基于小波神经网络的短时客流量预测研究

基于BP神经网络的短时客流预测优化

短时客流预测优化在公共交通领域中具有重要的意义。它能够帮助交通管理部门和乘客更好地规划出行、优化调度以及提供更好的服务体验。本文将介绍一种基于BP神经网络的短时客流预测优化方法，以提高预测准确度和效果。

1. 研究背景

随着城市人口增长和交通需求的增加，精确预测公共交通客流成为了一项重要任务。传统的方法通常采用统计学模型，如ARIMA、SARIMA等。然而，由于这些模型无法捕捉非线性关系和时空相关性，其预测精度有限。因此，我们使用BP神经网络来改善短时客流预测的效果。

2. BP神经网络简介

BP神经网络是一种常见的人工神经网络模型，它具有自适应学习和适应性调整的能力。该模型由输入层、隐藏层和输出层构成。输入层接收输入数据，隐藏层进行数据的处理和特征提取，输出层给出预测结果。BP神经网络通过反向传播算法进行网络权重的调整和训练，以达到优化预测的目的。

3. 数据准备与特征选取

在进行客流预测之前，需要对数据进行准备和特征选取。首先，我们需要收集历史客流数据和相关的影响因素，如天气、节假日等。然后，对数据进行预处理，包括去除异常值、缺失值的处理以及数据归一化。接下来，通过分析历史数据的趋势和周期性，选择适当的特征作为输入。

4. BP神经网络模型建立

在建立BP神经网络模型时，需要确定网络的结构和参数设置。隐藏层的节点数和层数的选择是关键。一般而言，节点数较多的隐藏层能够更好地捕捉数据的非线性特征。然而，节点数过多可能导致过拟合问题。因此，需要通过交叉验证等方法来确定最佳的网络结构。

5. 模型训练与优化

模型训练是指通过已有的数据对BP神经网络进行参数调整和优化，以提高预测准确度。训练过程中，需要选择合适的误差函数和激活函数，调整学习率和动量因子等。同时，为了防止过拟合，可以采用正则化和早停等方法。通过不断迭代训练，直到网络收敛为止。

6. 模型评估与预测

在训练完成后，需要对模型进行评估和验证。可以使用均方根误差（RMSE）和平均绝对百分比误差（MAPE）等指标来评估模型的预测精度。同时，可以与其他传统模型进行对比，验证BP神经网络的优势。最后，通过输入实时数据，进行短时客流预测，并根据预测结果进行相关的优化调度和决策。

基于小波神经网络的交通流量预测

文章将小波神经网络技术研究与交通信息预测研究紧密结合，以Matlab为平台，结合实际数据，对交通流量预测。

标签：智能交通系统；交通信

1 概述

近年来，随着人们生活水平的不断提高，车辆的数量急剧增加，城市拥堵现象越来越严重。目前，已经成为了严重影响人们的生产和生活的主要问题之一。城市交通拥堵智能交通系统（Intelligent Transportation System）就在这种大环境下应运而生，所谓的ITS是指在传统的理论模型研究基础上，融合先进的传感器、信息通信、智能控制、计算机处理等技术，从而建立起的一种的应用范围广的实时、高效的综合交通管理系统[1]。

智能交通系统的主要目的是为了最大限度的发挥整个交通运输系统的运输和管理效率。目前，使用智能方法对交通信息进行预测（交通信息的智能预测）已然成为近年来实现智能交通系统的主要方法之一。

2 交通流预测

交通信息的预测是智能交通系统的重要组成部分，通过交通信息的预测可以提前预知道路的状况，从而对预测拥堵路段进行实时诱导，最大限度的发挥现有交通的运送效率[2]。其中，交通流预测是交通信息预测的重要组成部分，主要针对交通流量（简称交通量）、密度、速度、占有率等参数进行预测[3]。其实质是采用一定的方法和手段，在前一时段及现有时段的交通状况的基础上，预测未来时段的交通状态，如果交通流信息预测的方法选择合适，预测状态会十分逼近实际交通流状态。

纵观智能交通预测史，时间序列模型、滤波理论是最早应用于交通流预测的方法；之后，滤波理论、小波分析法、人工神经网络也广泛的应用于交通流的预测，除此之外，支持向量机理论和混沌理论等也是交通流预测的重要方法。

3 小波神经网络

人工神经网络（Artificial Neural Network）是利用一定的技术手段，来模拟人类大脑神经系统的结构及功能的一种方法。因此，神经网络具备了与人类大脑一样的一些特点，比如：分布式信息存储、并行信息处理、自适应非线性等。

基于小波—LMBP神经网络短期电力负荷预测研究

为了提高电力系统短期负荷预测精度，针对短期电力负荷具有随机性、不确定性和周期性的特点，提出基于小波分析和LMBP（ Levenberg-Marquardt Back

Propagation）神经网络组合模型预测方法，并经实际算例证明，该方法优越于单一LMBP神经网络预测模型和算法，是电力系统预测领域中一种提高预测精度的有效方法。

标签：电力系统；短期负荷预测；神经网络；小波分析

1 引言

电力负荷变化受气候、自然灾害、政治经济因素等多方面因素影响，这使得电力负荷的变化具有随机性和不确定性，影响预测精度[1]。近年来，应用人工神经网络进行电力系统负荷预测已经发展成为一个很有潜力的研究方向。但是人工神经网络的具有收敛速度慢、容易陷入局部极小点的缺点[2]。为了提高短期负荷的预测精度，本文以某地区（安顺市）城市电网历史负荷数据为背景，根据该地区的电力负荷特点建立了小波-LMBP神经网络组合模型进行短期负荷预测，并利用MATLAB软件平台进行仿真，仿真结果表明这种组合预测模型优于单独使用LMBP神经网络模型预测，能获得更加精确的预测结果。

2 理论基础

2.1 小波分析

小波分析同时具有时域和频域良好的局部性质，能将信号（时间序列）分解成多尺度成分，从而能够不断地聚集到所研究对象的任意微小细节[3]。小波变换是用合适的母小波通过时间轴上的位移与放缩的幅度产生一系列的派生小波，用这一系列的小波对要分析的信号进行时间轴上的平移比较，从而获得用以表征信号与小波相似程度的小波系数[4] [5]。本文引入离散小波变换的多分辨分析对电力负荷原始数据序列s0进行小波分解，深度为三尺度，最终得到4个分解而得的子序列，高频序列dl、d2、d3和低频序列c3，分解式为：s0=dl+d2+d3+c3，分解后的各分量和原负荷序列长度一样，并且反映了原负荷序列中不同的频率分量。根据分解后的各子序列的特点的建立合适的预测模型进行预测，最后通过重构，得到完整的预测结果。

基于松散型小波神经网络的时间序列预测研究

１６２（Ｘ）８，４（８）ｃｏ呷晓ｒＥＩ艺娜ｎｅｅｒｉ鳍朋ｄＡＰＰｌｉｃ以勿、计算机工程与应用

基于“松散型”小波神经网络的时间序列预测研究

罗航，王厚军，龙兵

ＬＵＯＨａｎｇ，ＷＡＮＧＨｏｕ一ｕｎ，ＬＯＮＧＢｉｎｇ

电子科技大学自动化工程学院，成都６１０５４

ＡｕｔｏｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅ邵ＯｆＵＥＳＴＣ，Ｃｈｅｎｇｄｕ６ｌ０（）５４，ＣｈｉｎａＥ一ｍａｉｌ：ｌｕｏｈ即９２（心２＠１６３，ｃｏｍ

ＬＵＯＨａｎｇ，ＷＡＮＧＨ０ｕ一ｕｎ，ＬＯＮＧＢｉｎｇ卫ｅｓｅａｒｃｈａｂｏｕｔ６ｍｅ－ｓｅｒｉａｌｐｒｅｄｉｃ“ｏｎｂａｓｅｄｏｎｒｅｌａ对ｎｇｗａ，ｅｌｅｔｎｅｕｒａｌ‘ｅＬ

ＣｏｍｐｕｔｅｒＥｎｇｌｎｅｒｉｎｇａｎｄＡｐＰｌｉｃａｔｉＯ璐，２００８，４（８）：１６一１９．

Ａｂｓｔｒａｃｔ：ＩｎｔｈｉｓＰ即ｅｒ，ａｎｅｗｔｉｍｅ一，ｅｒｉａｌｎｒｅｄｉｃｔｉｏｎｍｏｄｅｌｃａｌｅｄｒｅｌａｘｉｎｇｗａｖｅｌｅｔｎｅｕｒａｌ一ｎｅｔｉｓａｎａｌｙｚｅｄ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ｉｔ

ｄｅｃｉｄｅｓｔｈｅｌｅｎｇｔｈＯｆｓａｍｐｌｅｓｅｒｉａｌｂｙｕｓｉｎｇａｋｉｎｄｏｆｓｔａｔｉｓｔｉｃｍｅｔｈｏｄｃａｌｌｅｄｖａｒｉａｎｃｅａｎａｌｙｓｉｓｓｏｔｈａｔｔｈｅｋｎｏｔｎｕｍｂｅｒＯｆｉｎｐｕｔ

ｌａｙｅｒｃａｎｂｅｅｆｆｉｃｉｅｎｔｌｙｄｅｃｉｄｅｄ，ｗｈｉｃｈｉｓｂａｓｅｄｏｎａｎａｌｙｚｉｎｇｔｉｍｅ一ｓｅｒｉ习Ｐｒｅｄｉｃｔｉｏｎｂｙｍｅａｎｓｏｆｎｅｕｒａｌ一ｎｅｔ．Ｕｓｉｎｇｔｈｉｓｍｏｄｅｌ，ｉｔｏｐｅｒａｔｅｓｔｈｅａｎｎｕａｌａｖｅｒａｇｅｓｕｎｓ卯ｔ，ｒｉａｌｔｈｒｏｕｇｈｗａｖｅｌｅｔ一ｄｅｃｏｍｐｏｓｉｎｇ，ｒｅｃｏｎｓｔｒｕｃｔｉｎｇ，ＰｒｅｄｉｃｔｉｏｎａｎｄｃｏｍＰｏｓｉｎｇＴｈｅｎ，ｔｈｅｔｏｔａｌｐｒｅｄｉｃｔｉｏｎｅｆｅｃｔｉｓｇｏｔｔｅｎ．Ａｔｔｈｅ，ａｍｅｔｉｍｅ，ｔｈｅＰｒｅｄｉｃｔｉｏｎｅｆｅｃｔａｂｏｕｔｎｅｗｍｏｄｅｌａｎｄ１ｒａｄｉｔｉｏｎａｌＢｐ一ｎｅｔｉｓｃｏｍｐａｒｅｄａｎｄｔｈｅｓｕｂ８ｔａｉｎｔｉａｌｃａｕｓｅＯｆｐｒｅｄｉｃｔｉｏｎｄｉｆｅｒｅｎｃｅｏｆｂｏｔｈｔｙ拌ｓｉｓａｎａｌｙｚｅｄｌｎｔｏｔａｌ，ｔｈｉｓｐ叩ｅｒｒｅｆｌｅｃｔｓａｋｉｎｄＯｆｔｈｏｕｇｈｔｗｈｉｃｈｓｉｍｐｌｉｆｉｅｓｃｏｍｐＩｅｘｐｍｂｌｅｍａｎｄｃｏＩｌｂｉｎｅｓｗａｖｅｌｅｔ’ｓｍｕｌｔｉ一ｄｉｓｃｒｉｍｉｎａｔｉｏｎｗｉｔｈｎｅｕｒａｌ一ｎｅｔ’ｓｎｏｎ一ｌｉｎｅａｒａＰｐｒｏａｃｈｉｎｇｆｕｎｃｔｉｏｎＴｈｉｓｉｄｅａｅｘｅｒｔｅｄ

基于 GWO-WNN 模型的城市轨道交通短时进站客流预测

第41卷第8期铁道运输与经济

97城市轨道交通

摘要：城市轨道交通短时进站客流具有较强的非线性与随机性。针对该问题，提出一种基于灰狼优化算法(Grey Wolf Optimizer, GWO)与小波神经网络(Wavelet Neural Network，WNN)的城市轨道交通短时进站客流预测模型(GWO-WNN模型)。在构建小波神经网络的基础上，利用灰狼优化算法对初始权值和小波因子进行全局搜索寻优，有效避免了小波神经网络预测结果不稳定及极易陷入局部最小值的缺点。结合案例分析，将单纯WNN模型预测结果与GWO-WNN模型的预测结果比较分析，结果表明GWO-WNN模型相比单纯的WNN模型，在绝对误差和绝对误差百分比方面有极大的提升，均方根误差也可以佐证优化后的WNN模型预测精度更高。关键词：城市轨道交通；短时客流预测；灰狼算法；小波神经网络；算法优化Abstract: Driven by the short-time passenger data characteristics of nonlinearity and randomness, this study proposes a short-term passenger flow forecast model for urban rail transit based on GWO-WNN model. Firstly, this study builds a wavelet neural network. Then, the grey wolf optimizer is used to search for the initial weight and wavelet factor globally, which effectively avoids the disadvantages of unstable results and falling into local minimums easily. Experimental results show that GWO-WNN model has a significant improvement in absolute error and absolute error percentage compared with the simple WNN model, and the Root Mean Square Error can also prove that GWO-WNN model has higher prediction accuracy. Keywords: Urban Rail Transit; Short-term Passenger Flow Forecast; Grey Wolf Algorithm; Wavelet Neural Network; Algorithm Optimization文章编号：1003-1421(2019)08-0097-06 中图分类号：U293.6 文献标识码：ADOI：10.16668/ki.issn.1003-1421.2019.08.18

基于LSTM神经网络的地铁短时客流量预测研究

一、引言

地铁作为城市交通的重要组成部分，客流量的变化对地铁运营和乘客出行都有很大的影响。因此，准确预测地铁短时客流量对实现地铁运营的智能化管理至关重要。近年来，随着深度学习的快速发展，LSTM神经网络在时间序列预测中展现出了很好的性能，成为研究地铁短时客流量预测的有效工具。

二、LSTM神经网络简介

1. LSTM神经网络原理

LSTM（Long Short-Term Memory）是一种特殊的循环神经网络，对于处理长时间依赖问题具有较好的性能。相比于传统的循环神经网络，LSTM引入了遗忘门、输入门和输出门，以更好地控制信息的流动。

2. LSTM神经网络的训练过程

LSTM神经网络的训练过程包括前向传播和反向传播两个阶段。在前向传播过程中，通过将当前时刻的输入与前一时刻的输出结合，计算得到当前时刻的输出。在反向传播过程中，通过比较网络输出与实际值之间的误差，调整网络权重以减小误差，经过多次迭代，使网络逐渐收敛。

三、地铁短时客流量预测方法

1. 数据预处理

首先，收集地铁站点的历史客流量数据，并进行数据清洗和归一化处理，以提高模型的准确性。然后，将数据集按照时间序列划分为训练集和测试集。

2. 构建LSTM神经网络模型将LSTM作为时间序列预测模型，输入当前时刻的客流量数据，通过多个LSTM层的堆叠，得到输出结果。

3. 模型训练与评估

使用训练集对LSTM神经网络模型进行训练，通过反向传播算法不断调整模型参数，直到模型收敛。然后，使用测试集对模型进行评估，计算预测值与实际值之间的误差，以评估模型的准确性。

四、实验与结果分析

在某城市的地铁站点进行实验，收集了数月的历史客流量数据用于训练和测试。通过对比预测值与实际值，发现基于LSTM神经网络的地铁短时客流量预测方法在准确性上明显优于传统的统计方法。

城市轨道交通进站客流量短时预测模型研究

刘美琪;焦朋朋;孙拓

【摘要】利用数学方法可以改善城市轨道交通进站客流量的短时预测效果,促进轨道交通车站客流管理智能化水平.首先建立K近邻非参数回归模型,然后在传统卡尔曼滤波模型的观测方程中引入偏差修正系数以提高其预测精度;再采用贝叶斯方法将以上两模型进行组合;最后利用2013年11月北京市地铁13号线的进站客流数据,研究对比这三类模型在早高峰、平峰、晚高峰和全天的预测精度.结果表明:K近邻非参数回归的总体预测精度最高;贝叶斯组合预测模型次之,但平峰时段效果最好;基于偏差修正系数的卡尔曼滤波模型晚高峰时适用性较差.

【期刊名称】《城市轨道交通研究》

【年(卷),期】2015(018)011

【总页数】6页(P13-17,29)

【关键词】城市轨道交通;短时客流量预测;K近邻非参数回归;贝叶斯组合模型

【作者】刘美琪;焦朋朋;孙拓

【作者单位】北京建筑大学土木与交通工程学院,100044,北京;北京建筑大学土木与交通工程学院,100044,北京;北京建筑大学土木与交通工程学院,100044,北京

【正文语种】中文

【中图分类】U293.13;U231

随着城市轨道交通实时交通信息系统的日益完善，管理者需要掌握未来短时间内客流量的变化趋势，以制定和实施交通管理计划，这不仅可以使交通管理逐步走向智能化、动态化和信息化，还能提高运营效率，同时为出行者提供高效方便的服务。

在城市轨道交通日客流预测方面，文献［1］利用马尔科夫链改进了灰色模型；文献［2］将神经网络和支持向量机两种方法融合在一起，得到了组合预测模型；文献［3］则在前人研究的基础上，建立了基于客流时序特征的神经网络模型。在城市轨道交通短时客流预测方面，BP 神经网络［4－5］与小波神经网络［6］被引入组合模型。

非参数回归模型（Nonparametric Regressive Model）与神经网络模型同属于无数学模型的预测方法，但多用于道路交通流短时预测。文献［7］最早真正将非参数回归的方法应用到了交通流量预测中。文献［8］对传统的非参数回归进行了改进，运用变K 搜索算法和基于动态聚类和散列函数的历史数据组织方式。文献［9］利用该模型预测伦敦环路的交通量；文献［10］则应用到了快速路行程速度的预测。此外，卡尔曼滤波［11］、目标导向的神经网络算法［12］、模糊神经网络［13］与贝叶斯组合神经网络算法［14］均被引入预测模型中。

基于前馈小波神经网络的改进狼群算法在短时r交通流预测中的应用

来学伟

【期刊名称】《福建电脑》

【年(卷),期】2018(034)007

【摘要】本文首先介绍了前馈小波神经网络在预测交通流量中的应用.然后指出其弊端,接着介绍了前馈小波神经网络算法的原理,并对其函数逼近能力进行了分析,通过改进狼群算法,然后结合前馈小波神经网络,提高了短时间内预测交通流量的准确性和效率.

【总页数】2页(P132-133)

【作者】来学伟

【作者单位】三门峡职业技术学院信息传媒学院河南三门峡 472000

【正文语种】中文

【相关文献】

1.基于改进小波神经网络的短时交通流量预测研究 [J], 曹莉;唐玲;吴浩;高祥;乐英高

2.基于改进人工蜂群算法优化小波神经网络的短时交通流预测 [J], 黄恩潭;谷远利

3.基于改进粒子群算法优化小波神经网络的\r短时交通流预测 [J], 马梅琴;李风军;赵菊萍

4.基于狼群算法的短时高速交通流量预测仿真 [J], 梁海峰

5.改进蛙跳算法的小波神经网络短时交通流预测 [J], 郑俊褒; 饶珊珊因版权原因，仅展示原文概要，查看原文内容请购买

基于改进BP小波网络的网络流量预测研究

第２７卷第６期　计算机仿真　２０１０年６月　

文章编号：１００６—９３４８（２０１０）０６—０１８７—０４　

基于改进ＢＰ小波网络的网络流量预测研究　

邹　月‘，陈启愉　

（１．广东科贸职业学院信息工程系，广东广州５１０６４０；　２．华南理工大学广东省计算机网络重点实验室，广东广州５１０６４０）　

摘要：研究无线网络优化控制问题，针对流量拥塞，传统ＢＰ小波网络（ＢＰＷＮＮ）易陷入局部极小，收敛速度慢的缺陷，为了　提高网络服务性能，提出一种改时的学习速率自适应的算法ＩＢＰＷＮＮ。在ＩＢＰＷＮＮ的小波网络运行过程中，动态的调整学　习速率，防止网络陷入局部极小和误差变大。进行仿真实验，分别利用ＢＰＮＮ和ＩＢＰＷＮＮ进行网络流量进行对比预测。仿　真结果证明，ＩＢＰＷＮＮ算法既简捷，又能够提高学习速度和精度，避免了ＢＰＷＮＮ网络易出现的收敛速度慢、易产生局部最　

优解的问题，为网络优化提供了有效算法。　关键词：网络流量；小波分析；神经网络；预测　

中图分类号：ＴＰ３９３　文献标识码：Ｂ　

Ｓｔｕｄｙ　ｏｎ　Ｎｅｔｗｏｒｋ　Ｔｒａｆｆｉｃ　Ｐｒｅｄｉｃｔｉｏｎ　Ｂａｓｅ　ｏｎ　Ｉｍｐｒｏｖｅｄ　

．Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ　Ｗａｖｅｌｅｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　

ＺＯＵ　Ｙｕｅ　，ＣＨＥＮ　Ｑｉ—ｙｕ　

（１．Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｇｕａｎｇｄｏｎｇ　Ｖｏｃａｔｉｏｎａｌ　Ｃｏｌｌｅｇｅ　ｏｆ　Ｓｃｉｅｎｃｅ　Ａｎｄ　Ｔｒａｄｅ，　

Ｇｕａｎｇｚｈｏｕ　Ｇｕａｎｇｄｏｎｇ　５１０６４０，Ｃｈｉｎａ；　

２．Ｓｏｕｔｈ　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｄｏｎｇ　Ｐｒｏｖｉｎｃｅ　Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｎｅｔｗｏｒｋｓ，　

Ｇｕａｎｇｚｈｏｕ　Ｇｕａｎｇｄｏｎｇ　５　１０６４０，Ｃｈｉｎａ）　

ＡＢＳＴＲＡＣＴ：Ａ　ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｉｍｐｒｏｖｅｄ　ｂａｃｋ　ｐｒｏｐａｇａｔｉｏｎ　ｗａｖｅｌｅｔ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ　ｆｏｒ　ｔｒａｆ－　

基于BP神经网络的短时客流预测优化 2

ScienceandTechnology&Innovation┃科技与创新2023年第19期

·13·文章编号：2095-6835（2023）19-0013-03

基于BP神经网络的短时客流预测优化＊

陆中石

（安徽交通职业技术学院，安徽合肥230051）

摘要：先利用应用比较广泛的BP（BackPropagation，反向传播）神经网络算法对某地铁站1h的进站客流进行预测。

针对BP算法初始权值和阈值难以确定，容易导致目标函数错误获得局部最优解的缺点，引入遗传算法，以优化前的预

测误差为适应度函数对BP算法进行改进提升得到优化后的预测模型，并以优化前后预测的分时客流进行对比。结果表

明，优化后预测值和真实值的最大相对误差和平均绝对百分比误差均有明显减小，验证了改进后的模型性能。

关键词：客流预测；神经网络；遗传算法优化；模型性能

中图分类号：U293.1文献标志码：ADOI：10.15913/ki.kjycx.2023.19.004

城市轨道交通运营中客流变化关乎运营效率和运

营效益，如何应对随时波动变化的客流成为行业研究

热点。对城市轨道交通客流进行短时预测研究时，主

要有以下3类方法。第一类是基于传统的纯数学统计

方法的客流预测模型。如通过数理统计的方法按时间

先后顺序分析客流数据并找出前后数据之间的变量关

系，建立数学模型从而对未来短时客流进行预测。光

志瑞[1]在线网周边土地利用开发和线路可达性深入分

析的基础上建立进出站客流量与上述指标之间的数学

统计关系并用于对客流进行预测。第二类方法即是当

下非常热门的智能算法，而在这其中神经网络更是应

用广泛。张杉基[2]先分别运用LSTM、LightGBM和XGBoost智能模型进行短时客流预测，随后利用系数

进行叠加处理，为客流预测提供了一种新思路。第三

类是将数学模型与神经网络算法相互融合的混合预测

模型。PINTO等[3]学者建立了一种基于Metronamica

软件的元胞自动机模型来预测交通客流状况从而为潜