靳文舟，韓博文，郝小妮，黃瑋琪

(華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640)

0 引 言

如今基于“互聯(lián)網(wǎng)+”的新型定制化公共交通出行方式越來(lái)越多的出現(xiàn)在人們生活中。這種新型定制化出行方式以人們出行需求為導(dǎo)向，提供定制化的出行服務(wù)。例如：為解決目前普遍存在的城市大型對(duì)外交通樞紐與城市道路客運(yùn)交通無(wú)法很好銜接的問(wèn)題，擬規(guī)劃的廣州南站商務(wù)專線定位于運(yùn)用“互聯(lián)網(wǎng)+”技術(shù)為商務(wù)人士以及追求方便、快捷、舒適出行體驗(yàn)的乘客提供抵離廣州南站的定制化出行服務(wù)。該專線有以下特點(diǎn)：① 公共交通屬性，如定點(diǎn)、定時(shí)、固定線路等；② 采用商務(wù)車型使其比常規(guī)公交和地鐵更加快捷、舒適；③ 預(yù)約上下車點(diǎn)可有效解決“最后一公里”的問(wèn)題；④ 價(jià)格定位于出租車與公交之間，因此比出租車更有價(jià)格優(yōu)勢(shì)；⑤ 在服務(wù)上較常規(guī)公交和地鐵更具吸引力。

白玉方等[1]研究表明：增強(qiáng)公交的快速性和便捷性能提高出行者公交出行意愿，但商務(wù)專線發(fā)展前景如何，是否能讓乘客對(duì)其產(chǎn)生較強(qiáng)的出行意愿，還有待于進(jìn)一步研究。筆者以目標(biāo)乘客出行意愿為對(duì)象的研究可歸結(jié)為交通方式選擇行為的研究[2-8]。通過(guò)對(duì)乘客相關(guān)特征分析，從而預(yù)測(cè)其交通方式選擇的意愿偏好。

目前，學(xué)界通常采用離散選擇模型[9]、神經(jīng)網(wǎng)絡(luò)[10-11]等方法進(jìn)行研究。離散選擇模型中最具代表性的為L(zhǎng)ogit模型和Probit模型，兩者均是基于效用最大化原理，以微觀決策者為研究對(duì)象，對(duì)決策者選擇行為進(jìn)行研究，但兩者均有著一定缺陷和不足。神經(jīng)網(wǎng)絡(luò)具備較強(qiáng)的模擬任意非線性關(guān)系能力和模式識(shí)別能力，筆者基于定制公交目標(biāo)乘客出行意愿預(yù)測(cè)從本質(zhì)上而言是一個(gè)選擇分類的問(wèn)題——即是否有意愿乘坐定制公交出行，且乘客出行意愿與其影響因素之間存在復(fù)雜的非線性關(guān)系，因此神經(jīng)網(wǎng)絡(luò)較適用于文中乘客出行意愿預(yù)測(cè)。通過(guò)目標(biāo)乘客出行意愿調(diào)查(stated preference survey)，筆者獲取了大量乘客出行特征，并基于小波神經(jīng)網(wǎng)絡(luò)對(duì)乘客出行意愿進(jìn)行預(yù)測(cè)研究，從而為新型定制公交規(guī)劃提供依據(jù)。

目前運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)乘客出行意愿進(jìn)行預(yù)測(cè)的研究較少，且現(xiàn)有研究所運(yùn)用的神經(jīng)網(wǎng)絡(luò)類型大都較為落后，如概率神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)等。筆者嘗試運(yùn)用較為先進(jìn)的小波神經(jīng)網(wǎng)絡(luò)對(duì)基于定制公交的乘客出行意愿進(jìn)行預(yù)測(cè)。筆者通過(guò)搜集大量樣本數(shù)據(jù)進(jìn)行計(jì)算分析，獲得了較為全面的乘客出行意愿影響因素，不僅包括乘客自身屬性，還包括了影響乘客出行意愿的一些關(guān)鍵出行特征，讓預(yù)測(cè)更具科學(xué)性。為改善網(wǎng)絡(luò)訓(xùn)練效果，筆者采用自適應(yīng)方法對(duì)網(wǎng)絡(luò)學(xué)習(xí)速率和隱含層節(jié)點(diǎn)數(shù)進(jìn)行確定，并采用成批訓(xùn)練方法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以減少訓(xùn)練過(guò)程中振蕩的發(fā)生。

1 乘客出行意愿影響因素

筆者以廣州南站商務(wù)專線的目標(biāo)乘客出行意愿為研究實(shí)例，對(duì)目標(biāo)乘客出行意愿的影響因素進(jìn)行分析。廣州南站商務(wù)專線的主要服務(wù)對(duì)象是廣州市抵離廣州南站的乘客，本次乘客出行意愿調(diào)查共回收有效問(wèn)卷9 522份，通過(guò)對(duì)調(diào)研數(shù)據(jù)統(tǒng)計(jì)分析發(fā)現(xiàn)：乘客自身屬性(性別、年齡、職業(yè)、年收入)以及乘客出行特征(出行目的、出行起訖點(diǎn)、出行是否換乘、現(xiàn)狀出行方式等)都對(duì)乘客未來(lái)是否有意愿乘坐商務(wù)專線有著顯著影響。

1.1 乘客自身屬性

1.1.1 性 別

在出行方式選擇上，男性乘客與女性乘客之間的注重點(diǎn)有所不同，因此男女乘客的出行意愿會(huì)有所差異。調(diào)查結(jié)果顯示：男性乘客乘坐商務(wù)專線的意愿高于女性乘客。

1.1.2 年 齡

不同年齡段乘客在經(jīng)濟(jì)基礎(chǔ)、消費(fèi)理念、出行習(xí)慣以及偏好上均有所差異，因此其出行意愿會(huì)有所差異。調(diào)查結(jié)果顯示：18～30歲年齡段乘客出行意愿最高，其次分別為30～40歲、40～60歲、18歲以下、60歲以上的乘客。

1.1.3 職 業(yè)

調(diào)查結(jié)果顯示：機(jī)關(guān)企事業(yè)人員對(duì)商務(wù)專線的意愿最高，學(xué)生、企業(yè)家、離退休人員及其他職業(yè)人群的意愿較低，不同職業(yè)乘客的出行意愿具有明顯差異。

1.1.4 年收入

由于商務(wù)專線運(yùn)價(jià)定位于公共交通和出租車之間，提供中高端出行服務(wù)，因此年收入較低的乘客對(duì)其出行意愿較低；又由于年收入很高的乘客大都擁有私家車，因此其出行意愿也較低。調(diào)查結(jié)果顯示：出行意愿較強(qiáng)的乘客主要為年收入在5～10萬(wàn)、10～20萬(wàn)之間的人群，年收入在30萬(wàn)以上和5萬(wàn)以下的乘客出行意愿較低。

1.2 乘客出行特征

1.2.1 出行目的

調(diào)查結(jié)果顯示：以商務(wù)出行、探親、旅游等出行目的的乘客對(duì)商務(wù)專線意愿較高，特別是商務(wù)出行的乘客；以其他出行目的的乘客(學(xué)生、日常通勤的車站工作人員等)由于其消費(fèi)水平較低或出行選擇較多，對(duì)于商務(wù)專線的出行意愿稍低。

1.2.2 出行起訖點(diǎn)

不同地區(qū)經(jīng)濟(jì)發(fā)展不同，城市道路網(wǎng)、公共交通建設(shè)發(fā)展不同，導(dǎo)致不同地區(qū)抵離廣州南站交通條件便利程度不同。如：荔灣區(qū)、天河區(qū)、海珠區(qū)等核心區(qū)域具有完善的公共交通運(yùn)輸服務(wù)體系，乘客抵離廣州南站方式較多，出行滿意度較高，對(duì)商務(wù)專線出行意愿較低；而南沙區(qū)、黃浦區(qū)、白云區(qū)、番禺區(qū)的公共交通和道路條件建設(shè)相對(duì)滯后，乘客抵離廣州南站方式較少，出行滿意度較低，導(dǎo)致乘客對(duì)商務(wù)專線出行意愿較高。

1.2.3 出行是否換乘

乘客出行便捷度一部分體現(xiàn)在是否需要換乘上，換乘導(dǎo)致的出行不便會(huì)增加乘客對(duì)直達(dá)商務(wù)專線的出行意愿。調(diào)查結(jié)果顯示：來(lái)往廣州南站需要換乘的乘客對(duì)商務(wù)專線出行意愿明顯高于不需要換乘的乘客。

1.2.4 出行方式

出行方式主要分為：出租車、地鐵、公交、長(zhǎng)途汽車、私家車。由于這5種出行方式服務(wù)水平有所不同，且商務(wù)專線對(duì)這5種出行方式的競(jìng)爭(zhēng)優(yōu)勢(shì)有所不同，因此現(xiàn)行的各類出行方式乘客對(duì)商務(wù)專線的出行意愿也會(huì)有所不同。調(diào)查結(jié)果顯示：各類出行方式乘客中，出租車乘客對(duì)商務(wù)專線出行意愿最高，其次為地鐵、公交、長(zhǎng)途汽車，最低的是私家車。

因此，筆者將性別、年齡、職業(yè)、年收入、出行目的、出行起訖點(diǎn)、出行是否換乘和乘客出行方式作為影響乘客出行意愿的8個(gè)主要因素。

2 基于小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

小波神經(jīng)網(wǎng)絡(luò)(wavelet neural network, WNN)是小波分析理論與神經(jīng)網(wǎng)絡(luò)理論相結(jié)合的產(chǎn)物[12]。筆者構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)以3層BP(back propagation)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，是一種以小波基函數(shù)代替Sigmoid函數(shù)作為隱含層節(jié)點(diǎn)的傳遞函數(shù)神經(jīng)網(wǎng)絡(luò)。把目標(biāo)乘客出行意愿影響因素標(biāo)定值作為網(wǎng)絡(luò)輸入，將目標(biāo)乘客出行意愿作為網(wǎng)絡(luò)輸出，利用共軛梯度法來(lái)修正網(wǎng)絡(luò)權(quán)值和小波系數(shù)。筆者所構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)可避免BP神經(jīng)網(wǎng)絡(luò)等結(jié)構(gòu)設(shè)計(jì)上的盲目性，從根本上避免了局部最優(yōu)等非線性優(yōu)化問(wèn)題，具有較強(qiáng)的函數(shù)學(xué)習(xí)能力，能對(duì)目標(biāo)乘客出行意愿與其影響因素之間存在的復(fù)雜非線性關(guān)系實(shí)現(xiàn)較高精度模擬。

2.1 小波神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)

小波神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層這3層結(jié)構(gòu)組成，其結(jié)構(gòu)如圖1。

輸入層輸入為：xi(i=1, 2, …,N1)，隱含層輸出為：yh(h=1, 2, …,N2)，輸出層輸出為：zj(j=1, 2, …,N2)，網(wǎng)絡(luò)期望輸出為dj。筆者將目標(biāo)乘客出行意愿的8個(gè)影響因素作為小波神經(jīng)網(wǎng)絡(luò)輸入變量，故網(wǎng)絡(luò)輸入層有8個(gè)神經(jīng)元(N1=8)；由于網(wǎng)絡(luò)輸出結(jié)果僅為乘客的出行意愿(是為1；否為2)，因此網(wǎng)絡(luò)輸出層為1個(gè)神經(jīng)元(N2=1)。隱含層神經(jīng)單元數(shù)N2則是根據(jù)訓(xùn)練誤差要求自適應(yīng)確定，從而克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)不足。

圖1 小波神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig. 1 Wavelet neural network topology

小波神經(jīng)網(wǎng)絡(luò)前饋計(jì)算描述如下：

對(duì)于隱含層，有式(1)：

(1)

對(duì)于輸出層，有式(2)：

(2)

式中：neth為隱含層第h個(gè)神經(jīng)元的輸入值；netj為輸出層第j個(gè)神經(jīng)元的輸入值；wih為輸入層第i個(gè)神經(jīng)元與隱含層第h個(gè)神經(jīng)元之間的連接權(quán)值；whj為隱含層第h個(gè)神經(jīng)元與輸出層第j個(gè)神經(jīng)元之間的連接權(quán)值；f(net)為隱含層傳遞函數(shù)，文中使用Morlet小波函數(shù)作為隱含層傳遞函數(shù)；g(net)為輸出層傳遞函數(shù)，文中使用Sigmoid函數(shù)作為輸出層傳遞函數(shù)，以便于對(duì)預(yù)測(cè)結(jié)果進(jìn)行分類處理，同時(shí)減少訓(xùn)練過(guò)程中發(fā)散的可能性。

f(net)和g(net)的計(jì)算如式(3)：

(3)

式中：b為小波基函數(shù)的平移因子；a為小波基函數(shù)的伸縮因子；β為常數(shù)。

2.2 模型算法學(xué)習(xí)過(guò)程

小波神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)實(shí)質(zhì)是輸入輸出樣本集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)實(shí)際輸出與期望輸出誤差E不斷調(diào)整網(wǎng)絡(luò)各層之間的連接權(quán)值和小波基函數(shù)參數(shù)，直到誤差小于預(yù)先設(shè)定的某個(gè)精度值ε(ε>0)或訓(xùn)練次數(shù)n達(dá)到最大訓(xùn)練次數(shù)N時(shí)停止網(wǎng)絡(luò)學(xué)習(xí)，其具體學(xué)習(xí)過(guò)程如圖2。訓(xùn)練過(guò)程中，筆者采用有動(dòng)量的梯度下降法對(duì)網(wǎng)絡(luò)權(quán)值和小波基函數(shù)參數(shù)進(jìn)行修正，該方法利用前一步得到的修正值來(lái)平滑學(xué)習(xí)路徑，從而避免了網(wǎng)絡(luò)陷入局部極小值缺陷，加快學(xué)習(xí)速度。由于在對(duì)單個(gè)樣本進(jìn)行逐一訓(xùn)練時(shí)，會(huì)引起權(quán)值和參數(shù)的修正振蕩，因此筆者采用成批訓(xùn)練方法，如每次訓(xùn)練P個(gè)樣本則對(duì)網(wǎng)絡(luò)參數(shù)修正一次，從而避免了振蕩發(fā)生。

圖2 小波神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)過(guò)程Fig. 2 Algorithm learning process of wavelet neural network

網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)按如下方法自適應(yīng)確定：取小波神經(jīng)網(wǎng)絡(luò)的隱含層單元數(shù)h=1，若此時(shí)網(wǎng)絡(luò)能在最大學(xué)習(xí)次數(shù)內(nèi)滿足所設(shè)定的誤差條件，則停止迭帶，若達(dá)到最大學(xué)習(xí)次數(shù)后，仍不滿足誤差條件，則隱含層單元數(shù)增加1，重復(fù)上述過(guò)程，直到滿足誤差條件為止。

給定一批p(p=1,2,…,P)個(gè)輸入輸出樣本，學(xué)習(xí)率為η(η>0)，動(dòng)量因子為λ(0<λ<1)，則目標(biāo)函數(shù)誤差如式(4)：

(4)

小波神經(jīng)網(wǎng)絡(luò)隱含層與輸出層之間權(quán)值修正計(jì)算如式(5)：

(5)

輸入層與隱含層之間權(quán)值修正如式(6)：

(6)

小波基函數(shù)伸縮因子修正公式如式(7)：

(7)

小波基函數(shù)平移因子修正公式如式(8)：

(8)

學(xué)習(xí)速率η自適應(yīng)修正公式如式(9)：

(9)

3 模型預(yù)測(cè)的MATLAB實(shí)現(xiàn)

3.1 模型輸入變量標(biāo)定

模型輸入變量標(biāo)定原則為：考慮神經(jīng)網(wǎng)絡(luò)自身固有的模式識(shí)別問(wèn)題，即以樣本相似性度量來(lái)提取樣本特征進(jìn)行模式分類。筆者在進(jìn)行模型輸入變量標(biāo)定時(shí)，遵循出行意愿相似變量用相連數(shù)字代碼表示的原則。調(diào)研顯示：探親和旅游乘客其乘坐商務(wù)專線的意愿比較相近，那么在對(duì)出行目的進(jìn)行變量標(biāo)定時(shí)，探親和旅游需用相連數(shù)字來(lái)標(biāo)定。其具體標(biāo)定如下：

x1為性別：男(x1=1)、女(x1=2)；

x2為年齡：18歲以下(x2=1)、60歲以上(x2=2)、40～60歲(x2=3)、30～40歲(x2=4)、18～30歲(x2=5)；

x2為職業(yè)：離退休人員(x2=1)、其他(x2=2)、學(xué)生(x2=3)、企業(yè)家(x2=4)、機(jī)關(guān)企事業(yè)(x2=5)；

x4為x4年收入：30萬(wàn)以上(x4=1)、5萬(wàn)以下(x4=2)、20～30萬(wàn)(x4=3)、10～20萬(wàn)(x4=4)、5～10萬(wàn)(x4=5)；

x5為出行目的：其他(x5=1)、探親(x5=2)、旅游(x5=3)、商務(wù)出行(x5=4)；

x6為出行起訖點(diǎn)：荔灣區(qū)(x6=1)、天河區(qū)(x6=2)、白云區(qū)(x6=3)、越秀區(qū)(x6=4)、黃浦區(qū)(x6=5)、番禺區(qū)(x6=6)、海珠區(qū)(x6=7)、花都區(qū)(x6=8)、南沙區(qū)(x6=9)；

x7為出行方式：私家車(x7=1)、公交車(x7=2)、長(zhǎng)途汽車(x7=3)、其他(x7=4)、地鐵(x7=5)、出租車(x7=6)；

x8為出行是否換乘：是(x8=1)、否(x8=2)；

z1為出行意愿：是(z1=1)、否(z1=2)。

乘客觀測(cè)值由兩部分組成：①自身屬性和出行特征(性別、年齡、職業(yè)、年收入、出行目的、出行起訖點(diǎn)、出行是否換乘、出行方式)；②乘坐意愿(是、否)。若一個(gè)乘客的觀測(cè)值為(1、3、5、4、4、1、1、2、2)，則表示該乘客性別為男，40～60歲，在機(jī)關(guān)企事業(yè)單位工作，年收入為10～20萬(wàn)，他因工作從荔灣區(qū)開(kāi)私家車到南站坐火車去出差，中途無(wú)換乘，不愿意乘坐商務(wù)專線。

3.2 訓(xùn)練樣本選取

為提高神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精確性和穩(wěn)定性，筆者以與現(xiàn)實(shí)乘客類型結(jié)構(gòu)相近且充分覆蓋各類樣本為原則，從調(diào)研獲得乘客數(shù)據(jù)中選取2 000個(gè)有效訓(xùn)練樣本，并對(duì)模型進(jìn)行訓(xùn)練，以確保模型對(duì)各類不同屬性乘客進(jìn)行意愿預(yù)測(cè)時(shí)都能具有較高精確性和穩(wěn)定性。樣本屬性結(jié)構(gòu)如表1。

表1 樣本屬性結(jié)構(gòu)Table 1 Attribute structure of samples %

3.3 樣本歸一化處理

由于文中所標(biāo)定樣本數(shù)據(jù)不在同一個(gè)數(shù)量級(jí)，為提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，需對(duì)其進(jìn)行歸一化處理。筆者利用MATLAB中的函數(shù)工具[pn, minp, maxp]=premnmx(p)將選取樣本數(shù)據(jù)映射到[-1,1]，其具體算法如式(10)：

(10)

式中：p為所收集的一組數(shù)據(jù)；minp、maxp分別為數(shù)據(jù)的最小值和最大值；pn為歸一化后的數(shù)據(jù)。

3.4 網(wǎng)絡(luò)訓(xùn)練

為檢驗(yàn)文中所構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比是否具有先進(jìn)性，在實(shí)驗(yàn)中分別用小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練，均設(shè)置網(wǎng)絡(luò)最大學(xué)習(xí)次數(shù)為10 000，目標(biāo)誤差為10-6，兩種方法訓(xùn)練過(guò)程中網(wǎng)絡(luò)MSE(均方差)變化曲線如圖3。

由圖3可看出：基于小波神經(jīng)網(wǎng)絡(luò)模型有著更快的訓(xùn)練速度，僅經(jīng)過(guò)101次便達(dá)到了目標(biāo)誤差；而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)經(jīng)346次訓(xùn)練達(dá)到了最優(yōu)誤差值9.142 5E-04后停止訓(xùn)練，并未達(dá)到目標(biāo)誤差。

圖3 網(wǎng)絡(luò)訓(xùn)練速度對(duì)比Fig. 3 Comparison of network training speed

3.5 預(yù)測(cè)結(jié)果分析

網(wǎng)絡(luò)在對(duì)預(yù)測(cè)結(jié)果進(jìn)行輸出時(shí)，經(jīng)Sigmoid函數(shù)轉(zhuǎn)化之后網(wǎng)絡(luò)預(yù)測(cè)值將會(huì)分布到[-1,1]之間，筆者對(duì)乘客出行意愿預(yù)測(cè)結(jié)果進(jìn)行分類的判斷條件為：若預(yù)測(cè)值位于(0,1]上，則判斷乘客出行意愿為“否”；否則乘客出行意愿為“是”。在對(duì)500個(gè)預(yù)測(cè)樣本預(yù)測(cè)結(jié)果進(jìn)行分類判斷之后，筆者構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)對(duì)500個(gè)樣本預(yù)測(cè)精度最高可達(dá)到86%，而BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度最高可達(dá)到78%。

前50個(gè)樣本的一次預(yù)測(cè)情況如圖4。小波神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果中有47個(gè)與實(shí)際一致，精度為94%；傳統(tǒng)BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果中有41個(gè)與實(shí)際一致，預(yù)測(cè)精度為82%。由此可看出：小波神經(jīng)網(wǎng)絡(luò)對(duì)于乘客出行意愿預(yù)測(cè)具有較好預(yù)測(cè)效果，且與BP神經(jīng)網(wǎng)絡(luò)相比，對(duì)樣本預(yù)測(cè)值更加接近樣本實(shí)際值，其預(yù)測(cè)精度也就更高。

圖4 網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值的分布Fig. 4 Distribution of network predictive value and actual value

4 結(jié) 論

筆者以廣州南站商務(wù)專線目標(biāo)乘客出行意愿預(yù)測(cè)為研究實(shí)例，從目標(biāo)乘客出行意愿角度預(yù)測(cè)了新型定制化公交所具有的市場(chǎng)前景。通過(guò)對(duì)乘客屬性對(duì)乘客意愿的影響分析，發(fā)現(xiàn)乘客屬性與其意愿之間存在復(fù)雜的非線性關(guān)系。

筆者建立了乘客出行意愿預(yù)測(cè)小波神經(jīng)網(wǎng)絡(luò)模型，并運(yùn)用MATLAB軟件對(duì)模型預(yù)測(cè)進(jìn)行了分析。為改善網(wǎng)絡(luò)訓(xùn)練效果，筆者采用自適應(yīng)方法對(duì)網(wǎng)絡(luò)學(xué)習(xí)速率和隱含層節(jié)點(diǎn)數(shù)進(jìn)行確定。結(jié)果表明：小波神經(jīng)網(wǎng)絡(luò)對(duì)于預(yù)測(cè)定制公交目標(biāo)乘客出行意愿具有較好地適用性，且比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有更好的預(yù)測(cè)效果。

影響乘客出行意愿的因素非常多，除了筆者分析的8個(gè)因素之外，乘客個(gè)人偏好、城市文化及其他不確定因素都會(huì)對(duì)出行意愿有著影響，忽略這些因素影響將導(dǎo)致網(wǎng)絡(luò)預(yù)測(cè)存在失準(zhǔn)風(fēng)險(xiǎn)。除此之外，筆者在對(duì)乘客職業(yè)、出行目的及出行方式進(jìn)行分類時(shí)，分類程度不夠充分明確，將非主要類別都?xì)w到了“其他”一類，導(dǎo)致這些類別乘客出行意愿的不確定性。網(wǎng)絡(luò)模型對(duì)此類樣本學(xué)習(xí)效果不佳，在預(yù)測(cè)時(shí)容易出錯(cuò)，從而降低了網(wǎng)絡(luò)預(yù)測(cè)精度。因此在后續(xù)地研究中應(yīng)通過(guò)加入更多相關(guān)影響因素和對(duì)影響因素進(jìn)行詳細(xì)分類來(lái)進(jìn)一步提高網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性。