowforecastmodelforintercityhighspeedrailway-Aneuralnetwork-basedanalysis[J].JournalofInetrdisciplinaryMathematics,2018,21(4):897-906[2018-07-18].https://(余志杰,王夢瑤,2021)./loi/tjim20.HolmstromL.,KoistinenP.UsingAdditiveNoiseinBack-PropagationTraining[J].I（張煜博，黃曉瀾，2023）transactionsonneuralnetworks,1992,3(1):24-38.VanO.,NienhuisB.Improvingtheconvergenceoftheback-propagationalgorithm[J].NeuralNetworks,1992,5(3):465-471.HuangCL,HsuTS,LiuCM.Modelingadynamicdesign鄭梓萱，黃雅琳temusingtheMahala-nobisTaguchi鄭梓萱，黃雅琳tem—twostepsoptimalbasedneuralnetwork[J].JournalofStatisticsandManagement鄭梓萱，黃雅琳tems,2010,13(3):675-688.KitanoH.Designingneuralnetworksusinggeneticalgorithmswithgraphgeneration鄭梓萱，黃雅琳tem[J].Complex鄭梓萱，黃雅琳temsJournal,1990,4:461–476.包志家,李奇.基于MATLAB神經網絡工具箱的BP神經網絡的應用研究[J].信息與電腦(理論版),2021,33(02):181-183.QianLietal.PredictionofUrbanRailTransitSectionalPassengerFlowBasedonElmanNeuralNetwork[J].AppliedMechanicsandMaterials,2014,2973:1023-1027[2014-04-28].https://(余志杰,王夢瑤,2021)./AMM.505-506.1023.馬勝艷.新時期城市軌道交通發展方向探究[J].居舍,2021(08):1-21.結論學術探索的感恩與銘記瞬間，在追求學術的道路上，我深刻感受到了知識的力量與學術研究的艱辛。感謝我的導師，您的智慧之光引領我穿越學術的迷霧，讓我學會了如何獨立思考。同時，也感謝那些在我遇到困難時伸出援手的同學們，你們的陪伴與鼓勵成為了我心中永恒的瞬間，激勵我不斷前行。

附錄訓練蘇州地鐵4號線2020年1~5月份客流量，并預測蘇州地鐵4號線2020年6月份客流量的MATLAB神經網絡程序如下：%%清除環境變量clearallclc%%聲明全局變量globalp%訓練集輸入數據globalt%訓練集輸出數據globalR%輸入神經元個數globalS2%輸出神經元個數globalS1%隱層神經元個數globalS%編碼長度S1=30;%%導入數據dataSet=xlsread(’data1.xlsx’);data=dataSet(;,1:7);N=152;M=27;%賦值給輸入t和輸出p；%p為輸出值%%%1.訓練數據P_train=data(1:N,1:6)’;%T_train=data(1:N,p+1:p+t)’;T_train=data(1:N,7)’;%%%2.測試數據P_test=data(N+1:N+M,1:6)’;%T_test=data(N+1:N+M,p+1:p+t)’;T_test=data(N+1:N+M,7)’;%%BP神經網絡%%%1.網絡構建%net=newff(minmax(P_train),minmax(T_train),[S1,1],{’tansig’,’purelin’},’trainlm’);net=newff(minmax(P_train),[S1,1],{’tansig’,’purelin’},’trainlm’);%%%2.設置訓練參數net.trainParam.show=82;net.trainParam.epochs=5000;net.trainParam.goal=1.0e-7;net.trainParam.lr=0.001;%%%3.網絡訓練[net,tr]=train(net,P_train,T_train);%%%4.仿真測試s_bp=sim(net,P_test);%BP神經網絡的仿真結果s_bp=s_bp’;%plot(s_bp,’ro’);%holdon;%P_result=P_result’;%plot(P_result,’b’)plot(s_bp,’ro’);holdonplot(T_test,’b*-’);訓練蘇州地鐵4號線2020年7~11月份客流量，并預測蘇州地鐵4號線2020年12月份客流量的MATLAB神經網絡程序如下：%%清除環境變量clearallclc%%聲明全局變量globalp%訓練集輸入數據globalt%訓練集輸出數據globalR%輸入神經元個數globalS2%輸出神經元個數globalS1%隱層神經元個數globalS%