李運(yùn)

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);深度置信網(wǎng)絡(luò);城市軌道;客流量;培訓(xùn)系統(tǒng)

在現(xiàn)代城市的建設(shè)中，城市軌道設(shè)施的建設(shè)與人們密切相關(guān)，影響著每一個(gè)人的日常出行。城市軌道客流量短時(shí)間迅猛增長，而車輛空間容載能力卻十分有限，軌道客流與道路空間的矛盾日益突出，造成的后果就是交通擁堵現(xiàn)象時(shí)常發(fā)生。

為解決這一問題，國內(nèi)外眾多學(xué)者針對如何準(zhǔn)確模擬與預(yù)測城市軌道客流進(jìn)行了大量研究，Ku-mar等提出了一種基于季節(jié)的自回歸移動(dòng)平均模型，該模型在對車流量的影響因素中添加了季節(jié)因素，考慮不同季節(jié)對車流量造成的影響，但是只使用了少量的輸入數(shù)據(jù)來進(jìn)行模擬預(yù)測，預(yù)測結(jié)果只能說明城市軌道的短期客流量。盧志義等人通過時(shí)間序列分析的方法提出了一種基于ARMA（Auto-Regressive and Moving Average）的城市軌道交通客流量預(yù)測模型，采用天津地鐵客流量數(shù)據(jù)進(jìn)行擬合與預(yù)測，取得了很好的效果。徐熠明基于灰色改良模型對上海市軌道交通日常客流量進(jìn)行了預(yù)測，發(fā)現(xiàn)模型對于普通工作日的預(yù)測更接近真實(shí)值，對于周末以及特殊工作日預(yù)測結(jié)果表現(xiàn)不佳。這些傳統(tǒng)的交通流量預(yù)測方式采用的是轉(zhuǎn)化的思想，將流量預(yù)測問題轉(zhuǎn)化為研究時(shí)間序列預(yù)測問題，通過分析已有的時(shí)間序列數(shù)據(jù)，將提取到的特征推廣到要預(yù)測的數(shù)據(jù)上，從而預(yù)測數(shù)據(jù)未來的走向趨勢。這就需要先將采集到的交通流量數(shù)據(jù)分類整理成時(shí)間序列數(shù)據(jù)，因此對原始數(shù)據(jù)的要求很高，需要數(shù)據(jù)平穩(wěn)且保持較大的數(shù)據(jù)量。

基于深度學(xué)習(xí)相關(guān)理論，可以設(shè)計(jì)與實(shí)現(xiàn)實(shí)訓(xùn)基地培訓(xùn)系統(tǒng)，檢測城市道路車流量的實(shí)時(shí)變化情況，進(jìn)行城市軌道客流量的預(yù)測，它不僅可以關(guān)聯(lián)學(xué)習(xí)特征與學(xué)習(xí)任務(wù)，還可以自動(dòng)提取數(shù)據(jù)特征背后隱藏的復(fù)雜信息，在模型網(wǎng)絡(luò)加深的過程中進(jìn)行淺層特征的整合提取，利用組合特征來解決問題。希望通過研究為城市軌道客流量的預(yù)測提供新的研究思路，為深度學(xué)習(xí)與軌道客流預(yù)測的結(jié)合提供參考。

1基于DBN與BP神經(jīng)網(wǎng)絡(luò)的基地培訓(xùn)系統(tǒng)

1.1 DBN與BP神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)在機(jī)器學(xué)習(xí)中屬于一個(gè)全新的領(lǐng)域，由于深度學(xué)習(xí)算法更加接近實(shí)現(xiàn)人工智能且具有良好的算法優(yōu)越性而受到人們的廣泛關(guān)注。深度學(xué)習(xí)不僅僅教機(jī)器模仿人類的動(dòng)作行為，更多的是教機(jī)器學(xué)會像人類一樣去思考，使機(jī)器能夠處理復(fù)雜的模式識別問題。近年來，深度學(xué)習(xí)在數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、圖像識別、模型優(yōu)化等方面都發(fā)揮著重要作用。

特征學(xué)習(xí)和深度學(xué)習(xí)交叉形成的深度置信網(wǎng)絡(luò)（DBN）是由BP神經(jīng)網(wǎng)絡(luò)與多個(gè)受限玻爾茲曼機(jī)（RBM）共同構(gòu)成的深度神經(jīng)網(wǎng)絡(luò)。玻爾茲曼機(jī)中的神經(jīng)網(wǎng)絡(luò)屬于反饋神經(jīng)可以進(jìn)行隨機(jī)遞歸，且每一層神經(jīng)元之間都是相互連接的，各層之間也處于連接狀態(tài)，而受限玻爾茲曼機(jī)的層內(nèi)神經(jīng)元之間是沒有連接的，如圖1所示。

在BP神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練過程之中，先會輸入樣本，進(jìn)行權(quán)重與閾值的隨機(jī)設(shè)置，加權(quán)求和得到的輸出值會作為下一層的輸入，層層迭代直至到達(dá)最終輸出，這是一個(gè)正向傳遞的過程。在正向傳遞的同時(shí)，模型也會通過最小化函數(shù)的設(shè)定與梯度下降法反復(fù)調(diào)整權(quán)重與閾值，直至實(shí)驗(yàn)誤差在可接受的范圍之內(nèi)，這是一個(gè)反向傳播對實(shí)驗(yàn)結(jié)果進(jìn)行干預(yù)的過程。BP神經(jīng)網(wǎng)絡(luò)圖如圖2所示。

1.2實(shí)訓(xùn)基地培訓(xùn)系統(tǒng)的組成與設(shè)計(jì)

在實(shí)訓(xùn)基地的設(shè)計(jì)與實(shí)現(xiàn)的過程中，由于不同單位在資金、場地、調(diào)研深度等方面有不同的需求，系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)效果會存在較大差異。培訓(xùn)系統(tǒng)的實(shí)現(xiàn)過程需要使用Python語言的tkinter庫進(jìn)行系統(tǒng)設(shè)計(jì)與開發(fā)，tkinter庫是Python語言針對圖形界面開發(fā)專門提供的程序庫，它實(shí)現(xiàn)的系統(tǒng)界面簡潔，具有良好的人機(jī)交互性，通過tkinter庫編寫的軟件可以實(shí)時(shí)、快速地實(shí)現(xiàn)基地培訓(xùn)系統(tǒng)，同時(shí)可以滿足系統(tǒng)對數(shù)據(jù)收集、數(shù)據(jù)分析與整理、模型訓(xùn)練，以及城市軌道交通客流量的預(yù)測需求。構(gòu)建的實(shí)訓(xùn)基地培訓(xùn)系統(tǒng)包括數(shù)據(jù)收集、實(shí)時(shí)數(shù)據(jù)分析處理、模型訓(xùn)練、軌道客流預(yù)測等4個(gè)運(yùn)營管理模塊，如圖3所示：

1.3系統(tǒng)數(shù)據(jù)收集與處理

研究的數(shù)據(jù)集為A市城市軌道交通客流量的真實(shí)數(shù)據(jù)，通過分布式傳感器系統(tǒng)與車輛GPS（Global Positioning System，全球定位系統(tǒng)）收集數(shù)據(jù)，對城市軌道線路多個(gè)點(diǎn)進(jìn)行客流量的監(jiān)測。本次實(shí)驗(yàn)選用數(shù)據(jù)為城市道路交通傳感器從2019年6月1日到2020年6月1日共一年收集到的數(shù)據(jù)，收集到的數(shù)據(jù)文件包含位置信息、時(shí)問信息以及軌道交通客流量。其城市軌道交通道路分布圖如圖4所示：

整理與分析收集到的數(shù)據(jù)信息對未來的軌道交通客流量進(jìn)行預(yù)測，根據(jù)均方根誤差對預(yù)測結(jié)果進(jìn)行評估，均方根誤差（Root Mean Square Error，RMSE）按式（1）計(jì)算：

其中，Y是軌道客流量實(shí)際值，Y是系統(tǒng)模型對軌道客流量的預(yù)測值，N表示的是數(shù)據(jù)的個(gè)數(shù)。

對收集到的數(shù)據(jù)進(jìn)行預(yù)處理，刪除超出范圍的異常值，同時(shí)對缺失的數(shù)據(jù)采用均值替換法填補(bǔ)，均值替換法如公式（2）所示：

1.4模型構(gòu)建與優(yōu)化

數(shù)據(jù)輸入主要包含兩部分信息，分別是離散化數(shù)據(jù)塊和非離散化數(shù)據(jù)塊，模型訓(xùn)練過程的兩個(gè)部分分別是BP網(wǎng)絡(luò)模型的訓(xùn)練與DBN模型的訓(xùn)練，而DBN模型的訓(xùn)練是訓(xùn)練內(nèi)容的核心。

BP網(wǎng)絡(luò)模型主要包括樣本集確定、網(wǎng)絡(luò)模型結(jié)構(gòu)、參數(shù)訓(xùn)練等模塊。其中樣本集采用上文收集到的城市軌道客流量數(shù)據(jù)集，預(yù)處理后得到實(shí)驗(yàn)數(shù)據(jù)集。構(gòu)建網(wǎng)絡(luò)模型需確定神經(jīng)網(wǎng)絡(luò)模型中的數(shù)據(jù)特征，包括輸入層節(jié)點(diǎn)數(shù)量、隱層節(jié)點(diǎn)及數(shù)量，還需選擇適當(dāng)?shù)膫鬟f函數(shù)。在這幾個(gè)參數(shù)中，輸入層節(jié)點(diǎn)數(shù)量與實(shí)驗(yàn)數(shù)據(jù)集緊密相關(guān)，因?yàn)檫^多的輸入層節(jié)點(diǎn)數(shù)量必然會導(dǎo)致模型訓(xùn)練時(shí)問增加，因此選擇合適的參數(shù)就顯得尤為重要。根據(jù)數(shù)據(jù)收集的3個(gè)維度（分別是位置信息、時(shí)間信息與客流量信息）確定輸入層節(jié)點(diǎn)數(shù)量為3。同時(shí)，BP網(wǎng)絡(luò)模型中隱層的數(shù)量也會極大影響預(yù)測的準(zhǔn)確性與訓(xùn)練時(shí)間。增加隱層的數(shù)量雖然可以提高預(yù)測精度，但也極易引起過度擬合、訓(xùn)練時(shí)問過長等問題。選擇大多數(shù)研究所采用的一層隱層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來預(yù)測城市軌道交通客流量。在傳遞函數(shù)的選擇上，Sigmoid函數(shù)作為一種普遍的傳遞函數(shù)被大多數(shù)模型所采用，在對軌道交通客流量進(jìn)行預(yù)測時(shí)也同樣采用Sigmoid函數(shù)。

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)通常會出現(xiàn)梯度擴(kuò)散的現(xiàn)象，而且算法容易趨于局部最優(yōu)值而忽視全局最小值，這些問題使得傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用有很大局限。為此基于BP網(wǎng)絡(luò)模型提出了DBN模型，該模型結(jié)構(gòu)的訓(xùn)練流程有監(jiān)督和無監(jiān)督兩種模式，模型訓(xùn)練過程的第一步是采用無監(jiān)督的方式對DBN模型進(jìn)行訓(xùn)練，第二步是通過BP反向傳播的方式調(diào)整至合適的參數(shù)值，反復(fù)進(jìn)行第二步直至實(shí)驗(yàn)的預(yù)測誤差在允許的范圍內(nèi)，此時(shí)的模型就是最終的DBN預(yù)測模型。

1.5城市軌道客流預(yù)測模塊

城市軌道客流預(yù)測工作對于交通設(shè)施的規(guī)劃、設(shè)計(jì)以及各方面的前期工作來說具有重要的意義，甚至可以說，對城市軌道交通進(jìn)行客流預(yù)測，并對其結(jié)果進(jìn)行分析與整理，能夠?yàn)槌鞘熊壍澜煌ǖ脑O(shè)計(jì)工作以及建設(shè)工作做好充足的準(zhǔn)備工作，所以在構(gòu)建的城市實(shí)訓(xùn)基地培訓(xùn)系統(tǒng)中有必要添加軌道客流預(yù)測板塊，通過以往的數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型以及DBN模型，對兩種模型預(yù)測的城市軌道客流量值進(jìn)行比較分析，基于此構(gòu)建出軌道客流預(yù)測模塊，流程圖如圖5所示：

如圖5所示，數(shù)據(jù)進(jìn)入系統(tǒng)后先進(jìn)行歸一化處理，然后進(jìn)行模型訓(xùn)練，在訓(xùn)練結(jié)束的時(shí)候進(jìn)行軌道客流值的預(yù)測，將預(yù)測值與實(shí)際值進(jìn)行比較驗(yàn)證，當(dāng)預(yù)測值的誤差收斂于可接受的范圍時(shí)輸出模型預(yù)測結(jié)果，否則進(jìn)行模型參數(shù)的調(diào)整，重新優(yōu)化預(yù)測模型，直至得到符合要求的模型。

2結(jié)果和討論

2.1 BP神經(jīng)元隱藏層節(jié)點(diǎn)個(gè)數(shù)

通過實(shí)驗(yàn)得到神經(jīng)元個(gè)數(shù)與均方根誤差之間的關(guān)系如圖6所示：

根據(jù)圖6可以看出預(yù)測模型均方根誤差最小時(shí)，神經(jīng)元個(gè)數(shù)為8。在隱藏層節(jié)點(diǎn)數(shù)目也為8時(shí)測量節(jié)點(diǎn)10與節(jié)點(diǎn)12的軌道客運(yùn)量誤差值為0.03467與0.01544，經(jīng)過驗(yàn)證模型最適宜的神經(jīng)元個(gè)數(shù)為8，減去必要的輸入輸出節(jié)點(diǎn)數(shù)目，最佳隱藏層節(jié)點(diǎn)數(shù)目為6。

2.2網(wǎng)絡(luò)參數(shù)設(shè)置結(jié)果

訓(xùn)練集對網(wǎng)絡(luò)參數(shù)進(jìn)行設(shè)置與訓(xùn)練后，使用預(yù)測集進(jìn)行預(yù)測，其中控制輸入節(jié)點(diǎn)數(shù)為4，隱藏層節(jié)點(diǎn)數(shù)為6，反復(fù)進(jìn)行迭代所產(chǎn)生的均方根誤差結(jié)果如圖7所示。

通過圖7中的實(shí)驗(yàn)數(shù)據(jù)可知，模型迭代次數(shù)過少時(shí)實(shí)驗(yàn)誤差值較大，當(dāng)?shù)螖?shù)增多時(shí)均方根誤差整體趨于平穩(wěn)，其中模型訓(xùn)練集迭代次數(shù)在300～1000次之間時(shí)，實(shí)驗(yàn)誤差大約在0.02478～0.02798之間趨于平穩(wěn)，迭代次數(shù)在300次左右誤差最小約為0.02478，且大于300后，誤差還會稍微有所增加，因此，對于BP網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)取值為300。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型與DBN模型結(jié)果分析比較

為了充分說明基于BP網(wǎng)絡(luò)和DBN網(wǎng)絡(luò)的預(yù)測結(jié)果，使用上述實(shí)驗(yàn)數(shù)據(jù)進(jìn)行更為準(zhǔn)確的軌道客流預(yù)測，將預(yù)測結(jié)果與實(shí)際客流進(jìn)行比較分析，結(jié)果如圖8所示。從圖8中可以看出DBN模型預(yù)測的城市軌道客流量曲線相比BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值擬合度更高，更加接近軌道客流實(shí)際值。

2.4培訓(xùn)系統(tǒng)中預(yù)測模型整體評價(jià)

相比BP網(wǎng)絡(luò)預(yù)測模型，DBN預(yù)測模型的穩(wěn)定性更高，選取5個(gè)數(shù)據(jù)節(jié)點(diǎn)，采用均方根誤差進(jìn)行衡量以進(jìn)一步驗(yàn)證DBN模型的準(zhǔn)確性及穩(wěn)定性，誤差結(jié)果如圖9所示：

從圖9中可以看出，DBN預(yù)測模型相比BP神經(jīng)網(wǎng)絡(luò)模型平均均方根誤差大約減少了0.01475，平均處理每個(gè)批次任務(wù)時(shí)間約為3.5 s，可知在相同數(shù)據(jù)集下，DBN模型比BP神經(jīng)網(wǎng)絡(luò)模型的軌道客流量預(yù)測結(jié)果更好。

3結(jié)論

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，傳統(tǒng)的基地培訓(xùn)系統(tǒng)因無法滿足當(dāng)前人們的需求而逐漸被淘汰。主要通過對分布式傳感器收集的數(shù)據(jù)進(jìn)行預(yù)處理，研究了BP網(wǎng)絡(luò)模型的預(yù)測模型，根據(jù)實(shí)驗(yàn)數(shù)據(jù)集分析得出BP神經(jīng)網(wǎng)絡(luò)中隱藏層節(jié)點(diǎn)數(shù)量的最優(yōu)參數(shù)值，預(yù)測軌道客流量。然后在提出的DBN預(yù)測模型中考慮不同隱藏層和隱藏層神經(jīng)元節(jié)點(diǎn)對本次實(shí)驗(yàn)中軌道客流的預(yù)測影響。實(shí)驗(yàn)結(jié)果表明，DBN在客流量預(yù)測方面比BP模型準(zhǔn)確度更高，隱藏層節(jié)點(diǎn)數(shù)目最佳為6，此時(shí)模型對軌道客流的預(yù)測結(jié)果效果最佳。

研究仍有許多不足之處：首先，使用的神經(jīng)網(wǎng)絡(luò)對軌道客流進(jìn)行預(yù)測的方法目前應(yīng)用較少，技術(shù)上并不是很成熟。例如，在深度置信網(wǎng)絡(luò)中，神經(jīng)元隱藏層節(jié)點(diǎn)的數(shù)目就沒有較好的方式來確定，只能通過試驗(yàn)后誤差的分析進(jìn)行參數(shù)的調(diào)整與優(yōu)化。其次，研究城市軌道客流時(shí)為簡化問題方便建模，只選取了部分軌道客流信息，對軌道客流的影響因素只考慮了時(shí)間及位置信息。目前大數(shù)據(jù)技術(shù)在相關(guān)領(lǐng)域應(yīng)用廣泛，在后續(xù)的研究中也可以考慮使用大數(shù)據(jù)等技術(shù)，進(jìn)一步優(yōu)化模型結(jié)構(gòu)與性能。