matlab统计各分区下不同类型的比例,MATLAB神经网络工具箱的公交出行比例预测

１７６北京工业大学学报２００８正

现象的发生，且检验样本预测的平均误差为３．２６％，精度较高，故认为该网络是较好的．因此。在已知５个预测因子资料的基础上，建立公交出行比例预测模型可用于未来不同土地利用规划或政策下的公交出行比例预测，不过同时要注意分析未来其他条件的变化是否适合于以前的环境．

表２实际值与网络预测结果对比表

Ｔａｂｌｅ２ＴｈｅｏｂｓｅｒｖａｔｉｏｎａｎｄｆｏｒｅｃａｓｔｒｅｓｕｌｔｂｙｔｈｅｓｉｍｕｌａｔｉｏｎｏｆＡＮＮ％

样本类型住宅小区实际值预测值相对误差样本类型住宅小区实际值预测值相对误差双龙小区３３．５１３１．９５４．６６康堡３０．６９３３．６０９．４８

规划社区１９．５５２６．６２３６．１６和平新城４７．９２３４．３７２８．２８

百环花园２４．６２２６．６６８．２９现代城２６．１５２３．２３１１．１７

训练样本京香福苑２４．０２１９．９９１６．７８训练样本方安苑２６．９０２６．４４１．７１京达国际公寓５．４１９．４６７４．８６雍和家园３７．９１２７．７０２６．９３华阳家园４０．７９２６．５０３５．０３嘉园二里３３．７８３０．７７８．９１

三全公寓１６．００１９．４９２１．８１外交部家属院３２．６１２８．６８１２．０５

检验样本华腾园２６．７３２６．６５０．２９检验样本牛街小区３０．４８３２．３８６．２３

在其他影响因子都不发生变化时，改变其中某一项，分析其对预测结果的影响，有助于采取有效的针对措施提高公交出行比例．作者以华腾园小区为例进行说明．华腾园小区距中心区的距离为９．０２ｋｍ，不临近地铁，周边公交站点数为２１个。平均房价水平为４，小区容积率为３．９，实际的公交出行比例为２６．７３％，预测得到的比例为２６．６５％．

将“是否临近地铁”这一指标的值设为１，即假设在该地区开通地铁，通过训练好的网络进行预测，预测结果变为０．３１３０，提高了４．６５％，说明如果在小区周边建成地铁对于提高小区公交出行比例有较大影响；将小区周边的公交站点数由２１个提高到３０个，其他因素不变，预测结果变为０．２６７３，上升０．０８％，说明此时该小区周边的公交运力已经满足需求，进一步提高公交站点数并不会有助于公交出行比例的提高；单独将小区的经济水平设为８，预测结果变为０．２４１１，下降了２．５４％，说明随着经济水平的提高，公交出行比例会有所下降．

通过以上分析发现，在华腾园小区单纯依靠增加公交站点数并不能有效提高公交出行比例，而是应当开通地铁和采取综合的交通需求管理政策来促使居民改乘公共交通出行．

４结束语

ＡＮＮ是目前广泛应用且很有发展前途的－－ｆｑ新的人工智能技术，尤其适用于处理条件复杂、高度非线性问题，因此在各工程领域得到了广泛应用［７－８］．作者利用ＭＡＴＬＡＢ环境下的ＡＮＮ工具箱，通过建立ＢＰ模型对各交通分区现状及不同因素变化下的公交出行比例进行了预测分析，该方法不需要详细了解各变量之间的相互关系，特别是数学表达关系．而且这种方法具有较强的学习能力，并不需要很多的训练样本数据，预测结果较好．总的说来，这种尝试为公交出行比例预测分析及政策制定提供了一种可供借鉴的新的研究思路．

参考文献：

［１］袁曾任．人工神经元网络及其应用［Ｍ］．北京：清华大学出版社，１９９９．

［２］ＰＡＲＬＯＳＡＧ．Ａｎａｃｃｅｌｅｒａｔｅｄｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｍｕｈｉｐｌａｙｅｒｐｅｒｃｅｐｔｉｏｎｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓＯｉｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，１９９４。５(３)：８６—８８．

［３】闵惜琳，刘国华．用ＭＡＴＬＡＢ神经网络工具箱开发ＢＰ网络应用［Ｊ］．计算机应用，２００１，２１(８)：１６３—１６４．ＭＩＮＸｉ—ｌｉｎ－ＬＩＵＧｕｏ－ｈｕａ．ＤｅｖｅｌｏｐＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｐｐｌｉｃａｔｉｏｎｂａｓｅｄｏｎＭＡＴＬＡＢｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｏｌｂｏｘ［Ｊ］．Ｃｏｍｐｕｔ．