郝菊香

（西安交通工程學院 交通運輸學院，西安710000）

鐵路交通是國家交通運輸最為重要的方式之一，隨著我國城市化建設速度的提升，鐵路客流量迅速增加，客流過飽和現(xiàn)象時常發(fā)生，對客流調度和控制提出了巨大挑戰(zhàn)。鐵路客流的準確預測對制定科學客運計劃和控制策略，提高客流調度效率具有重要意義，可為鐵路運輸?shù)陌踩\營、效率提升、降低成本提供有效的數(shù)據(jù)參考[1-4]。為實現(xiàn)鐵路客流的準確預測，本文提出一種改進型客流預測模型，對粒子群的慣性權重調整策略進行了改進，提出一種自適應慣性權重調整策略，同時引入擾動補償因子，防止粒子群收斂至局部最優(yōu)，將改進粒子群算法與BP 神經網絡相結合，對BP 神經網絡初始值和閾值進行優(yōu)化，提升模型預測準確性。

1 BP 神經網絡原理

BP 神經網絡屬于一種多層前饋神經網，其網絡結構包含3 層，分別為輸入層、隱含層、輸出層。其中，每層網絡層中可包含若干個神經元，輸入層中的神經元個數(shù)決定了輸入向量的維數(shù)，輸出層中的神經元個數(shù)決定了輸出向量的維數(shù)，隱含層對BP神經網的結構起決定性作用。隱含層可選擇單層結構或多層結構，多數(shù)情況下選用單層結構即可保證回歸預測的準確度，選用單層隱含層的BP 神經網絡結構如圖1所示[5]。

圖1 BP 神經網絡結構Fig.1 Structure of BP neural network

圖1 中X1，X2，…，Xn表示輸入向量；Y1，Y2，…，Yn表示輸出向量；Wij表示輸入層神經元與隱含層神經元之間的連接權重系數(shù)；Vjk表示輸出層神經元與隱含層神經元之間的權重系數(shù)；θj，μk分別表示隱含層和輸出層中的網絡節(jié)點閾值。

在BP 網絡的運算過程中，存在兩個方面的信息傳播，一方面是輸入信息進行正向的傳播，另一方面是誤差信息進行反向的傳播。BP 網絡的主要運算流程為：輸入信息通過輸入層流入網絡，并沿著正向方向經過隱含層運算處理，最終通過輸出層實現(xiàn)網絡實際輸出；與此同時，將網絡的實際輸出與理想期望輸出進行差值計算，得到誤差值，判斷誤差值是否在允許范圍內。若誤差超出限制條件，則表示算法未收斂，則對網絡層中的連接權重系數(shù)進行反向調整，通過多次的反復迭代調整，直至算法收斂，誤差在可接受范圍內，實現(xiàn)算法的收斂，BP 神經網絡運算結束[6-7]。

2 改進型粒子群算法

粒子群算法的主要原理：模擬鳥群的覓食行為，從而搜尋出最優(yōu)解，也稱為鳥群覓食算法。粒子群算法的運算過程為：首先定義一個維度為D的搜索空間，構建一個粒子群，粒子群的粒子個數(shù)定義為m，且為粒子賦予一個隨機初始值；然后根據(jù)粒子種群中的群體極值和個體極值，對粒子的位置和速度進行調整；通過反復的迭代調整，最后收斂至最優(yōu)解。在粒子群迭代過程中，每次迭代的速度和位置更新公式的表達式為

2.1 自適應慣性權重調整策略

典型BP 神經網的初始權重一般選取隨機數(shù)，選擇隨機數(shù)作為初始值會造成算法收斂速度慢，并且容易導致算法收斂至局部極值，無法實現(xiàn)最優(yōu)解。為了解決該問題，可將粒子群運算出的最優(yōu)解作為BP 神經網絡的初始權重值，從而提高網絡的迭代收斂速度和保證最優(yōu)解。為了提高粒子群算法的性能，這里對粒子群的慣性權重和迭代更新策略進行一些改進設計。

粒子群算法的性能具有重要影響作用的參數(shù)包括慣性權重參數(shù)、加速系數(shù)。其中，慣性權重對粒子群算法的全局搜索和局部開發(fā)的能力具有均衡作用，目前對于慣性權重參數(shù)的調整策略研究，主要集中在對該參數(shù)進行動態(tài)調整，以自適應粒子群算法的非線性運動規(guī)則，其調整過程與算法迭代次數(shù)具有很強相關性。目前慣性權重參數(shù)調整存在一些不足：慣性權重參數(shù)僅隨著迭代次數(shù)的增加，進行非線性遞減，在迭代的初期階段慣性權重系數(shù)的值最大，在迭代最后階段慣性權重系數(shù)達到最小值，在迭代過程中慣性權重系數(shù)進行單方向的減小，無法表現(xiàn)出粒子的反復變動特性[9]。假如粒子在迭代的中期階段達到了最優(yōu)解范圍，但此時的慣性權重系數(shù)仍然處于較大值，未能達到預期的最小值，從而導致粒子偏離出最優(yōu)解的限制范圍，從而需要重新進行搜索，增加了粒子的搜索時間，從而降低了粒子的收斂速度。另外，在一個迭代周期中，由于粒子的慣性權重值與迭代次數(shù)的相關性，使得在一次迭代周期中粒子個體均具有一個相同值的慣性權重，降低了粒子的多樣性，使得算法無法快速搜尋到最優(yōu)解。

為了彌補慣性權重參數(shù)調整策略的不足，本文對粒子的慣性權重進行了改進，其表達式為

式中：wmax表示設定的慣性權重的上限值；wmin表示設定的慣性權重的下限值；f表示第i粒子的當前適應度值；表示種群粒子的平均適應度值；fg表示當前粒子的最優(yōu)適應度值[10-11]。

本文提出的改進型慣性權重方法主要利用了粒子適應度值和最優(yōu)適應度值的差值，根據(jù)差值進行非線性調整，解決了慣性權重僅隨迭代次數(shù)進行單向遞減的問題。另外，慣性權重可隨著適應度差值的變化進行增大或者減小，在適應度差值達到很小時，表示粒子處于了最優(yōu)解范圍內，此時將慣性權重調整至很小值，以提高粒子局部尋優(yōu)特性，實現(xiàn)快速準確的搜尋最優(yōu)范圍。同時，每個粒子均具有獨立的適應度值，從而可使得在一個迭代周期中粒子會根據(jù)各自的適應度值而具備不同的慣性權重，從而提升了粒子多樣性，有利于提高搜尋最優(yōu)解的效率。在粒子迭代后期，對于適應度值較大而未能進入最優(yōu)解范圍的粒子，改進型慣性權重方法通過賦予較大的慣性權重值，可增加這些粒子的全局搜索能力，使得未進入最優(yōu)范圍的粒子重新快速尋找最優(yōu)解，克服了傳統(tǒng)方法中迭代后期慣性權重較小的問題。

2.2 擾動補償因子

傳統(tǒng)粒子群算法容易發(fā)生收斂至局部最優(yōu)的現(xiàn)象，僅僅利用自適應慣性權重調整很難較好地解決該問題。針對傳統(tǒng)粒子群算法存在的不足，為進一步提升粒子群算法性能，在粒子群位置更新公式的基礎上，增減一個擾動補償因子，從而在粒子位置迭代更新的過程中，促使粒子能夠跳出局部最優(yōu)，實現(xiàn)全局最優(yōu)搜索。引入擾動補償因子的位置更新公式為

式中：k代表當前所處的迭代次數(shù)；maxg代表算法進行的最大迭代次數(shù)。

新的位置更新公式主要是在原有公式的基礎上增加了一個擾動項，促使粒子可以獲得更加廣泛的分布空間，使得粒子對全局空間的搜索更為充分。這里結合粒子迭代次數(shù)和適應度值對粒子更新進行影響，綜合二者的特性，從而使得粒子在每次迭代和適應度值變化時均能實現(xiàn)位置更新，提高了種群的多樣性，有利于對搜索空間的全面搜索，避免陷入局部最優(yōu)，對粒子搜索效率和準確率具有明顯提升效果。

3 基于優(yōu)化粒子群算法的BP 預測模型

基于優(yōu)化粒子群算法的BP 預測模型的主要原理：首先利用改進型的粒子群算法，引入粒子擾動補償因子和自適應的慣性權重調整策略，實現(xiàn)快速準確尋優(yōu)；然后，將粒子群所得最優(yōu)解作為BP 神經網絡的初始權值，從而提高BP 神經網絡的搜索收斂效率和準確性[12-13]。可將該預測方法分為6 個步驟，預測流程如圖2所示，步驟分別為：

圖2 預測流程Fig.2 Forecast flow chart

步驟1建立BP 網絡結構，根據(jù)輸入輸出的因素建立輸入輸出層；

步驟2建立改進型粒子群算法，確定粒子種群的規(guī)模、粒子迭代次數(shù)、學習因子參數(shù)、慣性權重參數(shù)的限制范圍、粒子的初始位置和速度等；

步驟3粒子適應度更新。利用神經網絡預測值與實際值的差值，獲取粒子適應度，并將當前適應度與粒子之前的最優(yōu)適應度比較，如果當前適應度比之前獲取的最優(yōu)適應度高，則對該粒子的極值進行更新，反之則保持粒子原有極值。完成適應度更新后，并對全局最優(yōu)值進行更新；

步驟4根據(jù)慣性權重公式和粒子速度、位置更新公式，對粒子速度和位置進行計算和更新，如果更新后的粒子速度和位置超出了上限值，則取上限值作為更新值；反之，若更新后的粒子速度和位置超出了下限值，則取下限值作為更新值；

步驟5對迭代后的結果進行判斷，若滿足終止條件，則將迭代結果作為最優(yōu)解，并跳轉至步驟6，否則為不滿足終止條件，跳轉至步驟5，繼續(xù)進行迭代；

步驟6完成粒子群迭代，將獲取的全局最優(yōu)解作為BP 神經網絡的初始權值，并對BP 神經網絡模型進行訓練，最終將訓練完成的模型用于客流量預測。

4 實驗測試

為對比測試本文預測模型性能，以某車站進出口客流量為研究對象，連續(xù)3 個月對進出口客流數(shù)量進行記錄，并將數(shù)據(jù)作為訓練集，并將第4 個月數(shù)據(jù)作為測試集。利用Matlab 軟件作為仿真平臺，將本文算法與GPSO-BP[14]、EDPSO-BP[15]算法進行對比測試，分別測試3 種算法的預測結果。主要初始參數(shù)設定為：粒子規(guī)模數(shù)量為68，最大迭代次數(shù)為600，慣性權值的變化范圍設定為［0.2，0.9］，學習因子設定為2。為歸一化測試條件和提高預測準確度，在進行模型訓練前，對模型的輸入輸出變量進行歸一化預處理，預處理公式為

式中：xi表示歸一化處理前的原始數(shù)據(jù)；xmax，xmin表示原始數(shù)據(jù)中的極大值和極小值；z為歸一化之后的數(shù)據(jù)結果；zmax，zmin表示歸一化后的數(shù)據(jù)極大值和極小值。

通過多次反復訓練與預測，3 種算法的平均預測誤差如表1所示。由統(tǒng)計結果可知，GPSO-BP 模型的預測誤差最大，主要是由于該模型的慣性權重值采用線性遞減策略，容易造成粒子迭代至局部最優(yōu)，導致預測誤差增大；EDPSO-BP 模型選用了非線性遞減策略對慣性權重進行調整，對較低預測誤差起到了一定的作用；本文算法通過改進設計，引入自適應慣性權重調整策略和擾動補償因子，在3 種算法中其預測誤差最小，驗證了該算法的有效性。

表1 三種模型的平均預測誤差統(tǒng)計Tab.1 Average prediction error statistics of three models

5 結語

鐵路客流量準確預測對鐵路運行管理與控制具有重要意義，本文提出了一種基于改進粒子群與神經網絡的鐵路客流預測模型。針對目前已有預測模型存在的問題，對慣性權重值調整策略進行優(yōu)化，并引入擾動補償因子，提升粒子群算法的迭代效率，提高粒子群多樣性。將改進粒子群算法對BP神經網絡的初始權值和閾值進行優(yōu)化，進一步提升模型魯棒性和預測精度，實驗結果表明，該改進型模型具有更高的預測精度。