覃 矞， 宗傳苓

(深圳市城市交通規(guī)劃設計研究中心有限公司， 廣東 深圳 518034)

換乘方式選擇預測是進行綜合客運樞紐詳細規(guī)劃設計的基礎性工作，一般借鑒交通方式劃分模型分析思路建立換乘方式選擇預測的非集計模型[1～3]。雖然，非集計模型建立在換乘效用最大化行為假說的基礎上，具有較強的邏輯性。但是，人的決策過程是一個非常復雜的過程，簡單的效用函數(shù)難以準確衡量人的價值取向。因此，不同乘客對不同選擇肢的換乘效用是很難確定的[4]。模糊模式識別與模糊人工神經(jīng)網(wǎng)絡等人工智能方法為這一問題解決提供了良好的途徑，兩者結合所構造的模型，不僅具有處理不精確性和不確定性的能力，還具備學習和記憶的能力，用來模擬換乘方式選擇行為是非常合適的。

根據(jù)人的決策思維過程，將換乘方式選擇行為分為兩個階段，一是需求特性識別階段，即根據(jù)個體屬性與出行換乘特性找出乘客對換乘方式服務屬性的要求；二是換乘方式識別階段，即根據(jù)需求特性與各方式的服務屬性尋找最佳匹配的換乘方式。在此基礎上，建立基于模糊神經(jīng)網(wǎng)絡的需求特性識別以及基于模糊模式識別的換乘方式識別的兩階段換乘方式選擇預測模型。

1 模型建立思路

具有不同個體屬性與出行換乘特性的乘客對換乘方式服務屬性的需求是不相同的，而不同的個體需求特性必定對應于一個與其匹配度最高的換乘方式。

1.1 資料調查

調查內容包括乘客個體特性與出行換乘特性問卷調查、乘客對換乘方式服務屬性需求意向調查以及換乘方式服務屬性調查等內容。

1.2 調查資料整理

首先將乘客的個體特性及出行換乘特性調查資料與服務屬性需求意向調查資料配對，并將有效調查數(shù)據(jù)分成學習樣本集與檢驗樣本集，分別用于網(wǎng)絡模型的學習和檢驗。

其次將個體特性和出行換乘特性中的連續(xù)性變量模糊化，建立相應模糊集的隸屬函數(shù)[5]。

再是將個體特性和出行換乘特性中的選擇性變量進行二進制編碼。假設共有n種可供選擇的情形，則編碼位數(shù)為int[log2(n-1)+1]。

再次是建立各種服務屬性的模糊集，并對每個乘客的服務屬性需求意向模糊化，確定各個需求意向對相應模糊集的隸屬度。

最后建立各換乘方式與服務屬性模糊特征的對應規(guī)則，確定各換乘方式各種服務屬性對相應模糊集的隸屬度。

1.3 模型構造

首先，構造需求特性識別的模糊神經(jīng)網(wǎng)絡模型，用學習樣本對網(wǎng)絡進行學習，用檢驗樣本對完成學習后的模型進行檢驗。

其次，構造換乘方式模糊識別模型，將模糊神經(jīng)網(wǎng)絡個體需求特性的輸出與各換乘方式的服務屬性相比較，求得相互之間的接近度，接近度歸一化即可得到選擇某種換乘方式的概率。

1.4 模型檢驗與修正

利用調查數(shù)據(jù)對模型的命中率和相對誤差進行檢驗，并對模型進行修正，即可用于預測。

2 模型構造

2.1 需求特性識別模型

需求特性識別是根據(jù)乘客的個體屬性與出行換乘特性，尋找換乘需求特性，即乘客對換乘方式服務屬性的要求，可利用模糊自適應控制神經(jīng)網(wǎng)絡建立需求特性識別模型。

2.1.1網(wǎng)絡結構

模糊自適應控制神經(jīng)網(wǎng)絡是一種前向多層網(wǎng)絡，它把一個傳統(tǒng)的模糊邏輯控制器的基本元件與具有分布學習能力的連接式結構結合在一起。其中，輸入和輸出節(jié)點分別代表輸入狀態(tài)和輸出控制信號，隱含層節(jié)點產(chǎn)生隸屬函數(shù)和模糊邏輯規(guī)則。本文所采用的網(wǎng)絡是一個五層前向網(wǎng)絡，網(wǎng)絡結構如圖1所示。

圖1 模糊自適應控制網(wǎng)絡結構

2.1.2節(jié)點定義

第一層：輸入節(jié)點，接收乘客個體屬性與出行換乘特性變量。節(jié)點數(shù)與所采用的個體屬性及出行換乘特性的個數(shù)之和相等。該層節(jié)點只與第二層中代表與輸入特性相對應的模糊集或二進制編碼位的節(jié)點連接，連接權均為1.0。

第二層：術語節(jié)點，代表輸入特性的模糊集或二進制編碼的位，對輸入進行模糊化或二進制編碼。節(jié)點數(shù)為各輸入特性模糊集的個數(shù)或二進制編碼的位數(shù)之和。節(jié)點激活閾值為0.0，激活函數(shù)為相應模糊集的隸屬度函數(shù)，或進行二進制編碼和取位運算。該層節(jié)點與第三層中所有的節(jié)點連接，連接權值通過學習確定。

第四層：術語節(jié)點，代表服務屬性需求意向模糊集，實現(xiàn)自上而下與自下而上兩種運算模式。節(jié)點數(shù)與各種服務屬性模糊集個數(shù)之和相等，且只與第五層中相對應的服務屬性需求意向輸出節(jié)點連接，連接權值為1.0。自上而下運算是為了在監(jiān)督學習階段服務屬性理想輸出的模糊化；自下而上運算用于網(wǎng)絡的學習和預測階段，學習階段利用其實際輸出值與理想輸出值的誤差來進行網(wǎng)絡訓練，預測階段用來輸出乘客對換乘方式服務屬性需求意向模糊集的隸屬度。節(jié)點激活函數(shù)仍采用Sigmoid型函數(shù)，激活閾值通過學習確定。

第五層：輸出節(jié)點，代表乘客對服務屬性的需求意向，節(jié)點數(shù)目與所采用的服務屬性的數(shù)目相等。也有自上而下與自下而上兩種運算模式，自下而上的傳輸為決策信號輸出，自上而下傳輸訓練樣本的理想輸出數(shù)據(jù)。該層節(jié)點主要用于網(wǎng)絡的監(jiān)督學習階段，預測階段已不再需要。

2.1.3學習過程算法

網(wǎng)絡模型的學習過程就是訓練第二、四層之間的連接權值以及第三、四層節(jié)點激活閾值，可采用誤差反向傳播算法(Error Back-Propagation Algorithm，簡稱BP算法)[2,7]。

2.2 換乘方式識別模型

換乘方式識別是根據(jù)換乘需求特性，計算與各換乘方式服務屬性的接近度，從而得到乘客選擇某種換乘方式的概率，可利用模糊模式識別技術建立換乘方式識別模型。

2.2.1換乘方式與服務屬性的特征對應關系

換乘方式與服務屬性的特征對應關系，就是通過專家調查或旅客問卷調查確定各換乘方式的服務屬性對相應模糊集的隸屬度。如采用換乘時間以及換乘方式的運營速度、費用、方便性、準時性等服務屬性作為模式識別特征，可相應地劃分為5個模糊集。

2.2.2換乘方式模糊識別模型

(1)

2.2.3換乘方式選擇概率

(2)

3 模型檢驗

可以引入命中率和相對誤差兩個指標對模型進行檢驗[9]。

3.1 命中率

從非集計角度考察模型的符合程度。如果選擇概率最大的換乘方式與其實際選擇的換乘方式相同，則稱模型對觀測值是命中的。

Hi=card(Ci∩Oi)/card(Oi)×100%

(3)

式中：Hi為換乘方式i的命中率；Ci為模型測算換乘方式i概率最大的乘客個體構成的集合；Oi為觀測樣本中選擇換乘方式i的乘客個體構成的集合；card為集合中的元素個數(shù)。

3.2 相對誤差

從集計角度考察模型的符合程度：

(4)

4 實例分析

廈深鐵路深圳東站是集準高速鐵路、軌道交通、常規(guī)公交、出租、私人小汽車等多種交通方式于一體的綜合客運樞紐(圖2)[10]，現(xiàn)利用所建模型研究鐵路旅客選擇軌道交通(metro)、常規(guī)公交(bus)、出租(taxi)、私人小汽車(car)以及步行(walk)等換乘方式的概率。

圖2 廈深鐵路深圳東站綜合樞紐總體布局

深圳東站尚未建成，因此利用與深圳東站相似的廣深準高速鐵路羅湖站進行現(xiàn)狀調查。從需求意向調查可知，乘客選擇換乘方式主要考慮換乘時間(T)以及換乘方式的運營速度(V)、費用(M)、方便性(C)和準時性(R)等五種服務屬性，經(jīng)統(tǒng)計分析其權重約為wT=0.26、wV=0.14、wM=0.22、wC=0.17、wR=0.21。將上述服務屬性劃分為五個模糊集，利用調查數(shù)據(jù)進行需求特性識別網(wǎng)絡模型的訓練與檢驗，并可得到深圳準高速鐵路旅客的換乘需求特性如表1所示。

表1 深圳準高速鐵路旅客換乘需求特性

根據(jù)深圳東站樞紐規(guī)劃設計方案，通過專家評估建立上述五種換乘方式與服務屬性的特征對應關系如表2～表6所示。

表2 軌道交通與服務屬性的特征對應關系

表3 常規(guī)公交與服務屬性的特征對應關系

表4 出租與服務屬性的特征對應關系

表5 私人小汽車與服務屬性的特征對應關系

表6 步行與服務屬性的特征對應關系

利用換乘方式識別模型可得到五種換乘方式與換乘需求特性的接近度,分別為N(metro)=0.45、N(bus)=0.43、N(taxi)=0.18、N(car)=0.12、N(walk)=0.27。將接近度歸一化可得到鐵路旅客選擇換乘方式的概率，分別為P(metro)=0.308、P(bus)=0.299、P(taxi)=0.126、P(car)=0.083、P(walk)=0.184，與利用其它方法得到的換乘方式選擇比例(31.7%、30.3%、12.3%、8.0%、17.7%)[10]十分接近，說明本文所建立的模型可用于綜合客運樞紐的規(guī)劃實踐。

5 結 語

本文試圖采用模糊模式識別與模糊人工神經(jīng)網(wǎng)絡等人工智能方法，從另一個角度來建立一種交通預測的非集計模型，并以廈深鐵路深圳東站綜合樞紐詳細規(guī)劃為案例，得到了鐵路旅客選擇各種換乘方式的概率。該方法對換乘方式選擇行為具有較強的解釋性，并可避免傳統(tǒng)非集計模型效用函數(shù)難以確定的缺點，具有較好的可操作性。但是，該模型需要進行大量的數(shù)據(jù)調查，各種屬性的選取還需根據(jù)規(guī)劃城市的實際情況進行深入的研究。從建模過程來看，該模型不僅可以用于換乘方式選擇預測，也可用于出行方式劃分預測。

[1]陸化普. 交通規(guī)劃理論與方法[M]. 北京:清華大學出版社, 1998.

[2]覃 矞. 軌道交通樞紐規(guī)劃與設計理論研究[D]. 上海: 同濟大學, 2002.

[3]何 明, 過秀成, 冉江宇, 等. 基于非集計MNL模型的軌道交通方式預測[J]. 交通運輸系統(tǒng)工程與信息, 2010, 10(2): 136-142.

[4]David A Hensher, Tu T Ton. A comparison of the predictive potential of artificial neural networks and nested logit models for commuter mode choice[J]. Transportation Research Part E: Logistics and Transportation Review, 2000, 36(3): 155-172.

[5]楊綸標, 高英儀. 模糊數(shù)學原理及應用[M].廣州: 華南理工大學出版社, 2001.

[6]趙振宇. 模糊理論和神經(jīng)網(wǎng)絡的基礎和應用[M]. 北京: 清華大學出版社, 1993.

[7]王 旭, 王 宏. 人工神經(jīng)元網(wǎng)絡原理與應用[M]. 沈陽: 東北大學出版社, 2000.

[8]Timothy J Ross. 模糊邏輯及其工程應用[M]. 錢同惠譯. 北京: 電子工業(yè)出版社, 2001.

[9]賈俊剛, 楊東援. 基于概率神經(jīng)網(wǎng)絡的交通方式劃分模型[J]. 上海理工大學學報, 1999, 21(1): 9-12.

[10]宗傳苓, 覃 矞, 龍俊仁, 等. 廈深鐵路深圳東站客運樞紐綜合規(guī)劃[R]. 深圳: 深圳市城市交通規(guī)劃設計研究中心有限公司, 2008.