鄧 捷，陸百川，劉權(quán)富，張 凱，馬慶祿

（重慶交通大學(xué)交通運(yùn)輸學(xué)院，重慶 400074）

交通生成預(yù)測(cè)是通過(guò)預(yù)測(cè)算法，對(duì)城區(qū)社會(huì)經(jīng)濟(jì)特性、土地利用形態(tài)和居民個(gè)人及家庭屬性進(jìn)行綜合分析，準(zhǔn)確預(yù)測(cè)出對(duì)象地區(qū)未來(lái)的交通生成量，是正確進(jìn)行交通宏觀決策，制定交通發(fā)展戰(zhàn)略，編制交通規(guī)劃，以及制定道路可行性研究的重要前提。但是，由于影響交通生成量的因素較多，且各種因素之間的關(guān)系復(fù)雜，需要建立一個(gè)能包含所有影響因素的高精度預(yù)測(cè)模型，以使未來(lái)交通生成量的預(yù)測(cè)達(dá)到理想效果，這對(duì)交通規(guī)劃具有重要的意義。

許多研究者進(jìn)行了有關(guān)交通生成預(yù)測(cè)的研究，常見(jiàn)的有生成率模型、類(lèi)別生成率模型、回歸分析模型和類(lèi)別回歸分析模型等［1－4］，這些模型從簡(jiǎn)單到復(fù)雜，就其中具體利用何種方法建立模型，主要取決于對(duì)象區(qū)域的土地利用形態(tài)和社會(huì)經(jīng)濟(jì)特征，這些模型屬于利用區(qū)域某一整體屬性為依據(jù)的集計(jì)模型，因此該類(lèi)模型缺少影響交通生成的行為基礎(chǔ)這一主要因素，導(dǎo)致預(yù)測(cè)結(jié)果與實(shí)際值相差較大，不能滿(mǎn)足實(shí)際應(yīng)用的需要。在其后的研究中為克服集計(jì)模型缺陷，研究者們建立了隨機(jī)效應(yīng)模型、混合仿真模型和BP神經(jīng)網(wǎng)絡(luò)模型等［5－7］，這些是以離散數(shù)據(jù)為基礎(chǔ)的離散模型，不僅擁有集計(jì)模型分析的優(yōu)勢(shì)，還能有效分析交通管理政策對(duì)交通出行者的影響，成為當(dāng)前分析交通生成的主要模型。但是前面兩種離散模型對(duì)數(shù)學(xué)推導(dǎo)要求較高，導(dǎo)致建模過(guò)程復(fù)雜，不利于實(shí)際操作，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型，在學(xué)習(xí)過(guò)程中存在多個(gè)最佳逼近點(diǎn)，預(yù)測(cè)過(guò)程慢，以及預(yù)測(cè)結(jié)果與實(shí)際情況相差大等缺陷，不適宜實(shí)際應(yīng)用［8］。隨著RBF神經(jīng)網(wǎng)絡(luò)技術(shù)的不斷成熟，充分利用RBF神經(jīng)網(wǎng)絡(luò)能無(wú)限逼近任何非線(xiàn)性映射關(guān)系，進(jìn)行交通方面的研究已成為一種有效方法［9－10］。RBF神經(jīng)網(wǎng)絡(luò)具有成形的系統(tǒng)算法結(jié)構(gòu)，不需要再利用數(shù)學(xué)公式推導(dǎo)，同時(shí)它是利用輸入和輸出的數(shù)據(jù)學(xué)習(xí)有用的知識(shí)，適合對(duì)無(wú)規(guī)則和多約束問(wèn)題的研究，也是一種前饋式網(wǎng)絡(luò)結(jié)構(gòu)，適合多變量函數(shù)的逼近，具有唯一最佳逼近點(diǎn)，其獨(dú)有的容錯(cuò)性和泛化能力能較好地進(jìn)行預(yù)測(cè)。筆者以離散數(shù)據(jù)為基礎(chǔ)，利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行研究，建立了基于RBF神經(jīng)網(wǎng)絡(luò)的交通生成預(yù)測(cè)模型。利用該模型進(jìn)行交通生成預(yù)測(cè)，根據(jù)城區(qū)歷史交通生成量，對(duì)其交通生成量的形成規(guī)律進(jìn)行判斷和學(xué)習(xí)，從而對(duì)未來(lái)交通生成量作出準(zhǔn)確預(yù)測(cè)。

1 RBF神經(jīng)網(wǎng)絡(luò)原理模型及算法

RBF神經(jīng)網(wǎng)絡(luò)是一種具有拓?fù)浣Y(jié)構(gòu)的前饋式神經(jīng)網(wǎng)絡(luò)，由3層結(jié)構(gòu)組成，包括輸入層、隱含層和輸出層。RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

輸入層的作用是把來(lái)自外部的數(shù)據(jù)映射到隱含層，輸入層與隱含層實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性映射，不對(duì)數(shù)據(jù)進(jìn)行任何處理。整個(gè)神經(jīng)網(wǎng)絡(luò)的中心處理層是隱含層，隱含層與輸出層實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的線(xiàn)性映射，由于隱含層里包含徑向?qū)ΨQ(chēng)的徑向基函數(shù)，隱含層提供給輸出層的數(shù)據(jù)在徑向基函數(shù)作用后才輸出。

最初隱含層的作用函數(shù)對(duì)輸入數(shù)據(jù)只在局部響應(yīng)，當(dāng)輸入數(shù)據(jù)接近作用函數(shù)的中央范圍處時(shí)，隱含層就會(huì)產(chǎn)生較大的輸出。徑向基函數(shù)采用高斯函數(shù):

式中:x為輸入向量；rk為隱節(jié)點(diǎn)的中心；‖x－rk‖為向量x－rk的范數(shù)；σk為第k個(gè)感知的變量，它決定該基函數(shù)圍繞中心的寬度。

由于高斯徑向基函數(shù)自身具有特殊的性質(zhì)，使其能對(duì)輸入變量某一范圍具有選擇性的反應(yīng)能力，從而實(shí)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)的局部調(diào)諧能力。

選擇輸出層作用函數(shù)為求和函數(shù)時(shí)，輸出為:

式中:Wjk為網(wǎng)絡(luò)的輸出權(quán)值；N為感知單元的個(gè)數(shù)（隱含層節(jié)點(diǎn)數(shù)）；Tk為徑向基神經(jīng)元。

利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，需要對(duì)基函數(shù)的中心、方差和隱含層與輸出層間的權(quán)值進(jìn)行學(xué)習(xí)。學(xué)習(xí)的方法很多，基于研究的需要，采用自組織選取中心法進(jìn)行學(xué)習(xí)。

2 交通生成預(yù)測(cè)模型建立

2.1 交通生成量的影響因素

在分析交通量產(chǎn)生因素時(shí)，必須將宏觀的區(qū)域影響和微觀的個(gè)人及家庭影響同時(shí)考慮。如交通形成與土地利用之間的關(guān)系，交通小區(qū)內(nèi)住宅區(qū)是重要的交通發(fā)生源，大型工廠的存在、機(jī)關(guān)事業(yè)單位片區(qū)、各類(lèi)型學(xué)校的擁有量和商業(yè)圈中心等都是交通量形成的主要原因。從宏觀和微觀分別進(jìn)行分析，宏觀的區(qū)域影響主要指的是交通小區(qū)內(nèi)用地情況、小區(qū)在城市中的地理位置、工作人員擁有量、各種人口總數(shù)、學(xué)生數(shù)量、工作崗位等居民特征和居民收入等社會(huì)發(fā)展水平，這兩類(lèi)影響因素變化量不會(huì)很大，但類(lèi)型繁多。微觀的個(gè)人及家庭影響主要指的是年齡、性別、職業(yè)、職務(wù)、自由時(shí)間、家庭職責(zé)、駕照擁有量和家庭規(guī)模，家庭收入、家庭人口構(gòu)成和家庭交通工具擁有率等是交通量形成的基礎(chǔ)，且這兩類(lèi)影響因素變化量較大，類(lèi)型也繁多。

2.2 參數(shù)量化處理

影響交通生成的因素中，存在數(shù)值型和非數(shù)值型兩種類(lèi)型的參數(shù)，而最后結(jié)果需要的是總?cè)丝跀?shù)量，不是具體某個(gè)參考因素，因此模型輸入?yún)?shù)可以在同一參考因素具有多個(gè)特征值時(shí)進(jìn)行相同的變換，且不會(huì)影響模型的預(yù)測(cè)結(jié)果。根據(jù)模型對(duì)輸入?yún)?shù)的需求，數(shù)值型參數(shù)可以直接用作模型的輸入?yún)?shù)，如人口總數(shù)、學(xué)生數(shù)量、工作崗位、年齡等；非數(shù)值型參數(shù)需要進(jìn)行量化處理，通過(guò)量化后再作為模型的輸入?yún)?shù)。為了便于數(shù)據(jù)處理，根據(jù)實(shí)際情況，將性別進(jìn)行量化處理，用0代表男，1代表女。其他的非數(shù)值參數(shù)采取同樣的處理方式進(jìn)行量化。

2.3 基于RBF神經(jīng)網(wǎng)絡(luò)的交通生成預(yù)測(cè)模型

對(duì)選定預(yù)測(cè)區(qū)域內(nèi)交通生成量的影響因素?cái)?shù)據(jù)進(jìn)行分析和整理，將各種影響因素分類(lèi)作為模型的輸入，并將輸入分成不同的大類(lèi)，包括選定對(duì)象地區(qū)的人口、土地利用形式、各項(xiàng)經(jīng)濟(jì)指標(biāo)等，便于模型輸入進(jìn)行參考。將預(yù)測(cè)區(qū)域交通生成量作為輸出，為簡(jiǎn)化模型，對(duì)輸出進(jìn)行歸類(lèi)，輸出結(jié)果為各種目的出行次數(shù)的集合。通過(guò)上述分析，根據(jù)輸入?yún)?shù)和對(duì)應(yīng)的輸出，假設(shè)存在關(guān)系式為:

式中:xm，t為土地利用形態(tài)影響因子；ym，t為社會(huì)經(jīng)濟(jì)特性影響因子；zm，t為個(gè)人及家庭特性影響因子；T（k）為交通生成總量；m為大區(qū)數(shù)目。

式（3）中的S為RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的切入點(diǎn)，通過(guò)RBF神經(jīng)網(wǎng)絡(luò)內(nèi)部求得S，就能預(yù)測(cè)求出未來(lái)交通生成量。因此，依靠原始模型樣本訓(xùn)練得到可靠關(guān)系式S是整個(gè)模型的重點(diǎn)所在。在樣本訓(xùn)練過(guò)程中，為保證預(yù)測(cè)精度，定義預(yù)測(cè)指標(biāo)函數(shù)為:

對(duì)于單目標(biāo)函數(shù)n=1，標(biāo)定的目標(biāo)是調(diào)整Wjk，使誤差 e最小，即:

則權(quán)因子的調(diào)節(jié)公式為:

交通生成預(yù)測(cè)的原始RBF神經(jīng)網(wǎng)絡(luò)模型如圖2所示。在進(jìn)行原始RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)，整個(gè)過(guò)程是通過(guò)神經(jīng)元實(shí)現(xiàn)，因此，每個(gè)階段都有相對(duì)應(yīng)的神經(jīng)元去參與處理。輸入層的每種影響因素都存在一個(gè)神經(jīng)元與其相互對(duì)應(yīng)，以編號(hào)1～52表示輸入層的神經(jīng)元，編號(hào)53～54表示輸出層的神經(jīng)元。隱含層也存在大量的神經(jīng)元，RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)隱含層神經(jīng)元由模型系統(tǒng)根據(jù)訓(xùn)練目的自身確定，因此隱含層的神經(jīng)元不需要人為確定，而由模型自身確定其數(shù)量。前面將模型的輸出進(jìn)行了合并，因此輸出層只存在兩個(gè)神經(jīng)元。

圖2 交通生成預(yù)測(cè)的原始RBF神經(jīng)網(wǎng)絡(luò)模型

在原始RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功的狀態(tài)下，將需要預(yù)測(cè)區(qū)域的影響因素作為輸入?yún)?shù)，并輸入到訓(xùn)練好的原始RBF神經(jīng)網(wǎng)絡(luò)中，通過(guò)RBF神經(jīng)網(wǎng)絡(luò)的處理，實(shí)現(xiàn)對(duì)未來(lái)交通生成量的預(yù)測(cè)，得到區(qū)域未來(lái)交通生成量T（k+1）。整個(gè)模型預(yù)測(cè)過(guò)程如圖3所示。

2.4 具體算法步驟

（1）選擇與出行生成相關(guān)性較強(qiáng)的原始數(shù)據(jù)，將其作為樣本訓(xùn)練數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)；

（2）對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使其變換為RBF神經(jīng)網(wǎng)絡(luò)需要的輸入模式；

（3）構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)，并定義網(wǎng)絡(luò)的相關(guān)參數(shù)；

（4）調(diào)整隱含層單元數(shù)和隱含層單元中心，用高斯函數(shù)計(jì)算隱含層權(quán)值，獲得隱含層輸出；

（5）通過(guò)隱含層與輸出層的函數(shù)關(guān)系得出輸出層的輸出；

（6）計(jì)算訓(xùn)練誤差；

（7）判斷訓(xùn)練誤差是否小于指定目標(biāo)，是則轉(zhuǎn)到步驟（9），否則轉(zhuǎn)步驟（8）；

（8）利用最小二乘法進(jìn)行權(quán)值調(diào)整，修改輸出層權(quán)值，轉(zhuǎn)入步驟（6）；

（9）全部樣本是否訓(xùn)練完成，是則進(jìn)行下一步，否則返回步驟（4）；

（10）利用神經(jīng)網(wǎng)絡(luò)對(duì)用于檢驗(yàn)網(wǎng)絡(luò)性能的歸一化處理數(shù)據(jù)進(jìn)行預(yù)測(cè)；

（11）對(duì)預(yù)測(cè)得到的數(shù)據(jù)進(jìn)行反處理，獲得真實(shí)預(yù)測(cè)值，并計(jì)算誤差。

3 仿真實(shí)例

3.1 模型數(shù)據(jù)設(shè)定

選擇重慶市江北區(qū)人口調(diào)查數(shù)據(jù)為模型仿真數(shù)據(jù)，該調(diào)查數(shù)據(jù)包含了該區(qū)常住人口的一日出行情況，以及每個(gè)片區(qū)土地利用狀況和社會(huì)經(jīng)濟(jì)情況。為了仿真需要，根據(jù)實(shí)際情況，按交通小區(qū)把調(diào)查對(duì)象分為153個(gè)小區(qū)，共包括13429戶(hù)家庭和46591個(gè)人的一日出行情況。其中調(diào)查內(nèi)容包括每個(gè)小區(qū)出行者家庭結(jié)構(gòu)、個(gè)體特性、出行目的、出行時(shí)間和出行方式，同時(shí)還調(diào)查出發(fā)地和目的地土地利用形態(tài)等特征。

圖3 基于RBF神經(jīng)網(wǎng)絡(luò)的交通生成預(yù)測(cè)過(guò)程

首先需要對(duì)原始調(diào)查數(shù)據(jù)進(jìn)行預(yù)處理和分析，主要分兩個(gè)方面:①調(diào)查對(duì)象的屬性，主要有小區(qū)位置、人口總數(shù)、就業(yè)人數(shù)、學(xué)生人數(shù)、家庭結(jié)構(gòu)、家庭收入、家庭人口、交通工具和數(shù)量、性別、年齡、職業(yè)、家庭職責(zé)、收入等構(gòu)成的原始數(shù)據(jù)庫(kù)；②出行目的合并，根據(jù)調(diào)查得到的出行結(jié)果，結(jié)果合并為基本出行（上班、上學(xué)）和非基本出行（購(gòu)物、探親訪(fǎng)友、娛樂(lè)、旅游、就醫(yī)、文化娛樂(lè)等）。

3.2 誤差指標(biāo)定義

相對(duì)誤差絕對(duì)值的平均值為:

相對(duì)誤差絕對(duì)值的最大值為:

均方根誤差為:

式中:Yp（t）為交通生成量的預(yù)測(cè)值；Yr（t）為交通生成量的實(shí)際值。

3.3 模型數(shù)據(jù)的預(yù)處理

為使數(shù)據(jù)適合RBF神經(jīng)網(wǎng)絡(luò)特性，減小噪聲干擾，先對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，其公式為:

式中:Xmax、Xmin分別為各因子的最大值和最小值；X為因子值。

3.4 模型應(yīng)用與仿真

基于預(yù)測(cè)模型對(duì)數(shù)據(jù)的需要，將獲得的數(shù)據(jù)分為訓(xùn)練與測(cè)試兩個(gè)樣本集合。為提高預(yù)測(cè)精度，在數(shù)據(jù)劃分時(shí)增加訓(xùn)練樣本的數(shù)據(jù)容量，以便加強(qiáng)對(duì)模型訓(xùn)練檢驗(yàn)，其中隨機(jī)選擇60%的數(shù)據(jù)為訓(xùn)練樣本，余下40%的數(shù)據(jù)為測(cè)試樣本。

3.5 仿真結(jié)果及分析

現(xiàn)將隨機(jī)選取的92個(gè)小區(qū)作為訓(xùn)練樣本，剩下的61個(gè)小區(qū)作為測(cè)試樣本。經(jīng)過(guò)預(yù)測(cè)模型處理，將測(cè)試樣本數(shù)據(jù)與實(shí)際數(shù)據(jù)進(jìn)行比較分析，仿真結(jié)果及誤差如圖4所示。

從圖4可以看出，基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型能成功地進(jìn)行交通生成量的預(yù)測(cè)，除少部分?jǐn)?shù)據(jù)誤差較大外，其余誤差都很小。

為了與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行對(duì)比，利用同樣以離散數(shù)據(jù)為基礎(chǔ)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行交通生成預(yù)測(cè)。對(duì)相同的數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，其隱含層包含45個(gè)神經(jīng)元，預(yù)測(cè)精度為0.001。將BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)進(jìn)行對(duì)比，兩種神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差指標(biāo)比較如表1所示。

圖4 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)仿真結(jié)果及誤差

通過(guò)兩種預(yù)測(cè)模型預(yù)測(cè)誤差指標(biāo)對(duì)比可知，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度比BP神經(jīng)網(wǎng)絡(luò)的要高，基本出行和非基本出行的實(shí)際值與預(yù)測(cè)值差異要小，能滿(mǎn)足交通生成預(yù)測(cè)的要求。

通過(guò)對(duì)仿真過(guò)程和仿真結(jié)果進(jìn)行分析發(fā)現(xiàn)，在利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的過(guò)程中，由于BP神經(jīng)網(wǎng)絡(luò)不存在唯一最佳逼近點(diǎn)，導(dǎo)致需要進(jìn)行多次預(yù)測(cè)才能得到最佳預(yù)測(cè)結(jié)果，預(yù)測(cè)過(guò)程繁瑣，最佳的預(yù)測(cè)結(jié)果精度較低，與實(shí)際值差距大，而筆者提出的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，該交通生成預(yù)測(cè)方法比傳統(tǒng)的交通生成預(yù)測(cè)方法準(zhǔn)確性高，能有效地進(jìn)行交通生成預(yù)測(cè)。

表1 兩種神經(jīng)網(wǎng)絡(luò)交通生成預(yù)測(cè)誤差指標(biāo)比較

4 結(jié)論

通過(guò)模型仿真分析，采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行交通生成預(yù)測(cè)是可行的，算法實(shí)現(xiàn)簡(jiǎn)單，充分結(jié)合了RBF神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自組織、自適應(yīng)和大范圍數(shù)據(jù)融合的特性，進(jìn)行交通生成預(yù)測(cè)，得到的結(jié)果比其他預(yù)測(cè)模型精度更高，可為交通規(guī)劃的制定提供更完善和更準(zhǔn)確的數(shù)據(jù)信息。

［1］劉小明，任福田.公路網(wǎng)規(guī)劃中交通預(yù)測(cè)的思想方法［J］.中國(guó)公路學(xué)報(bào)，1994，7（3）:54 －59.

［2］石飛，王煒，江薇，等.基于土地利用形態(tài)的交通生成預(yù)測(cè)理論方法研究［J］.土木工程學(xué)報(bào)，2005，38（3）:115－118.

［3］GEORGE R P.A demand theory for numbers of trips in a random utility model of recreation［J］.Journal of Environmental Economics and Management，1992，2（9）:357－367.

［4］易漢文.城市分析與交通預(yù)測(cè)［M］.武漢:湖北科學(xué)技術(shù)出版社，1994:155－180.

［5］高為，陸百川，贠天鸝，等.基于時(shí)空特性和RBF神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)［J］.交通信息與安全，2011，29（1）:16 －24.

［6］陸化普，周錢(qián).交通出行生成預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型［J］.交通運(yùn)輸工程與信息學(xué)報(bào)，2008，6（2）:6 －11.

［7］劉洪麗.城市居民出行生成預(yù)測(cè)方法研究［D］.南京:河海大學(xué)圖書(shū)館，2006.

［8］歐陽(yáng)紅祥，李欣，張信娟.人工神經(jīng)網(wǎng)絡(luò)在建筑材料價(jià)格預(yù)測(cè)中的應(yīng)用［J］.武漢理工大學(xué)學(xué)報(bào):信息與管理工程版，2013，35（1）:115 －118.

［9］張冬青，寧宣熙，劉雪妮.基于RBF神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性時(shí)間序列在線(xiàn)預(yù)測(cè)［J］.控制理論與應(yīng)用，2009，26（2）:151－155.

［10］呂曉玲，謝邦昌.數(shù)據(jù)挖掘方法與應(yīng)用［M］.北京:中國(guó)人民大學(xué)出版社，2009:144－149.