謝 煒

(中國(guó)石油大學(xué)勝利學(xué)院高等教育研究與評(píng)價(jià)中心,山東東營(yíng)257061)

基于BP神經(jīng)網(wǎng)絡(luò)的公交車(chē)到站時(shí)間預(yù)測(cè)

謝 煒

(中國(guó)石油大學(xué)勝利學(xué)院高等教育研究與評(píng)價(jià)中心,山東東營(yíng)257061)

公交車(chē)到站時(shí)間預(yù)測(cè)是城市公共交通智能化發(fā)展的首要需求?；诠卉?chē)的歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù),綜合考慮公交車(chē)運(yùn)行所處時(shí)段、天氣狀況和工作日時(shí)段等全局性因素和交通密度、交通流量、車(chē)輛排隊(duì)長(zhǎng)度等區(qū)域性因素的影響,增加了同路車(chē)的上下行到站信息參數(shù),對(duì)公交車(chē)到站時(shí)間進(jìn)行預(yù)測(cè),提出了基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。研究結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)能夠較準(zhǔn)確預(yù)測(cè)公交車(chē)到站時(shí)間。

GPS;BP神經(jīng)網(wǎng)絡(luò);公交車(chē)到站時(shí)間;預(yù)測(cè)

目前我國(guó)的城市化進(jìn)程不斷加速,城市交通道路網(wǎng)絡(luò)不斷完善,但是道路的供給能力仍無(wú)法滿足交通需求量的快速增長(zhǎng)。優(yōu)先發(fā)展城市公共交通,鼓勵(lì)市民公交出行是目前行之有效的解決辦法。市民如何能提前獲取公交車(chē)的到站時(shí)間,并根據(jù)個(gè)人情況優(yōu)先選擇不同的公交車(chē)出行,減少乘車(chē)時(shí)間,成為城市公共交通智能化發(fā)展的首要需求。先進(jìn)的公共運(yùn)輸系統(tǒng)(APTS)和先進(jìn)的出行者信息系統(tǒng)(ATIS)為預(yù)測(cè)公交車(chē)輛運(yùn)行時(shí)間提供了基礎(chǔ),不僅提高了公交車(chē)資源使用效率、方便了市民公交出行,而且間接減少了城市交通的擁堵。然而城市公交車(chē)到站時(shí)間具有復(fù)雜的非線性特征,利用傳統(tǒng)的指數(shù)平滑法等無(wú)法做到準(zhǔn)確預(yù)測(cè),筆者利用計(jì)算機(jī)科學(xué)的神經(jīng)網(wǎng)絡(luò)的非線性映射能力來(lái)實(shí)現(xiàn)其精確預(yù)測(cè)。

1 公交到時(shí)預(yù)測(cè)模型

1.1 GPS

GPS數(shù)據(jù)采集技術(shù)是獲取實(shí)時(shí)交通信息最常用的方法之一,美國(guó)首先提出了利用配有GPS的目標(biāo)車(chē)輛采集交通信息,實(shí)現(xiàn)車(chē)輛位置的精確定位;日本提出了動(dòng)態(tài)路徑引導(dǎo)系統(tǒng),在系統(tǒng)中融合了GPS數(shù)據(jù)采集、地圖信息更新、交通實(shí)時(shí)信息的發(fā)布等技術(shù),更方便了公交車(chē)GPS的實(shí)用性。孫棣華等以GPS定位數(shù)據(jù)為基礎(chǔ),綜合考慮道路路段平均速度、車(chē)輛即時(shí)速度、到站距離等因素,實(shí)現(xiàn)了實(shí)時(shí)預(yù)測(cè)[1]。周雪梅等利用GPS數(shù)據(jù),并考慮了前車(chē)的平均瞬時(shí)速度作為近似反映道路交通動(dòng)態(tài)變化的特點(diǎn),提出了估算公交車(chē)在公交站點(diǎn)區(qū)域停留時(shí)間的預(yù)測(cè)模型[2]。雖然GPS克服了傳統(tǒng)方式采集的局限性,并實(shí)現(xiàn)了自動(dòng)采集和自動(dòng)信息交互,極大地提高了數(shù)據(jù)采集的有效性。然而,采用GPS獲取車(chē)輛位置的技術(shù)需要一定的硬件成本,對(duì)于大中城市的公交公司是可以承受的,但是對(duì)于三線城市的公交公司需要較大的前期投入。公交車(chē)GPS屬于民用GPS,精度低,數(shù)據(jù)通信容易受電磁干擾,這些都直接影響采集數(shù)據(jù)的準(zhǔn)確性。另外,公交車(chē)在行駛過(guò)程中,GPS信號(hào)容易受到高樓、隧道、樹(shù)木和立交橋的影響,造成實(shí)時(shí)數(shù)據(jù)缺失;公交車(chē)在停車(chē)站、停車(chē)場(chǎng)、交叉路口等特殊區(qū)域運(yùn)行速度緩慢或停止,造成大量的GPS數(shù)據(jù)為零的情況,形成“倒行”誤差。

1.2 歷史數(shù)據(jù)

涂利明采用基于前車(chē)與經(jīng)驗(yàn)數(shù)據(jù)的公交車(chē)站到站時(shí)間預(yù)測(cè)模型,區(qū)分了高峰期和非高峰期、紅燈等待時(shí)間和斑馬線的影響,較好地滿足預(yù)測(cè)所需要的準(zhǔn)確性和實(shí)時(shí)性要求。這種方法對(duì)歷史數(shù)據(jù)的采集工作要求很高,當(dāng)出現(xiàn)偏離歷史描述的突發(fā)事件時(shí),預(yù)測(cè)效果不很理想[3]。

1.3 神經(jīng)網(wǎng)絡(luò)

于濱等采用支持向量機(jī)(SVM)預(yù)測(cè)公交車(chē)的到站時(shí)間,采用了時(shí)間段、天氣、路段和當(dāng)前路段的運(yùn)行時(shí)間和下一路段的運(yùn)行時(shí)間作為輸入變量,能較好應(yīng)對(duì)運(yùn)行過(guò)程的隨機(jī)延遲[4]。周敏等采用廣義神經(jīng)網(wǎng)絡(luò)(GRNN)預(yù)測(cè)公交車(chē)運(yùn)行時(shí)間,提高了系統(tǒng)的泛化能力,減小了預(yù)測(cè)誤差[5]。郭蘭平等采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)蘭州103路公交車(chē)的車(chē)速,擬合進(jìn)度和預(yù)測(cè)精度較高[6]。神經(jīng)網(wǎng)絡(luò)是根據(jù)大腦的生理研究,采用特定的拓?fù)浣Y(jié)構(gòu),通過(guò)輸入層、隱含層和輸出層之間順次連接,對(duì)輸入的數(shù)據(jù)進(jìn)行加權(quán)求和,如果和超出某個(gè)閾值,輸出一個(gè)量。通過(guò)大量的數(shù)據(jù)訓(xùn)練進(jìn)行學(xué)習(xí)訓(xùn)練,不斷調(diào)整各輸入端的權(quán)重,形成最符合要求的預(yù)測(cè)模型。但是,神經(jīng)網(wǎng)絡(luò)需要的計(jì)算時(shí)間和計(jì)算空間較大,并容易陷入局部最優(yōu)。

2 公交車(chē)行駛的影響因素

2.1 區(qū)域性

區(qū)域性影響主要是指公交車(chē)在行駛過(guò)程中,由于所處城市不同的繁華地區(qū),行駛的速度和車(chē)乘人員的數(shù)量都不同程度的變化,這些導(dǎo)致了交通密度、交通流量、車(chē)輛排隊(duì)長(zhǎng)度等因素的變化。其中,交通流量指單位時(shí)間內(nèi)通過(guò)道路某一截面的實(shí)際車(chē)輛數(shù),是用來(lái)度量城市交通狀態(tài)的一個(gè)指標(biāo)。交通密度是指單位長(zhǎng)度的道路上某一時(shí)刻能夠容納的最多車(chē)輛數(shù)。交通密度和交通流量成反比,當(dāng)發(fā)生交通擁堵導(dǎo)致觀測(cè)路段無(wú)法通行,全部車(chē)流處于停滯狀態(tài)時(shí),交通密度最大,交通流量幾乎為零。車(chē)輛排隊(duì)長(zhǎng)度是指為排隊(duì)等候在發(fā)生交通間斷點(diǎn)(道路交叉口或交通事故發(fā)生地點(diǎn))的車(chē)輛數(shù)。排隊(duì)長(zhǎng)度越長(zhǎng),道路的擁擠程度越厲害。

針對(duì)區(qū)域性影響因素,對(duì)于這個(gè)區(qū)域通過(guò)的公交車(chē)可以不去考慮,因?yàn)檫@帶有區(qū)域性特點(diǎn),也就是越繁華的地方,區(qū)域性影響趨于一致。那么對(duì)于本區(qū)域的公交車(chē)的車(chē)速,載客量,交通高低峰的影響是一致的。如果局部區(qū)域出現(xiàn)交通事故,那么對(duì)這一區(qū)域的公交車(chē)的影響也是趨于一致的。涂利明選取杭州公交104路,其中經(jīng)過(guò)醫(yī)院、商業(yè)區(qū)等比較復(fù)雜路況的路段時(shí),交通密度和車(chē)輛排隊(duì)長(zhǎng)度很大,而線路中其他路段的路況較暢通,候車(chē)乘客也比較少[3]。

2.2 全局性

全局性影響是指相關(guān)因素針對(duì)整個(gè)城市的公交系統(tǒng)都有統(tǒng)一的影響,車(chē)輛運(yùn)行的高峰時(shí)段還是平峰時(shí)段,天氣狀況和工作日的時(shí)間都對(duì)整個(gè)城市公交系統(tǒng)的影響有一致的趨勢(shì)。其中,車(chē)輛運(yùn)行時(shí)段是指公交車(chē)運(yùn)行的時(shí)間,分為高峰時(shí)段、平峰時(shí)段。而天氣狀況會(huì)影響公交車(chē)的某些性能參數(shù),相對(duì)于夏季,冬天需要熱車(chē)時(shí)間。另外,降雨、大霧、降雪等惡劣天氣會(huì)導(dǎo)致路面濕滑和阻擋行車(chē)視線,影響公交車(chē)的行駛時(shí)間。對(duì)于工作日,高峰和平峰對(duì)所有公交車(chē)的影響是一致的。對(duì)于節(jié)假日,繁華地段、部分公園和樂(lè)園的公交影響往往大于工作日時(shí)段。那么這些影響因素對(duì)整個(gè)城市的公交系統(tǒng)的影響并不區(qū)分繁華地區(qū)還是城市近郊區(qū)地區(qū)。

3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

BP(back-propagation)誤差反向傳播的神經(jīng)網(wǎng)絡(luò),主要思想是利用實(shí)際輸出與期望輸出之差對(duì)網(wǎng)絡(luò)的各層連接權(quán)重由后向前逐層進(jìn)行校正,通過(guò)大量樣本數(shù)據(jù)的不斷訓(xùn)練,使誤差平方和最小。如圖1所示,這是一個(gè)BP神經(jīng)元模型,它具有n個(gè)輸入,每個(gè)輸入都通過(guò)一個(gè)恰當(dāng)?shù)臋?quán)值w和下一層相連,網(wǎng)絡(luò)輸出可表示為a=f(wx+b),其中f表示輸入/輸出關(guān)系的傳遞函數(shù)。

圖1 BP神經(jīng)元模型

BP神經(jīng)網(wǎng)絡(luò)由三個(gè)層次構(gòu)成:輸入層、隱藏層和輸出層。輸入層的個(gè)數(shù)由樣本分類個(gè)數(shù)決定。隱藏層的層數(shù)和每層的神經(jīng)元個(gè)數(shù)由用戶指定。每一層包含若干個(gè)神經(jīng)元,每個(gè)神經(jīng)元包含一個(gè)而閾值,用來(lái)改變神經(jīng)元的活性。網(wǎng)絡(luò)中的連線表示前一層神經(jīng)元和后一層神經(jīng)元之間的權(quán)值。每個(gè)神經(jīng)元都有輸入和輸出。輸入層的輸入和輸出都是訓(xùn)練樣本的屬性值。BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是只要有足夠的隱藏層和隱藏節(jié)點(diǎn),就可以逼近任意的非線性映射。缺點(diǎn)是收斂速度較慢,目標(biāo)函數(shù)陷入局部最小點(diǎn)的可能性較大?？梢圆捎眯拚k法,調(diào)節(jié)收斂速度增加動(dòng)量項(xiàng),或高階導(dǎo)數(shù)和共軛梯度法等數(shù)學(xué)方法修正函數(shù)。

在影響公交運(yùn)行的因素中,考慮全局影響因素、區(qū)域影響因素和車(chē)載信息因素。全局影響因素選取時(shí)間段、天氣、是否是節(jié)假日作為模型的輸入變量。時(shí)間段變量X1分為高峰時(shí)段、平峰時(shí)段。對(duì)于天氣變量X2,考慮晴天和多云、降雨和多霧兩種情況。對(duì)于節(jié)假日變量X3,分為工作日和非工作日。公交車(chē)輛到站時(shí)間的歷史經(jīng)驗(yàn)數(shù)據(jù)可以作為線路到站時(shí)間預(yù)測(cè)模型的基準(zhǔn)數(shù)。然而,同一線路在當(dāng)天可能會(huì)有臨時(shí)交通狀況發(fā)生,從而造成公交車(chē)輛運(yùn)行時(shí)間的變化,僅僅以歷史經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè)可能與實(shí)際運(yùn)行情況有一定的偏差。涂利明提到剛剛駛往下一個(gè)站點(diǎn)前車(chē)車(chē)輛的平均瞬時(shí)速度能夠近似地反映當(dāng)前公交車(chē)輛駛?cè)朐搮^(qū)段時(shí)的道路交通狀況,該前車(chē)數(shù)據(jù)可以對(duì)經(jīng)驗(yàn)數(shù)據(jù)偏差進(jìn)行修正[3]。針對(duì)區(qū)域因素,采用公交車(chē)和車(chē)站的信息交換設(shè)備,能夠提供公交車(chē)的上下行數(shù)據(jù)和不同路公交車(chē)的到站時(shí)間歷史記錄以及到上一個(gè)站點(diǎn)的時(shí)間。通過(guò)這些數(shù)據(jù)能映射區(qū)域性交通狀況,區(qū)域性影響主要是受到繁華地區(qū)和交通事故區(qū)域的交通密度、交通流量、車(chē)輛排隊(duì)長(zhǎng)度等因素的影響,也就是單位時(shí)間內(nèi)的區(qū)域性影響能夠通過(guò)這個(gè)時(shí)間段通過(guò)的不同路的公交車(chē)的上行和下行數(shù)據(jù)來(lái)表示,如果處于繁華地區(qū),公交車(chē)的相關(guān)數(shù)據(jù)反映了所處區(qū)域的情況——同樣班次的公交車(chē)到站時(shí)間間距變長(zhǎng),而處于城郊區(qū)域,單位時(shí)間內(nèi)的公交車(chē)的運(yùn)行時(shí)間基本一致。因此,采用公交車(chē)的上下行到站時(shí)間和同一路公交車(chē)的前一站的到站時(shí)間這些數(shù)據(jù),而這些數(shù)據(jù)是對(duì)車(chē)站周邊一公里半徑的交通狀況的一種反饋。公交車(chē)在線路上某站點(diǎn)i的到站時(shí)間預(yù)測(cè)是由i-1站點(diǎn)的上行到站時(shí)間變量X4、i站點(diǎn)t時(shí)刻最近的下行到站時(shí)間變量X5實(shí)現(xiàn)的。圖2為基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的公交車(chē)到站時(shí)間的預(yù)測(cè)模型。

采用三層的BP神經(jīng)網(wǎng)絡(luò),輸入為表示5種影響因素,輸出為 表示t時(shí)刻公交車(chē)到達(dá)的時(shí)間,使用樣本數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,調(diào)整相應(yīng)的權(quán)重,這些訓(xùn)練學(xué)習(xí)可以采用離線方式進(jìn)行,對(duì)t時(shí)刻的預(yù)測(cè)過(guò)程,可以采用已經(jīng)訓(xùn)練好權(quán)重的神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)預(yù)測(cè)。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

4 結(jié)束語(yǔ)

采用BP神經(jīng)網(wǎng)絡(luò)較好地實(shí)現(xiàn)了對(duì)公交車(chē)到站時(shí)間這種非線性特征計(jì)算的預(yù)測(cè),該模型選取了影響公交車(chē)運(yùn)行狀態(tài)的全局性因素和反映區(qū)域性因素的多個(gè)變量,預(yù)測(cè)出當(dāng)前時(shí)刻公交車(chē)的到站時(shí)間。但是BP神經(jīng)網(wǎng)絡(luò)存在著學(xué)習(xí)時(shí)間長(zhǎng)、計(jì)算量大,需要離線訓(xùn)練等問(wèn)題。下一步可以采用不需事先確定隱含層單元的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò),而且學(xué)習(xí)時(shí)間短、計(jì)算量小,預(yù)測(cè)能力優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。針對(duì)輸入層,目前只考慮了同路公交車(chē)在i-1站點(diǎn)的上行到站時(shí)間和i站點(diǎn)t時(shí)刻最近的下行到站時(shí)間,以后的研究中,可以加入不同路公交車(chē)的i站點(diǎn)的上行和下行到站時(shí)間,以期提高預(yù)測(cè)的準(zhǔn)確性。

[1] 孫棣華,賴云波,廖孝勇,等.公交浮動(dòng)車(chē)輛到站時(shí)間實(shí)時(shí)預(yù)測(cè)模型[J].交通運(yùn)輸工程學(xué)報(bào),2011(2):84-89.

[2] 周雪梅,彭昌溆,宋興昊,等.基于前車(chē)數(shù)據(jù)的動(dòng)態(tài)公交車(chē)輛到站時(shí)間預(yù)測(cè)模型研究[J].交通與運(yùn)輸(學(xué)術(shù)版),2011(2): 52-56.

[3] 涂利明.基于前車(chē)與經(jīng)驗(yàn)數(shù)據(jù)的車(chē)輛到站時(shí)間預(yù)測(cè)模型[J].計(jì)算機(jī)時(shí)代,2015(1):1-3.

[4] 于濱,楊忠振,林劍藝.應(yīng)用支持向量機(jī)預(yù)測(cè)公交車(chē)運(yùn)行時(shí)間[J].系統(tǒng)工程理論與實(shí)踐,2007(4):160-164.

[5] 周敏,韓印,姚佼.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的公交車(chē)運(yùn)行時(shí)間預(yù)測(cè)模型[J].交通與運(yùn)輸(學(xué)術(shù)版),2013(2):75-78.

[6] 郭蘭平,俞建寧,張建剛,等.改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)在城市公交車(chē)速時(shí)間序列預(yù)測(cè)中的應(yīng)用[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2010(12):60-66.

[責(zé)任編輯]董大偉

O141.4

A

1673-5935(2016)04-0038-03

10.3969/j.issn.1673-5935.2016.04.011

2016-11-10

山東省高等學(xué)?？萍加?jì)劃項(xiàng)目(J11LG82)

謝 煒(1972—),男,上海虹橋人,中國(guó)石油大學(xué)勝利學(xué)院高等教育研究與評(píng)價(jià)中心講師,主要從事計(jì)算機(jī)應(yīng)用研究和高教研究。