梁 泉，翁劍成*，林鵬飛，周 偉，榮 建

(1.北京工業(yè)大學(xué)北京市交通工程重點(diǎn)實(shí)驗(yàn)室，北京100124；2.中華人民共和國交通運(yùn)輸部，北京100736)

0 引言

2016年，北京市工作日日均公共交通客運(yùn)量達(dá)2 163.01萬人次，通勤出行作為公共交通服務(wù)的主體，占公共交通出行總量的66.3%[1].通勤與非通勤人群出行特征存在顯著差異，有效分析公共交通通勤乘客出行需求，準(zhǔn)確把握通勤乘客出行規(guī)律，對(duì)于合理引導(dǎo)客流出行具有重要意義.其中，實(shí)現(xiàn)公共交通乘客類型的準(zhǔn)確鑒別是深度挖掘通勤乘客出行需求和規(guī)律的前提.

當(dāng)前研究主要基于通勤出行規(guī)律分析實(shí)施公共交通通勤乘客辨別，通勤出行特征包括出行往返性、出行時(shí)間規(guī)律性、模式選擇固定性、線路選擇多樣性等[2-3].研究能夠鑒別通勤特性顯著的乘客，但無法準(zhǔn)確歸類行為特征不明顯的通勤乘客.部分研究采用問卷調(diào)查或走訪調(diào)研的方式獲取乘客類別屬性[4-5]，但成本高、樣本有限，無法實(shí)現(xiàn)全樣本乘客行為分類.

隨著互聯(lián)網(wǎng)+等新興技術(shù)的發(fā)展，公交系統(tǒng)智能化水平極大提升，匯聚形成了多源公共交通數(shù)據(jù)，為準(zhǔn)確實(shí)現(xiàn)公共交通出行者分類提供了豐富的數(shù)據(jù)基礎(chǔ).人工智能和機(jī)器學(xué)習(xí)的橫向發(fā)展和縱向延伸，也為數(shù)據(jù)驅(qū)動(dòng)下的通勤乘客判別提供了方法支撐.目前少量研究采用決策樹[6]、SVM[7]等方法開展通勤人群辨識(shí)，但模型的輸入層特征變量考慮不全面，結(jié)構(gòu)與參數(shù)解析不深入，適用性有待提高.

由于人工神經(jīng)網(wǎng)絡(luò)能實(shí)現(xiàn)輸入到輸出的高度非線性映射，具有自學(xué)習(xí)、自組織、較好容錯(cuò)性和優(yōu)良非線性逼近能力，可以較好地解決分類問題；同時(shí)，實(shí)際應(yīng)用中80%以上的人工神經(jīng)網(wǎng)絡(luò)模型采用誤差反傳算法(Error Back-Propagation Algorithm,BP)或其變形形式的模型結(jié)構(gòu)[8].因此，本文旨在構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的公共交通通勤行為分類模型，實(shí)現(xiàn)乘客類別準(zhǔn)確識(shí)別，為分類別多層次分析乘客出行需求，提高公共交通精細(xì)化服務(wù)水平奠定支撐.

1 數(shù)據(jù)基礎(chǔ)

通過公共交通多源數(shù)據(jù)采集、處理與關(guān)聯(lián)匹配，提取反映出行全過程的出行鏈，為分類模型構(gòu)建奠定支撐.

1.1 多源數(shù)據(jù)采集與處理

依托北京城市交通協(xié)同創(chuàng)新中心和綜合交通協(xié)同運(yùn)行與超級(jí)計(jì)算應(yīng)用技術(shù)協(xié)同創(chuàng)新平臺(tái)，獲取公共交通刷卡與靜態(tài)線站數(shù)據(jù)，包括地面公交IC卡刷卡數(shù)據(jù)、軌道AFC系統(tǒng)數(shù)據(jù)、公共自行車刷卡數(shù)據(jù)，以及地面公交、軌道交通和公共自行車線站數(shù)據(jù).

(1)公共交通刷卡數(shù)據(jù).

面向乘客出行信息提取需求，提取數(shù)據(jù)有效字段如表1所示.

表1 公共交通多源數(shù)據(jù)有效字段Table 1 Fields of public transport multi-mode data

(2)公共交通靜態(tài)線站數(shù)據(jù).

如表1所示，地面公交與軌道交通靜態(tài)線站數(shù)據(jù)主要記錄每條線路雙向包含的所有弧段與站點(diǎn)信息.公共自行車靜態(tài)數(shù)據(jù)主要記錄租/還車站點(diǎn)及出行距離等信息.

1.2 數(shù)據(jù)關(guān)聯(lián)匹配

公共交通多源數(shù)據(jù)關(guān)聯(lián)匹配主要包括刷卡數(shù)據(jù)整合和出行鏈提取.

(1)刷卡數(shù)據(jù)整合.

為再現(xiàn)個(gè)體出行過程，按照用戶卡號(hào)和上車時(shí)間排序，分別將公交線路號(hào)和上下車時(shí)間、軌道進(jìn)出站線路號(hào)及時(shí)間、公共自行車租/還車時(shí)間對(duì)應(yīng)數(shù)據(jù)字段進(jìn)行整合.

(2)出行鏈提取.

在多源數(shù)據(jù)整合的基礎(chǔ)上，通過換乘點(diǎn)時(shí)間與空間閾值判別提取個(gè)體出行鏈，有效獲得起訖點(diǎn)、行程時(shí)間與距離等出行信息，主要字段與示意數(shù)據(jù)如表2所示.

2 公共交通乘客分類模型構(gòu)建

基于出行鏈數(shù)據(jù)，以3層BP網(wǎng)絡(luò)為基礎(chǔ)，以分類結(jié)果誤差為控制目標(biāo)，測試獲取模型最佳結(jié)構(gòu)與參數(shù)，形成公共交通通勤乘客行為判別模型.

2.1 結(jié)構(gòu)設(shè)計(jì)

(1)輸入層設(shè)計(jì).

模型輸入層為公共交通行為分類特征變量，本文通過引入知識(shí)圖譜表征特征變量，提取個(gè)體出行特征指標(biāo).知識(shí)圖譜作為特征可視化表達(dá)方式，以符號(hào)的形式描述對(duì)象間的概念及相互關(guān)系，并通過關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀知識(shí)結(jié)構(gòu)，能夠?qū)崿F(xiàn)特征的直觀表達(dá)[9].本文基于北京市2017年4月公共交通出行鏈數(shù)據(jù)，繪制個(gè)體出行知識(shí)圖譜，實(shí)現(xiàn)出行行為特征指標(biāo)準(zhǔn)確提取，具體過程為：

①個(gè)體出行空間位置聚類.采用系統(tǒng)聚類方法，按照乘客出行起訖點(diǎn)經(jīng)緯度數(shù)據(jù)聚類，將乘客起訖點(diǎn)空間位置分為不同的OD簇.

②個(gè)體出行時(shí)間分類.在空間位置聚類的基礎(chǔ)上，將每組OD簇按照出發(fā)與終到時(shí)間細(xì)化分類.將5:00-23:00以2 h為間隔進(jìn)行劃分.

③實(shí)際路徑聚類.基于以上步驟，結(jié)合出行模式，根據(jù)乘客實(shí)際路徑距離與出行方向進(jìn)一步聚類.每類時(shí)間簇細(xì)化為不同的路徑聚類簇.

④個(gè)體出行知識(shí)圖譜構(gòu)建.采用多層規(guī)劃理論，將空間位置、出行時(shí)間與實(shí)際路徑分別作為第1、2、3層，構(gòu)建個(gè)體出行知識(shí)圖譜.各節(jié)點(diǎn)分別表示每層行為的發(fā)生頻率.

按照上述步驟，繪制乘客A的出行圖譜如圖1所示.

綜合乘客出行時(shí)空總體特性、出發(fā)時(shí)間、路徑選擇與出行穩(wěn)定程度，基于個(gè)體出行知識(shí)圖譜，分層提取7項(xiàng)面向BP網(wǎng)絡(luò)的輸入指標(biāo)，如表3所示.其中，根據(jù)圖譜第1層，提取特性變量：出行天數(shù)、出行次數(shù)、OD分類數(shù)和出行往返性；根據(jù)圖譜第2層，提取集中出發(fā)時(shí)間；根據(jù)圖譜第3層，提取路徑唯一性.在此基礎(chǔ)上，提出綜合指標(biāo)出行空間均衡度.

前6項(xiàng)指標(biāo)通過圖譜可直接提取，出行空間均衡度需結(jié)合圖譜計(jì)算得到，公式為

式中：A為出行空間均衡度；i為第i個(gè)活動(dòng)點(diǎn)；m為不同活動(dòng)點(diǎn)總數(shù)；N為出行總天數(shù)；αi為決策變量.

隨機(jī)選取6名乘客，計(jì)算基于個(gè)體出行圖譜的特征變量如表4所示.

表3 特征變量及描述Table 3 Feature variables and descriptions

表4 乘客圖譜特征變量示意Table 4 Examples of graph feature based variables of individual passengers

(2)輸出層設(shè)計(jì).

BP模型輸出結(jié)果為公共交通乘客類別屬性，即通勤或非通勤者.通過開展出行行為(RP)調(diào)查，獲取乘客出行行為信息.一方面，獲得乘客自身行為特性；另一方面，通過調(diào)查獲得的IC卡號(hào)與刷卡數(shù)據(jù)匹配，提取個(gè)體乘客1個(gè)月的出行鏈，作為研究數(shù)據(jù)基礎(chǔ).

調(diào)查由調(diào)查員面對(duì)面問詢，現(xiàn)場完成問卷填寫，包含乘客類別(通勤者、非通勤者)、出行特征(出行天數(shù)、上下班/上下學(xué)出行次數(shù)和休閑類出行次數(shù))、個(gè)人屬性(性別、年齡、職業(yè)、受教育程度、月收入和家庭小汽車數(shù)量).其中，乘客類別主要通過出行目的界定(上下班、上下學(xué)、購物、休閑、接送孩子等)；將乘客客觀出行特征指標(biāo)與自述類別屬性相匹配，共同確定乘客真實(shí)類別.

RP調(diào)查實(shí)施時(shí)間為2017年5月10～27日，共計(jì)18天；調(diào)查時(shí)段覆蓋早高峰(7:00-9:00)、晚高峰(17:00-19:00)和平峰.調(diào)查地點(diǎn)為北京市城區(qū)5個(gè)地鐵站點(diǎn)和3個(gè)地面公交站點(diǎn)；調(diào)查范圍覆蓋居住區(qū)、商業(yè)區(qū)與休閑區(qū).調(diào)查共收回有效問卷453份.基于刷卡數(shù)據(jù)關(guān)聯(lián)匹配，獲得通勤者問卷147份、非通勤者42份.參照北京市工作日公共交通通勤與非通勤出行量比值(約為1.62)[1]，最終選取通勤者問卷68份，非通勤者問卷42份.調(diào)查數(shù)據(jù)統(tǒng)計(jì)結(jié)果如表5所示.

本文隨機(jī)選取88名乘客出行數(shù)據(jù)為訓(xùn)練，22名為驗(yàn)證，輸出1為通勤者，輸出0為非通勤者.

(3)隱含層節(jié)點(diǎn)數(shù)選取.

首先，采用式(3)確定隱含層節(jié)點(diǎn)數(shù)范圍[8].

式中：n為隱含層神經(jīng)元節(jié)點(diǎn)數(shù)；nin為輸入單元數(shù)；nout為輸出單元數(shù)；α為常數(shù)，取值介于0～10之間.

由于模型有7個(gè)輸入單元，1個(gè)輸出單元，隱含層節(jié)點(diǎn)數(shù)應(yīng)為[3,13].每個(gè)隱含層節(jié)點(diǎn)數(shù)對(duì)應(yīng)網(wǎng)絡(luò)運(yùn)行10次，遍歷測試獲得平均分類精度與隱含層神經(jīng)元節(jié)點(diǎn)數(shù)關(guān)系如圖2所示.可知，當(dāng)神經(jīng)元節(jié)點(diǎn)數(shù)為4時(shí)，平均分類精度相對(duì)最高，因此隱含層最佳神經(jīng)元節(jié)點(diǎn)數(shù)為4.

表5 有效樣本數(shù)據(jù)統(tǒng)計(jì)結(jié)果Table 5 Descriptive statistics of survey data

2.2 參數(shù)調(diào)整

(1)函數(shù)選取.

輸入層到中間層的傳遞函數(shù)采用S型正切函數(shù)tansig，中間層到輸出層采用線性函數(shù)purelin.由于不同訓(xùn)練函數(shù)的計(jì)算速度、收斂速度及迭代次數(shù)存在顯著差異，本文采用對(duì)比測試的方法確定最佳訓(xùn)練函數(shù).選用8種常用訓(xùn)練函數(shù)分別訓(xùn)練BP網(wǎng)絡(luò)10次，各訓(xùn)練函數(shù)對(duì)應(yīng)的模型預(yù)測誤差及訓(xùn)練速度如表6所示.由此確定最佳訓(xùn)練函數(shù)為基于彈性梯度下降法的trainrp函數(shù).

圖2 平均分類精度與神經(jīng)元節(jié)點(diǎn)數(shù)量關(guān)系Fig.2 Relationship between average classification accuracy and neuron node number

表6 不同訓(xùn)練函數(shù)對(duì)應(yīng)預(yù)測誤差與訓(xùn)練速度Table 6 Prediction error and training speed corresponding to different training function

(2)學(xué)習(xí)率選取.

學(xué)習(xí)率影響網(wǎng)絡(luò)系統(tǒng)穩(wěn)定性與訓(xùn)練速度，決定每一次循環(huán)訓(xùn)練中的權(quán)值變化量.學(xué)習(xí)率太小，可能造成學(xué)習(xí)時(shí)間較長，收斂速度較慢；學(xué)習(xí)率太大，容易導(dǎo)致系統(tǒng)不穩(wěn)定.本文選取網(wǎng)絡(luò)學(xué)習(xí)率為0.01[8].

綜上，構(gòu)建了面向公共交通乘客分類的BP神經(jīng)元網(wǎng)絡(luò)模型，結(jié)構(gòu)如圖3所示.模型輸入層為7個(gè)特征指標(biāo)，輸出層為乘客行為類別.模型有1個(gè)隱含層，隱含層神經(jīng)元節(jié)點(diǎn)數(shù)量為4.輸入層到中間層的傳遞函數(shù)為tansig，中間層到輸出層的傳遞函數(shù)為purelin，訓(xùn)練函數(shù)為trainrp，網(wǎng)絡(luò)學(xué)習(xí)率為0.01.

圖3 公共交通乘客分類BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 BP network structure for public transport passenger classification

2.3 模型驗(yàn)證

模型分類精度采用總體分類精度(OA)與kappa系數(shù)(Kappa)共同評(píng)估.OA為正確分類個(gè)體數(shù)與總個(gè)體數(shù)的比值.Kappa[10]表示被評(píng)價(jià)分類比完全隨機(jī)分類產(chǎn)生錯(cuò)誤減少的比例.以22名乘客為驗(yàn)證數(shù)據(jù)，計(jì)算不同樣本所屬類別，統(tǒng)計(jì)結(jié)果如表7所示.

表7 分類誤差統(tǒng)計(jì)Table 7 Classification errors statistics

將表7中數(shù)據(jù)部分看作矩陣，OA和Kappa計(jì)算方法為

式中：aii為矩陣中對(duì)角元素；N為精度驗(yàn)證樣本量；T*j為矩陣第j列和；Ti*為矩陣第i行和.

根據(jù)式(4)和式(5)計(jì)算得到OA=94.5%，Kappa=0.879.當(dāng)Kappa值介于0.81～1.00，模型分類精度達(dá)到幾乎完全一致[10].可知，本文構(gòu)建的BP神經(jīng)元網(wǎng)絡(luò)模型能適用于公共交通乘客分類，具有較高分類精度.

3 結(jié)論

基于多源數(shù)據(jù)關(guān)聯(lián)匹配獲得公共交通出行鏈，通過乘客個(gè)體出行知識(shí)圖譜構(gòu)建提取出行天數(shù)、出行次數(shù)、OD分類數(shù)、出行往返性、集中出發(fā)時(shí)間、路徑唯一性與出行空間均衡度等7類特征指標(biāo)，利用RP調(diào)查獲得乘客類別屬性并與出行鏈匹配.以出行特征指標(biāo)為輸入、乘客類別(通勤或非通勤)為輸出，測試獲得BP模型最佳結(jié)構(gòu)和參數(shù)，構(gòu)建了基于BP神經(jīng)元網(wǎng)絡(luò)的公共交通乘客分類模型.模型OA精度為94.5%，Kappa系數(shù)為0.879，實(shí)現(xiàn)了公共交通乘客類別的有效鑒別.

本文模型能夠準(zhǔn)確辨別公共交通通勤乘客，為細(xì)化乘客出行需求辨識(shí)奠定基礎(chǔ).未來研究將在通勤乘客鑒別的基礎(chǔ)上，開展出行穩(wěn)定性分析，為不同類別乘客制定差別化出行服務(wù)模式，如快速公交、定制公交與迷你公交等，為運(yùn)營管理部門精細(xì)化的交通需求調(diào)度提供支撐.

參考文獻(xiàn)：

[1]北京交通發(fā)展研究.2016年北京市交通發(fā)展年度報(bào)告[R].北京:北京交通發(fā)展研究院,2016.[Beijing Municipal Transportation Development Research.Beijing transport annual report of 2016[R].Beijing:Beijing Transport Development Institute,2016.]

[2]王月玥.基于多源數(shù)據(jù)的公共交通通勤出行特征提取方法研究[D].北京:北京工業(yè)大學(xué),2014.[WANG Y Y.Commuting trip characteristics extraction based on public transport multi-source data[D].Beijing:Beijing University of Technology,2014.]

[3]榮建,翁劍成.基于多源數(shù)據(jù)的公共交通通勤特征提取技術(shù)[R].北京工業(yè)大學(xué),2014.[RONG J,WENG J C.Public transport commuter characteristics extraction based on multi-source data[R].Beijing University of Technology,2014]

[4]樊海博.基于NestedLogit的小汽車通勤出行轉(zhuǎn)移概率模型研究[D].北京:北京交通大學(xué),2014.[FAN H B.Research on transfer model of car-commuter trip based on nested Logit[D].Beijing:Beijing Jiaotong University,2014.]

[5]SHEN Y,MEI P K,CHAI Y W.Investigating commuting flexibility with GPS data and 3D geovisualization:a case study ofBeijing,China[J].JournalofTransport Geography,2013(32):1-11.

[6]孫世超,莊斌,黃偉.基于機(jī)器學(xué)習(xí)的公交卡數(shù)據(jù)中通勤人群辨識(shí)方法[J].交通工程,2017,17(1):58-64.[SUN S C,ZHUANG B,HUANG W.An approach to the identification of commuters based on machine learning of smartcard data[J].Journal of Transportation Engineering,2017,17(1):58-64]

[7]袁榮亮.公共交通通勤者出行方式選擇研究[D].北京:北京工業(yè)大學(xué),2016.[YUAN R L.Research on travelmode choice behaviorofpublic transport commuters[D].Beijing:Beijing University of Technology,2016.]

[8]WANG W,ZHANG W,GUO H,et al.A safety-based approaching behavioral model with various driving characteristics[J].Transportation Research PartC:Emerging Technologies,2011(19):1202-1214.

[9]劉嶠,李楊,段宏,等.知識(shí)圖譜構(gòu)建技術(shù)綜述[J].計(jì)算機(jī)研究與發(fā)展,2016,53(3):582-600.[LIU Q,LI Y,DUAN H,etal.Knowledge graph construction techniques[J].JournalofComputerResearch and Development,2016,53(3):582-600.]

[10]杜華強(qiáng),范文文.Matlab自組織神經(jīng)網(wǎng)絡(luò)在遙感圖像分類中的應(yīng)用[J].東北林業(yè)大學(xué)學(xué)報(bào),2003,32(4):51-53.[DU H Q,FAN W W.The application of selforganizing neural network to remote sensing image classification based on Matlab[J].Journal of Northeast Forestry University,2003,32(4):51-53.]