馮樹民，慈玉生

(哈爾濱工業(yè)大學交通科學與工程學院，哈爾濱150090，zlyfsm2000@sina.com)

居民出行生成預測是城市交通規(guī)劃交通需求預測“四階段”法的重要內容.居民出行生成預測作為交通需求的前提和基礎，預測結果直接影響到其他各階段的預測，從而影響交通設施規(guī)劃，在交通需求預測中有舉足輕重的作用.居民出行生成預測應考慮到交通發(fā)生源的空間布局關系和總體的利用情況，一般按區(qū)域進行預測.

目前，比較常見的預測方法為出行率法、回歸分析法和交叉分類法，研究人員也開展了相關方法的研究.最早開展居民出行生成交叉分類分析、回歸分析的是Ricardo［1］、Hayfield等［2］，并以實際調查數(shù)據進行了驗證;之后，Michael等［3］研究了出行目的分類的居民出行生成預測技術，Marchal［4］研究了一種基于交通與土地利用仿真的出行生成方法，John等［5］研究了私人信息在交通生成預測的應用，Yao等［6］研究了目的地吸引的居民出行生成量預測模型，Yang等［7］研究了基于離散活動行為的通勤者出行生成模型;近年，復雜網絡理論、多重分類分析技術及最優(yōu)化等方法與居民出行生成預測相結合也開展了較多研究，如Lu等［8］研究了基于復雜網絡理論的居民出行發(fā)生量與吸引量的特征分析，Cristian等［9］建立了基于多重分類分析方法的居民出行發(fā)生量模型，Vrtic等［10］研究了居民出行生成、分布及方式選擇的二維約束的非集計模型，Zhou等［11］研究了基于最優(yōu)化理論及變分不等式的交通需求綜合模型.

影響居民出行產生的影響因素眾多且較為復雜，難以用簡單的數(shù)學模型來精確預測居民出行產生量.基于這一考慮，本文建立了基于BP神經網絡的居民出行產生量的預測模型.通過對交通小區(qū)土地利用與出行產生率之間的關系研究，發(fā)現(xiàn)居民出行產生率與土地利用之間具有較強的非線性關系.

1 居民出行產生量的影響因素

數(shù)據資料表明，居民出行產生量的主要影響因素為城市居民的社會經濟特性、土地利用性質及交通區(qū)位等.

1.1 城市居民的社會經濟特性

城市居民的社會經濟特性包含交通區(qū)人口、勞動力情況、就業(yè)就學情況等特征及居民家庭收入、文化背景等等.一般認為交通區(qū)人口代表城市居民的社會經濟特性.

1.2 土地利用特性

城市交通與土地利用相互聯(lián)系、相互制約.城市土地利用對交通影響主要表現(xiàn)在城市土地利用對交通出行的影響，過強的土地利用常導致較高的交通需求.城市居民的出行方式、交通量基本上是土地利用空間分布的函數(shù).土地開發(fā)結果是產生以該區(qū)為起點的新出行或吸引其他區(qū)的新出行，土地利用性質是居民出行產生量的主要影響因素.通過綜合分析，本文選擇商業(yè)金融用地、行政辦公用地、文體醫(yī)教用、及居住用地及其他用地來表征城市土地利用情況.

1.3 影響因素確定

居民出行生成預測包含產生預測和吸引預測兩部分.一般認為，居民出行產生量與區(qū)域人口息息相關，而居民出行吸引與土地利用關系更強.

筆者通過多年的研究積累，發(fā)現(xiàn)居民出行產生量與土地利用具有較強的非線性關系，主要表現(xiàn)在區(qū)域的土地利用類型決定了該區(qū)域居民出行產生率.本文重點利用BP神經網絡對交通小區(qū)的居民出行產生率進行研究，然后通過交通小區(qū)的居民出行產生率來預測居民出行產生量.

2 BP神經網絡模型

BP神經網絡已經廣泛應用于控制、通信、交通等行業(yè)，BP神經網絡的優(yōu)點是只要有足夠的隱層和隱節(jié)點，BP網絡就可以逼近任意的非線性映射，體現(xiàn)了人工神經網絡中最精華的部分.

2.1 輸入、輸出層設計

通過對居民出行產生影響因素的分析，確定本BP網絡的輸入層神經元個數(shù)為5;輸出層含有1個神經元，表示交通區(qū)的居民出行產生量.

2.2 結構設計

一般來說，一個3層BP網絡，即單個隱層BP網絡，即可完成任意n維輸入到m維輸出的映射.本文采用含有2個隱層的BP網絡對來預測居民出行產生量，增加一個隱含層加強隱含層與外層連接性，該網絡能夠加快神經網絡的學習、訓練速度.

隱層神經元結合經驗公式和試算法來確定，通過訓練結果中誤差的大小，最終確定隱層單元的個數(shù).

2.3 學習算法

本BP網絡隱含層轉移函數(shù)選取雙曲正切S型和對數(shù)S型函數(shù)，輸出層采用線性轉移函數(shù)，Matlab中分別利用tansig、logsig和purelin函數(shù)來實現(xiàn).本文省略BP網絡的訓練算法、誤差計算、權重計算等計算公式，可參考相關參考書.

同時，為了加快訓練速度，避免陷入局部最小值和改善其他能力.學習算法采用帶動量的批處理梯度下降法，通過traingdm命令實現(xiàn).

2.4 數(shù)據歸一

為了加快訓練網絡的收斂性，同時也是對采集的各數(shù)據單位不一致進行規(guī)劃處理，一般對輸入、輸出數(shù)據先進行歸一處理，然后對模擬的結果進行反歸一處理即可得到預測結果.

在本BP網絡中，如果不進行數(shù)據歸一化處理，會出現(xiàn)大數(shù)“吃”掉小數(shù)的現(xiàn)象，從而得不到預測結果，也即不收斂，通過 mapminmax命令實現(xiàn).

2.5 BP網絡實現(xiàn)

本BP網絡通過MatlabR2008實現(xiàn)，程序分為4個部分，分別為初始輸入、輸出，網絡及參數(shù)部分，訓練部分及測試部分.

3 模型驗證

3.1 數(shù)據來源

數(shù)據來源于贛州市城市綜合交通規(guī)劃調查，如表1所示.輸入的19組數(shù)據中，取奇數(shù)組為訓練樣本，取偶數(shù)組為測試樣本.

本BP神經網絡輸入P1、P2、P3、P4及P 5分別表示商業(yè)金融用地、行政辦公用地、文體醫(yī)教用地、居住用地及其他用地占總用地的比例;輸出為交通小區(qū)出行率，用T表示.

表1 輸入輸出數(shù)據

3.2 模型比較

3.2.1 出行次數(shù)法

通過對所有數(shù)據的統(tǒng)計，可知人口總數(shù)為359 721人，出行產生量為870 128人次，平均出行次數(shù)為2.42次.

以此平均出行次數(shù)計算偶數(shù)組的出行產生量，見表2.

3.2.2 回歸分析法

以所有組數(shù)據的人口數(shù)作為變量，以出行產生量作為函數(shù)，得到一元回歸模型，可以看出相關性較強.

以該函數(shù)來計算偶數(shù)組的出行產生量，見表2.

3.2.3 BP神經網絡法

以奇數(shù)組數(shù)據進行訓練，以偶數(shù)組數(shù)據進行測試.通過以上訓練、測試，得到測試結果，訓練誤差曲線見圖1，BP網絡測試結果見圖2和表2.

圖1 訓練誤差曲線

圖2 測試結果

3.3 結果分析

通過對3種方法計算結果比較可知:

在進行多元線性回歸分析時，也是利用奇數(shù)組數(shù)據進行回歸，相關系數(shù)R2達到0.99，表明出行產生量與交通區(qū)人口具有較強的相關性.即便如此，利用該回歸模型進行偶數(shù)組數(shù)據的出行產生量預測，預測結果仍不甚理想.而利用出行次數(shù)法進行預測時，由于只是與人口有關，因此，預測結果誤差也最大.

結果表明，該BP網絡訓練至1 259步時收斂，且根據誤差大小，隱含層神經元個數(shù)為8時，誤差最小，網絡的實際輸出與期望輸出最為接近.

由BP網絡的輸出結果可以看出，實際輸出與目標輸出之間的差距不大，平均誤差為7%，較出行次數(shù)法20%和回歸分析法的25%更為接近實際結果.

為了提高該網絡預測結果的精度，在實際交通需求預測時，應對交通小區(qū)進行細化，從而能夠更為實際體現(xiàn)出行產生量與人口、土地利用之間的非線性關系.

表2 預測結果比較

4 結語

通過對居民出行產生量影響因素的分析可知，居民出行產生量與交通區(qū)人口、土地利用具有較強的非線性關系.

本文建立了基于人口、土地利用的四層BP神經網絡模型，并通過贛州市交通調查數(shù)據進行了訓練和測試，得到了BP神經網絡的預測出行產生量結果.結果表明，利用BP神經網絡進行出行產生量預測較出行次數(shù)法和回歸分析法更為可靠，可以應用于規(guī)劃目標年的居民出行產生量的預測.

［1］RICARDO D，WILLIAM M.An empirical comparison of disaggregate category and regression trip generation analysis techniques［J］.Transportation，1977，6:287-307.

［2］HAYFIELD C P，STOKER R B.The geographical stability of a typical trip production model:applications of national and local data in four urban areas［J］.Transportation，1978，7:211-224.

［3］MICHAEL D A，JUSTIN P O.Evaluation of two trip generation techniques for small area travel models［J］. Journal of Urban Planning and Development，2002，128 (2):77-88.

［4］MARCHAL F.A trip generation method for time-dependent large-scale simulations of transport and landuse［J］.Networks and Spatial Economics，2005，5:179 -192.

［5］JOHN S M，LESTER A H.Assessing the utility of private information in transportation planning studies:a case study of trip generation analysis［J］.Socio-Economic Planning Sciences，2006，40:94-118.

［6］YAO Liya，GUAN Hongzhi.Trip generation model based on destination attractiveness［J］.Tsinghua Science and Technology，2008，13(5):632-635.

［7］YANG Min，WANG Wei.Discrete activity-based trip generation model for commuters［C］//Proceedings of International Conference on Traffic and Transportation Studies.Nanning:［s.n.］，2008:188-196.

［8］LU Huapu，SHI Ye.Characteristics of trip generation and attraction based on complex network theory［C］// Proceedings of International Conference on Transportation Engineering.Chengdu:［s.n.］，2007:1334-1340.

［9］CRISTIAN A G，ALAN T.Multiple classification analysis in trip production models［J］.Transport Police，2007，14:514-522.

［10］VRTIC M，F(xiàn)ROHLICH P.Two-dimensionally constrained disaggregate trip generation，distribution and mode choice model:theory and application for a swiss national model［J］.Transportation Research Part A，2007，41:857-873.

［11］ZHOU Zhong，ANTHONY C，WONG S C.Alternative formulation of a combined trip generation，trip distribution，modal split，and trip assignment model［J］.European Journal of Operational Research，2009，198: 129-138.