大连科技学院 辽宁大连 116052
摘要:在对大连站客运量的影响因素进行定性及定量分析的基础上,选取了大连市生产总值、第三产业比重、旅游业总收入、各交通方式比重等7个指标作为影响因素,运用BP神经网络对大连站的客运量进行预测,这对于大连站日后的安全经营管理具有重要的指导意义。
关键词:大连站客运量;影响因素;BP神经网络;预测
0 引言
铁路客运量的精准预测,对国家地区的经济发展格局和资源配置,以及对铁路企业内部的投资结构、经营管理等都有重要作用[1]。传统的铁路客运量预测方法主要包括定性和定量两种方式,定性预测主要指通过以往的经验以及专家知识进行分析预测,主观意识强烈,预测精度较低。而定性方法多数从时间序列中找规律,利用历年的客运总量进行预测,这属于因果分析,只能预测发展趋势,不能够反映出各种因素对于客运量的影响,存在很大的局限性。因此,本文对大连站客运量各影响因素进行定性和定量分析的基础上,运用BP神经网络,对大连站的客运量进行分析预测。
1 大连站客运量影响因素分析
(1)地区经济的发展带来的影响。反映一个地区经济发展的指标则为国内生产总值GDP,其值大小也会影响大连站客运量的发展变化。
(2)地区人口的变化影响。一个地区铁路客运量的变化很大程度上与本地区人口数量有关,因此选用常住人口数作为地区人口变化的代表指标。
(3)产业结构的变动。地区产业结构的变动对地区客流量也会产生影响。第三产业其所需劳动力数量较大,因此选用第三产业占地区生产总值的比重来反映产业结构的变化。
(4)旅游业的发展。大连作为一个海滨城市,其旅游业发展较为迅速,而旅游业会导致很大的人口流动,影响地区车站客运量的发展。因此,旅游业的总收入也是影响车站客运量变化的不可忽略的因素。
(5)各交通运输方式的变化。公路等交通运输方式的发展对车站客运量也有直接的影响。本文拟选用公路,航空,水运占地区旅客周转量的比重来体现交通运输方式的变化这一影响因素。
2 BP神经网络
BP 神经网络是一种典型的多层前馈型神经网络,具有很强的非线性预测能力。BP 网络能学习和存贮大量的输入—输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。BP 网络模型由输入层、中间层(隐层)和输出层组成,每层包含若干神经元,同层神经元间无联系,上、下层间全连接。
3大连站客运量预测
3.1客运量预测基础数据
2006年到2015年之间大连客运站的运输量预测的基础数据如下表1所示,表中,Y是大连站客运量;X1-X7则是大连市的生产总值;第三产业占总产值比重;大连市常住人口数,;大连旅游业总收入;航空所占旅客周转量比重;水运所占旅客周转量比重,公路运输所占旅客周转量比重。
表1 大连站客运量预测基础数据
3.2各影响因素与大连站客运量的灰色关联度分析
根据给定的基础数据,计算各影响因素与大连站客运量的关联度。以大连市生产总值与大连站客运量的关联度为例。
(0.7026,0.6634,0.9549,0.7771,0.9079,0.8537,0.7656,0.7112,0.7719,0.8426),则
同理可得与X2-X7之间的灰色关联度分别为0.7843,0.8098,0.7424,0.7612,0.8498,0.5776。
从上面的各种关联度可以看出,所有的关联度都应在0.5以上,因此,这7种因素对大连站的运输客运量都有着非常很紧密的联系,可以继续后文的分析工作。
3.3 BP 神经网络预测结果
利用 MATLAB 神经网络工具箱,可以进行神经网络的计算,在MATLAB基础上构建BP神经网络,进行客运量的预测。最终预测出2006-2015年的客运量分别9831000人、11180000人、10688000人、12834000人、13320000人、13485000人、14690000人、15889000人、16767000人、16805000人,并经过相对误差计算,2006-2015年实际客运量与预测客运量相对误差百分比分别为5.454、0.559、8.201、0.009、0.1901.087、0.516、1.533、2.035
3.337。
经分析预测结果可得2006-2015年大连站客运量的预测最大相对误差百分比为8.201%,最小相对误差百分比为0.009%。其中2008年北京奥运会召开以及汶川地震的发生等全国性大事件件发生,导致2008年大连站客运量预测误差超过5%,其余年份的相对误差均在5%左右。因此,可暂不考虑2008年预测结果,神经网络模型预测精度良好,可继续后续客运量预测。
4 结束语
铁路客运量是客运市场中一项重要基础数据。针对当前各预测方法一般偏向于因果分析及趋势预测,并不能反映出影响客运量的内部因素的情况。本文以大连站为例,在对影响大连站客运量的因素进行定性与定量分析的基础上,运用BP神经网络对大连站客运量进行预测,预测精度良好,可为日后大连站客运量的预测提供相应的参考依据。
参考文献
[1]侯福均,吴祈宗.BP神经网络在铁路客运市场时间序列预测中的应用[J].运筹与管理,2003(12):73-75.
[2]覃频频,晏启鹏,黄大明.运用前向神经网络法预测铁路客运量[J].铁道运输与经济,2005(12):101-104.
[3]李建伟,程晓卿,秦勇,等.基于BP神经网络的城市轨道交通车辆可靠性预测[J].中南大学学报(自然科学版),2013(0):47-51.
论文作者:孙海云
论文发表刊物:《建筑学研究前沿》2018年第29期
论文发表时间:2019/1/3
标签:客运量论文; 大连论文; 神经网络论文; 因素论文; 地区论文; 大连市论文; 误差论文; 《建筑学研究前沿》2018年第29期论文;