摘要１运量预测工作在交通工程建设的前期工作中处于十分重要的地位。
可以说，做好对运量预测数据的分析和应用，是进行交通建设和设计工作的起步点，是工程项目建设规模和运营经济评价的基础，是项目风险的评价要素和关键。
远期预测客流是一个变动较大的变量，对预测的准确性来说难以保证。
本文就神经网络与四阶段预测法相组合作了探讨，并构造出新的交通量预测模型。
以胶济铁路提速改造为例，就构造的客运量预测模型作了应用研究。
其中以平均增长率法计算客流量的交通分布；以重力模型法计算诱发客流；依据运输阻力构建的分担率模型计算转移客流；在计算诱发客流时考虑了时间价值。
另外本文还探讨了灰色多层次评价法的建模理论，并给出了应用实例。
在多层次灰色评价法的理论基础上，为了使描述各灰色类的评价信息都发挥作用，将被评者的分散信息处理成一个描述不同灰色类的权向量，对其进行单值化处理，可得到被评者的综合值，从而对被评者排序选优。
论文从理论和实践两方面丰富和发展了现有的交通运量预测方法、铁路方案比选的方法，其主要工作和创新点如下：１．本文把国民生产总值、人均收入、人口等因素和交通客流量建立起直接的联系，从而进行客流预测。
而传统的预测方法很难把这些因素与交通量建立起直接的联系。
实例验证表明本文的神经网络模型用误差反向传播算法具有良好的收敛性，能够保证满意的映射精度，取得了理想的预测结果，为决策提供了可靠的依据。
２．神经网络预测法与四阶段预测法相组合，突破了传统预测方法的局限性。
组合后的预测方法不但考虑了政治、经济、人口等因素的影响，而且还考虑了时间、票价、距离等因素的影响。
３．多层次灰色评价法与同类方法相比，考虑的信息更全面，评价结果更准确和客观，实用性更强，更适用于对铁路方案比选中的定性和定量指标进行客观公正的综合评价，有利于推进铁路方案优选与决策的规范化。
关键词：神经网络；四阶段预测法；交通分布；诱发客流；交通量的分担；方案比选；多层次灰色评价法ＡｂｓｔｒａｃｔＦｏｒｔｕｎｅｃａｐａｃｉｔｙｆｏｒｅｃａｓｔｉｎｇｗｏｒｋｉｓｉｎｔｈｅｖｅｒｙｉｍｐｏｒｔａｎｔｐｏｓｉｔｉｏｎｉｎｔｈｅｅａｒｌｉｅｒｓｔａｇｅｗｏｒｋｏｆｔｒａ伍ｃｅｎｇｉｎｅｅｒｉｎｇｃｏｎｓｔｒｕｃｔｉｏｎ．Ｃａｎｓｐｅａｋ，ａｎｄｄｏｇｅｔｔｉｎｇｗｅｌｌｃａｌｃｕｌａｔｉｎｇａｎａｌｙｓｉｓａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｄａｔａｔｏｆｏｍｍｅｃａｐａｃｉｔｙｔｈａｔｂｅｉｎｇｉｓｉｎｐｒｏｇｒｅｓｓｔｈａｔｔｈｅｔｒａｆｆｉｃｉｓｂｕｉｌｄａｎｄｔｈｅｄｅｓｉｇｎｉｓｗｏｒｋｅｄｓｔａｒｔｓａｌｉｔｔｌｅ，ａｎｄｉｓｔｈｅｆｏｕｎｄａｔｉｏｎｔｈａｔｐｒｏｊｅｃｔｉｔｅｍｃｏｎｓｔｒｕｃｔｉｏｎｓｃｏｐｅａｎｄｏｐｅｒａｔｉｏｎｗｅｒｅｅｃｏｎｏｍｉｃａｌｌｙａｐｐｒａｉｓｅｄ，ｉｓｅｖａｌｕａｔｉｏｎｅｓｓｅｎｔｉａｌｆａｃｔｏｒａｎｄｔｈｅｋｅｙｏｆｉｔｅｍｒｉｓｋ．Ｃａｌｃｕｌａｔｉｎｇｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｉｎａｔａｓｐｅｃｉｆｉｅｄｆｕｔｕｒｅｄａｔｅｉｓａｖａｒｉａｂｌｅｔｈａｔｔｈｅｃｈａｎｇｅｉｓｂｉｇｇｅｒ，ａｎｄｉｓｈａｒｄｔｏｐｌｅｄｇｅｔｏｔｈｅａｃｃｕｒａｃｙｏｆｆｏｒｅｃａｓｔｉｎｇ．ＮｅｕｒａｌｎｅｔｗｏｒｋｓｃａｌｃｕｌａｔｅｓｔｈａｔｔｈｅＢｕｄｄｈｉｓｍｔｈｅａｓｐｅｃｔｓｏｆｔｈｉｎｇｓｍａｋｅｕｐｄｏｉｎｇｔｈｅａｃｑｕｉｒｅｍｅｎｔｗｉｔｈｆｏｕｒｓｔａｇｅｓ，ａｎｄｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｉｓｇｏｏｕｔｔｈｅｎｅｗｖｏｌｕｍｅｏｆｔｒ＆ｆｆｉｃｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｉｎｔｈｉｓｐａｐｅｒ．ＷｉｔｈｔｈｅＪｉａｏ－ＪｉＲａｉｌｗａｙｉｓｐｕｔｆｏｒｗａｒｄｓｐｅｅｄａｎｄｉｓｔｒａｎｓｆｏｒｍｅｄｔｏｔｈｅｅｘａｍｐｌｅ，ｔｈｅｐａｓｓｅｎｇｅｒｔｒａｎｓｐｏｒｔｃｏｎｓｔｉｔｕｔｉｎｇｉｓｍｅａｓｕｒｅｄｔｈｅｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌａｎｄｈａｖｅｄｏｎｅｔｈｅａｐｐｌｉｃａｔｉｏｎｓｔｕｄｙ．ｗｉｔｈｔｈｅｔｒａｆｆｉｃｏｆａｖｅｒａｇｅｒａｔｅｏｆｉｎｃｒｅａｓｅｌａｗｃａｌｃｕｌａｔｉｏｎＡｍｏｎｇｔｈｅｍｄｉｓｔｒｉｂｕｔｉｎｇｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｃａｐａｃｉｔｙ；Ｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｉｓｂｒｏｕｇｈｔｏｕｔｉｎｍｏｄｅｌｌａｗｃａｌｃｕｌａｔｉｏｎｗｉｔｈｇｒａｄｔｙ；Ｃｏｎｓｔｒｕｃｔｉｎｇｔｈｅｒａｔｅｓｈａｒｉｎｇｒｅｓｐｏｎｓｉｂｉｌｉｔｙｆｏｒｂｕｉｌｄｉｎｇｍｏｄｅｌｃａｌｃｕｌａｔｉｏｎａｃｃｏｒｄｉｎｇｔｏｔｒａｎｓｐｏｒｔａｔｉｏｎｒｅｓｉｓｔａｎｃｅｓｈｉｆｔｓｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓ；Ｔｈｉｎｋｏｖｅｒｔｉｍｅｖａｌｕｅｗｈｅｎｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｉｓｂｒｏｕｇｈｔｏｕｔｉｎｔｈｅｃａｌｃｕｌａｔｉｏｎ．Ｍｏｒｅｏｖｅｒｔｈｅｍｏｄｅｌｂｕｉｌｄｉｎｇｔｈｅｏｒｙｔｈａｔｔｈｅｇｒｅｙｍｕｌｔｉ—ｌｅｖｅｌＷａｓａｐｐｒａｉｓｅｄｔｈｅｌａｗｈａｓｓｔｉｌｌｂｅｅｎｉｎｑｕｉｒｅｄｉｎｔｏｉｎｔｈｉｓｐａｐｅｒ，ａｎｄｈａｓｇｉｖｅｎｏｕｔｔｈｅａｐｐｌｉｃａｔｉｏｎｌｉｖｉｎｇｅｘａｍｐｌｅ．Ｔｈｉｓｐａｐｅｒｉｓａｐｐｒａｉｓｅｄｏｎｔｈｅｏｒｙｆｏｕｎｄａｔｉｏｎｏｆｌａｗａｔｔｈｅｍｕｌｔｉ—ｌｅｖｅｌｇｒｅｙ，ｔｏｂｒｉｎｇｆｕｌｌｐｌａｙｏｆａｌｌｅｖａｌｕａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｉｎｄｉｆｆｅｒｅｎｔｇｒｅｙｄｅｇｒｅｅｓ，ａｎｄｄｉｓｃｕｓｓｅｓｔｈｅｐｍｃｅｄｕｍｏｆｍｏｄｅｌｃｒｅａｔｉｏｎ．Ｔｈｅｎｉｔｉｎｄｕｃｅｓａｌｌｅｖａｌｕａｔｏｒｓ’ｄｉｓｔｒｉｂｕｔｉｖｅｉｎｆｏｒｍａｔｉｏｎｉｎｔｏｏｎｅｐｒｉｏｒｉｔｙ－ｖｅｃｔｏｒｏｆｄｉｆｆｅｒｅｎｔｇｒｅｙｄｅｇｒｅｅａｎｄａｌｌｏｃａｔｅｓｉｔｗｉｔｈｓｉｎｇｌｅｖａｌｕｅｓｏａｃｏｍｐｒｅｈｅｎｓｉｖｅｖａｌｕｅｉｓｏｂｔａｉｎｅｄｆｏｒｔｈｅｐｒｏｊｅｃｔｕｎｄｅｒｅｖａｌｕａｔｉｏｎ．ＴｈｅｄｅｃｉｓｉｏｎｏｆｓｏｒｔｉｎｇｐｒｏｊｅｃｔｔｏｂｅｅｖａｌｕａｔｅｄｔｈｅｎＣａｎｂｅｃａｒｒｉｅｄｏｕｔ．ＴｈｅｓｉｓｒｉｃｈａｎｄｄｅｖｅｌｏｐｅｄｎＯＷａｖａｉｌａｂｌｅｔｒａｆｆｉｃｆｏｒｔｕｎｅｍｅａｓｕｒｉｎｇｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄａｎｄｒａｉｌｗａｙｓｃｈｅｍｅｆｒｏｍｔｈｅｏｒｙａｎｄｐｕｔｓｉｎｔｏｐｒａｃｔｉｃｅｔｈａｎｔｈｅｍｅｔｈｏｄｗｈｉｃｈｓｅｌｅｃｔｅｄ，ａｎｄｈｉｓｍａｊｏｒｗｏｒｋａｎｄｉｎｎｏｖａｔｉｏｎｐｏｉｎｔｉｓｆｏｌｌｏｗｉｎｇ：１．ＴｈｉｓｐａｐｅｒｉｓｍｅａｓｕｒｅｄｎａｔｉｏｎａｌｌＳｔｏｔａｌｏｕｔｐｕｔｖａｌｕｅ，ｐｅｒｃａｐｉｔａｉｎｃｏｍｅｍａｄａｎｄｔｈｅｔｒａｆｆｉｃｆｌｏｗｓｏｆｐａｓｓｅｎｇｅｒｓａｎｄｈａｓｂｅｅｎｂｕｉｌｄｔｈｅｄｉｒｅｃｔｐｏｐｕｌａｔｉｏｎｅｔｃｆａｃｔｏｒｃｏｎｔａｃｔ，ｔｈｕｓｃａｒｒｉｅｓｏｎｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｆｏｒｅｃａｓｔｉｎｇ．Ａｎｄｔｈｅｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｏｆｔｒａｄｉｔｉｏｎｈａｓｖｅｒｙｈａｒｄｂｅｅｎｂｕｉｌｄｉｎｇｔｈｅｓｅｆａｃｔｏｒｓｔｏｔｈｅｄｉｒｅｃｔｃｏｎｔａｃｔｗｉｔｈｔｈｅｖｏｌｕｍｅｏｆ自ｍ伍ｃ．Ｔｈｅｌｉｖｉｎｇｅｘａｍｐｌｅｃｅｒｔｉｆｉｃａｔｉｏｎｉｎｄｉｃａｔｅｓｔｈａｔｔｈｅｎｅｕｒａｌ西南交通大学硕士研究生学位论文第３页ｎｅｔｗｏｒｌ（ｓｍｏｄｅｌｏｆｔｈｉｓｐａｐｅｒｐｏｓ∞ｓｓｅｓｔｈｅｇｏｏｄｃｏｎｖｅｒｇｅｎｃｅ、Ⅳｉｔｈｔｈｅｅｒｒｏｒｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎａｌｇｏｒｉｔｈｍ，ａｎｄｃ柚ｐｌｅｄｇｅｔｈｅｓａｔｉｓｆａｃｔｏｒｙｍａｐｐｍｇｐｒｅｃｉｓｉｏｎ，ａｎｄｇａｉｎｔｈｅｆｏｒｅｃａｓｔｉｎｇｒｅｓｕｌｔｏｆｉｄｅａｌ，ａｎｄｐｒｏｖｉｄｅｓｔｈｅｒｅｌｉａｂｌｅｂａｓｉｓｆｏｒｔｈｅｐｏｌｉｃｙｄｅｃｉｓｉｏｎ．Ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓｐｒｅｄｉｃｔｅｄｍｅｔｈｏｄｂｒｏｋｅｔｈｒｏｕｇｈｔｈｅｌｉｍｉｔａ廿ｏＩｌｓｏｆｔｒａｄｉｔｉｏｎａｌｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄ．ｃａｌｃｕｌａｔｅｄ诚ｔＩｌｆｏｕｒｓｔａｇｅｓｔｈａｔｔｈｅＢｕｄｄｈｉｓｍｔｈｅａｓｐｅｃｔｓｏｆｔｈｉｎｇｓ２．Ｂｅｉｎｇｍａｋｅｕｐ．Ｎｏｔｏｎｌｙｔｈｅｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｏｆｃｏｍｂｉｎａｔｉｏｎｏｆｆｓｐｒｉｎｇｔｈｉｎｋｏｖｅｒｔｈｅｉｎｆｌｕｅｎｃｅｏｆｆａｃｔｏｒｓｓｕｃｈ醛ｐｏｌｉｔｉｃｓ，ｅｃｏｎｏｍｙａｎｄｐｏｐｕｌａｔｉｏｎｅｒｅ，ｂｕｔａｌｓｏｔｈｉｎｋｏｖｅｒｔｈｅｉｎｆｌｕｅｎｃｅｏｆｆａｃｔｏｒｓｓｕｃｈａＳｔｈｅｔｉｍｅ，ｐｒｉｃｅｏｆａｔｉｃｋｅｔａｎｄｄｉｓｔａｎｃｅｅｔｃ．３．Ｔｈｅｍｕｌｔｉ－ｌｅｖｅｌｇｒｅｙｉｓ叩ｐｍｉｓｅｄｔｈｅｌａｗａｎｄｉｓｃｏｍｐａｒｅｄｗｉｔｈｓａｍｅｍｅｔｈｏｄ，ａｎｄｔｈｅｉｎｆｏｒｍａｔｉｏｎｔｈｉｎｋｏｖｅｒｉｓｍｏｒｅｏｖｅｒａｌｌ，ａｎｄａｐｐｒａｉｓｉｎｇｔｈｅｒｅｓｕｌｔｍｏｒｅａｃｃｕｒａｔｅｌｙ、Ⅳｉｔｔｌｏｂｊｅｃｔｉｖｅｌｙ，ｐｒａｃｔｉｃａｌｎａｔｕｒｅｉｓｓｔｒｏｎｇｅｒ，ａｎｄｍｏｒｅｉｓｓｕｉｔａｂｌｅｉｎｃａｒｒｙｉｎｇｏｎｏｂｊｅｃｔｉｖｅｌｙｔｈｅｊｕｓｔｓｙｎｔｈｅｓｉｓａｐｐｒａｉｓｉｎｇ，ａｎｄｉｓｆａｖｏｒｏｆｐｕｓｈｉｎｇｏｎｔｈｅｍｏｓｔｅｘｃｅｌｌｅｎｔｓｔａｎｄａｒｄｉｚａｔｉｏｎｓｅｌｅｃｔｅｄａｎｄｍａｋｅｓｐｏｌｉｃｙｏｆｒａｉｌｗａｙｓｃｈｅｍｅｔｏｔｈｅｒａｉｌｗａｙｓｃｈｅｍｅｔｈａｎｑｕａｌｉｔｙａｎｄｔｈｅｆｉｘｅｄｑｕａｎｔｉｔｙｑｕｏｔａｗｈｉｃｈｐｉｃｋｅｄｏｎ．ｋｅｙｗｏｒｄｓ：Ｎｅｕｒａｌｎｅｔｗｏｒｋｓ；Ｆｏｕｒｓｔａｇｅｓｐｒｅｄｉｃｔｅｄｍｅｔｈｏｄｓ；Ｔｒａｆｆｉｃｄｉｓｔｒｉｂｕｔｉｏｎ；Ｉｎｄｕｃｅｔｈｅｂｒｏｋｅｒｆｌｏｗ；Ｔｈｅｔｒａｆｆｉｃｖｏｌｕｍｅｓｈａｒｅｓ；Ｓｅｌｅｃｔｔｈｅｂｅｓｔｐｒｏｊｅｃｔ；Ｍｕｌｔｉｌｅｖｅｌｇｒｅｙｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄ西南交通大学硕士研究生学位论文第１页第一章绪论１．１引言市场经济条件下，对铁路建设项目进行科学、准确的经济评价．是确保铁路建设项目资金到位，在合理期限收回投资、抵御风险，并取得预期经济效益的关键。
如何进行MATLAB神经网络的训练和预测【第一章】MATLAB神经网络的基础知识神经网络是一种模拟人类神经系统运行方式的计算模型，它通过模拟人类的感知、学习和决策过程，可以对复杂的问题进行处理和求解。
在实际应用中，MATLAB是一个常用的工具来进行神经网络的训练和预测。
本章将介绍MATLAB 神经网络的基础知识，包括神经网络的原理、MATLAB的神经网络工具箱以及神经网络训练和预测的一般步骤。
1.1 神经网络的原理神经网络由神经元（neuron）组成，每个神经元接收多个输入并产生一个输出。
神经网络的基本单元是感知器（perceptron），它由权重、偏置和激活函数组成。
权重决定了输入对输出的影响程度，偏置用于调整输出的偏移量，激活函数用于处理神经元的输出。
通过调整权重和偏置，神经网络可以学习和适应不同的输入输出模式。
常见的神经网络包括前馈神经网络（feedforward neural network）、循环神经网络（recurrent neural network）和卷积神经网络（convolutional neural network）。
前馈神经网络是最基本的神经网络类型，信息只能在网络中的一个方向流动，即从输入层到输出层。
循环神经网络具有反馈连接，可以记忆之前的状态信息，适用于序列数据的处理。
卷积神经网络则主要用于图像和语音等二维数据的处理。
1.2 MATLAB神经网络工具箱MATLAB提供了一个神经网络工具箱（Neural Network Toolbox），用于设计、训练和模拟神经网络。
该工具箱包括多种神经网络类型、各种激活函数、训练算法和性能函数等各种功能模块。
使用MATLAB神经网络工具箱可以方便地进行神经网络的建模和仿真。
在MATLAB神经网络工具箱中，神经网络被表示为一个网络对象（network object）。
网络对象由一系列图层（layer）组成，每个图层由若干个神经元组成。
网络对象还包括连接权重矩阵、偏置向量和训练参数等属性。
神经网络模型及预测方法研究神经网络是一种重要的人工智能模型，它是模仿生物神经网络的结构和功能，通过训练和学习，自动发现数据之间的复杂关系，以达到有效的数据处理和预测目的。
在现代科技和社会中，神经网络已经成为了一个极其重要的工具，广泛应用于金融、医疗、交通、农业等领域。
一、神经网络模型神经网络模型就是学习和推理数据的算法模型，它由若干个神经元组成，通常分为输入层、隐藏层和输出层三种，网络中神经元之间相互连接，通过不同的权重系数和阈值参数，实现数据的学习和预测。
在网络的训练过程中，一个样本数据通过网络首先被输入到输入层中，然后依次通过隐藏层中的神经元进行计算，最后输出到输出层中，得到预测结果。
神经网络模型的优点在于它可以从大量的数据集中提取有用的信息，在处理非线性问题，和多个目标变量的预测和分类问题上表现出了强大的性能和简单性。
同时，可以通过调整神经元之间的连接方式和网络的拓扑结构来实现模型的最优性。
二、神经网络预测方法神经网络预测方法主要是依靠神经网络模型进行数据预测和分类。
在预测过程中，神经网络通过对样本数据的学习和训练，自动发现数据之间的内在关系，从而对未知数据进行预测和分类。
在预测过程中，首先需要对数据进行预处理和归一化等操作，然后将处理好的数据输入到网络中，进行训练和预测。
神经网络预测方法广泛应用于各个领域，在金融领域中，可以应用于贷款和信用评估等问题，在医疗领域中，可以应用于疾病诊断和预测等问题，在交通领域中，可以应用于交通流量预测和交通控制等问题。
三、神经网络模型的局限性神经网络模型虽然在处理非线性、多目标和大数据集问题时表现出了优秀的性能，但它也有着局限性。
首先，神经网络模型需要大量的样本数据进行训练，对于数据的质量和数量有着高要求，不易推广和应用。
其次，在网络结构和超参数的选择上，需要进行复杂的调参和验证工作，耗时耗力。
最后，在处理跨领域和复杂问题时，神经网络也不能保证绝对的准确性和可解释性。
BP神经网络算法预测模型
BP神经网络（Back Propagation Neural Network，BPNN）是一种常
用的人工神经网络，它是1986年由Rumelhart和McClelland首次提出的，主要用于处理有结构的或无结构的、离散的或连续的输入和输出的信息。
它属于多层前馈神经网络，各层之间存在权值关系，其中权值是由算法本
身计算出来的。
BP神经网络借助“反向传播”（Back Propagation）来
实现权值的更新，其核心思想是根据网络的输出，将错误信息以“反馈”
的方式传递到前面的每一层，通过现行的误差迭代传播至输入层，用来更
新每一层的权值，以达到错误最小的网络。
BP神经网络的框架，可以有输入层、隐含层和输出层等组成。
其中
输入层的节点数即为输入数据的维数，输出层的节点个数就是可以输出的
维数，而隐含层的节点数可以由设计者自由设定。
每一层之间的权值是
BP神经网络算法预测模型中最重要的参数，它决定了神经网络的预测精度。
BP神经网络的训练步骤主要有以下几步：首先，规定模型的参数，
包括节点数，层数，权值，学习率等；其次，以训练数据为输入，初始化
权值，通过计算决定输出层的输出及误差；然后，使用反向传播算法，从
输出层向前，层层地将误差反馈到前一层。
