1、“.....隐含层神经元数目经过反复实验确定个，既可得到较小的误差，又能取得快速收敛效果。数据分析表是神经网络的预测结果对经反复实验，该网络训练函数用效果最好，网络隐含层神经元数目设定可根据定理，取输入层的，二〇〇年十月二十九日星期。神经网络建模主要程序，小样本被大样本被淹，消去样本数据间的冗余成分，要对数据进行归化处理。归化处理方法有多种，本文采用自带归化函数和。输出时候要进行反归化，用到函数节作为输入样本，第天客流数据作为神经网络的输出，这样总共得到组训练样本。月日和月日的客流数据作为测试样本。由于影响因素和客流量数据单位不致，样本之间数量级差别较大，为了加快训练网络的收敛性，防止点二〇〇年十月二十九日星期点点点点神经网络建模用神经网络对地铁站自动扶梯客流量进行预测需要考虑多种影响因素，对于月日数据，选择前天的客流数据和第二天的影响因素周末节假日天气季每天从点以为单位对客流进行取样统计......”。

2、“.....表是年日对上海地铁站号口上行扶梯客流进行为期周的客流统计数据。表上行扶梯客流量时刻日期点点点点点点点点点点点点点出层的连接权值为型激活函数。二〇〇年十月二十九日星期神经网络建模对地铁客流短期预测客流数据统计以上海地铁站号口自动扶梯为例进行为期周的客流统计。地铁从早上点开始运营，晚上点结束运营，作用下的网络输出序列为，则有其中为输入层与隐含层间的连接权值为隐含层与输还能识别和产生时间模式。图神经网络结构对于多输入多输出网络，设上下文层的输出为，隐含层的输入和输出二〇〇年十月二十九日星期分别为和，网络在外部输入时间序列接收反馈信号，上下文层内的神经元输出被前向传输至隐含层。神经网络的这种结构特点使它能在有限的时间内以任意精度逼近任意函数。又因为它们有个反馈连接，所以它被训练后不仅能够识别和产生空间模式通过存储内部状态使其具备映射动态特征功能......”。

3、“.....神经网络也有多层结构，如图所示，除了普通的隐含层外，还有个特别的隐含层，称为上下文层或状态层。该层从普通隐含层神经网络反馈神经网络是种带反馈的两层神经网络，反馈连接从第层输出连接到输入端，这种反馈连接使网络能检测和生成时变模式。它是种典型的动态神经元网络，是在网络基本结构的基础上值。输出层第个神经元的总输入为式中为隐含层神经元与输出层神经元之间的连接权值为输出层神经元的阀值为隐含层节点数。式中和分别为输入节点在样本作用下的输入和输出，为输入层神经元与隐含层神经元之间的连接权值为隐含层神经元的阀络输出误差减少到设定值，或者进行到预先设定的学习次数。图神经网络结构训练样本，其中个样本为，则隐含层的第个神经元在样本作用下的输入为二〇〇年十月二十九日星期名在网络中，信号向前传播，误差反向传播，通常具有个或多个隐含层和线性输出层......”。

4、“.....这种信号的正向传播和误差反向传播以及各层权值调整过程是循环进行的，直进行到网络名在网络中，信号向前传播，误差反向传播，通常具有个或多个隐含层和线性输出层，能够对具有有限不连续点的函数进行逼近。这种信号的正向传播和误差反向传播以及各层权值调整过程是循环进行的，直进行到网络输出误差减少到设定值，或者进行到预先设定的学习次数。图神经网络结构训练样本，其中个样本为，则隐含层的第个神经元在样本作用下的输入为二〇〇年十月二十九日星期式中和分别为输入节点在样本作用下的输入和输出，为输入层神经元与隐含层神经元之间的连接权值为隐含层神经元的阀值。输出层第个神经元的总输入为式中为隐含层神经元与输出层神经元之间的连接权值为输出层神经元的阀值为隐含层节点数。神经网络反馈神经网络是种带反馈的两层神经网络，反馈连接从第层输出连接到输入端......”。

5、“.....它是种典型的动态神经元网络，是在网络基本结构的基础上，通过存储内部状态使其具备映射动态特征功能，从而使系统具有适应时变特征的能力。神经网络也有多层结构，如图所示，除了普通的隐含层外，还有个特别的隐含层，称为上下文层或状态层。该层从普通隐含层接收反馈信号，上下文层内的神经元输出被前向传输至隐含层。神经网络的这种结构特点使它能在有限的时间内以任意精度逼近任意函数。又因为它们有个反馈连接，所以它被训练后不仅能够识别和产生空间模式，还能识别和产生时间模式。图神经网络结构对于多输入多输出网络，设上下文层的输出为，隐含层的输入和输出二〇〇年十月二十九日星期分别为和，网络在外部输入时间序列作用下的网络输出序列为，则有其中为输入层与隐含层间的连接权值为隐含层与输出层的连接权值为型激活函数......”。

6、“.....地铁从早上点开始运营，晚上点结束运营，每天从点以为单位对客流进行取样统计，作为客流样本。表是年日对上海地铁站号口上行扶梯客流进行为期周的客流统计数据。表上行扶梯客流量时刻日期点点点点点点点点点点点点点点二〇〇年十月二十九日星期点点点点神经网络建模用神经网络对地铁站自动扶梯客流量进行预测需要考虑多种影响因素，对于月日数据，选择前天的客流数据和第二天的影响因素周末节假日天气季节作为输入样本，第天客流数据作为神经网络的输出，这样总共得到组训练样本。月日和月日的客流数据作为测试样本。由于影响因素和客流量数据单位不致，样本之间数量级差别较大，为了加快训练网络的收敛性，防止小样本被大样本被淹，消去样本数据间的冗余成分，要对数据进行归化处理。归化处理方法有多种，本文采用自带归化函数和。输出时候要进行反归化，用到函数......”。

7、“.....该网络训练函数用效果最好，网络隐含层神经元数目设定可根据定理，取输入层的个的隐含层结点数，本文有个输入，故隐含层神经元取个。神经网络建模主要程序神经网络训练函数用，隐含层神经元数目经过反复实验确定个，既可得到较小的误差，又能取得快速收敛效果。数据分析表是神经网络的预测结果对比表。表神经网络预测结果对比时间实际客流人预测值人预测值人预测相对误差预测相对误差点点点点二〇〇年十月二十九日星期点点点点点点点点点点点点点点由表可知，神经网络对客流预测的最大误差为，该误差出现在点到点神经网络预测的最大误差为，该误差出现在点到点间。神经网络预测的平均误差为，神经网络预测的平均误差为。通过以上分析可知神经网络对地铁站客流预测稳定性好，误差相对较小，预测效果比神经网络好。相比于地铁站客流量巨大，加上地铁客流随机性强的特点，神经网络误差范围是可以接受的......”。

8、“.....随着系统应用时间的增加，会有更丰富的客流数据，各种情况都会在模型中得到训练，这样网络预测误差会大大减小。二〇〇年十月二十九日星期结论经过以上分析得，神经网络对客流的预测比神将网络更为准确。因为神经网络是种动态神经元网络，具有适应时变特征的能力，而神经网络是利用静态前馈网络对动态系统进行辨识，将动态时间建模问题变成静态空间建模，用在地铁站自动扶梯客流这种动态性比较强的对象预测中，神经网络更占优势。本文只是对周客流进行训练，随着客流样本的增加，神经网络得到更充分的训练，误差将会更小。以上神经网络模型是离线的，今后如将神经网络与地铁站控制系统相结合，投入在线应用，将有大量的地铁站实时客流样本，从而实时训练，不断学习，届时达到更好的效果。二〇〇年十月二十九日星期参考文献王振滨，陈孝祺，李劲自动扶梯节能评估系统上海电气技术于明澜......”。

9、“.....邓红霞，靳蕃基于数据融合的地铁客流量预测方法铁道学报二〇〇年十月二十九日星期题号成绩题目名称基于神经网络的地铁客流短期预测同组学生姓名及学号孙健，秦领，阿卜莱提，教师李秀敏日期二〇〇年十月二十九日星期目录绪论神经网络简介神经网络神经网络神经网络建模对地铁客流短期预测客流数据统计神经网络建模数据分析结论参考文献二〇〇年十月二十九日星期绪论随着大中型城市地铁的开通，地铁站自动扶梯数量剧增。经实地考察大部分地铁站扶梯在客流量大时以额定速度运行，在人少或没人的情况下仍然以额定速度运行，从而造成耗能大，机械磨损严重，使用寿命减少等缺点。上海电气中央研究院于年夏季完成了对地铁号线马戏城自动扶梯客流情况的调研，发现自动扶梯的满载率不到，其他大部分时间都在轻载和无人情况下运行。如果能够预知地铁站客流，使自动扶梯控制系统跟随客流的变化调节控制策略，不仅有利于地铁客流高效及时地疏散......”。