基于交通指數(shù)預(yù)測(cè)的公交發(fā)車頻率優(yōu)化方法研究

吳爍 肖煜 祁東曜 何一鳴

摘要：隨著城市經(jīng)濟(jì)發(fā)展，城市出行人口數(shù)量急劇上升，交通擁堵現(xiàn)象日益嚴(yán)重。由于公眾對(duì)城市公共交通認(rèn)識(shí)不足，公共交通使用率較低，無法達(dá)到緩解交通擁堵的目的。因此，科學(xué)地引導(dǎo)人們選擇公交出行對(duì)提高城市道路資源利用率、解決城市交通擁堵等意義重大?；谏鲜鰡栴}，提出基于道路交通擁堵指數(shù)預(yù)測(cè)的公交發(fā)車頻率優(yōu)化的改進(jìn)方法。將武漢市34路公交車的運(yùn)營線路作為研究對(duì)象，通過百度地圖后臺(tái)獲取數(shù)據(jù)，將數(shù)據(jù)因素分類，并進(jìn)行數(shù)據(jù)集預(yù)處理，發(fā)現(xiàn)存在多維度因素對(duì)交通指數(shù)產(chǎn)生影響。根據(jù)這一特性，使用神經(jīng)網(wǎng)絡(luò)構(gòu)造預(yù)測(cè)模型，該模型能有效預(yù)測(cè)出未來某時(shí)刻交通擁堵指數(shù)，通過交通指數(shù)預(yù)測(cè)值，修正公交發(fā)車時(shí)刻表、優(yōu)化公交發(fā)車頻率，引導(dǎo)私家車通勤者向公交轉(zhuǎn)移，倡導(dǎo)公眾選擇便捷快速的公交出行，進(jìn)而很大程度上緩解交通擁堵的問題。

關(guān)鍵詞：交通擁堵指數(shù)預(yù)測(cè)；多影響因素集；神經(jīng)網(wǎng)絡(luò)模型；公交時(shí)刻表優(yōu)化

中圖分類號(hào)：TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）27-0036-04

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

1 引言

公交出行是一種便捷快速的共享出行方式，具有載客量大、綠色環(huán)保等優(yōu)點(diǎn)。然而，公交出行存在發(fā)車時(shí)間不確定性及實(shí)時(shí)交通擁堵量無法預(yù)測(cè)的問題，行程時(shí)間較長(zhǎng)出行體驗(yàn)較差也亟待解決。因此，積極探索公交車發(fā)車頻率和實(shí)時(shí)交通擁堵指數(shù)間的規(guī)律、滿足出行者少用時(shí)少擁堵需求，是有效提高路網(wǎng)通行效率和安全性、創(chuàng)造良好共享出行環(huán)境的關(guān)鍵所在。

交通擁堵指數(shù)是綜合反映地面道路網(wǎng)暢通或擁堵的概念性數(shù)值[1]，國內(nèi)外諸多學(xué)者均有研究。Chin等運(yùn)用神經(jīng)元網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，在必然程度上擺脫了建立精確數(shù)學(xué)模型的困擾[2]；賀國光等[3]提出基于多分辨率小波分解與重構(gòu)方法來預(yù)測(cè)。而針對(duì)公交時(shí)刻表研究現(xiàn)狀，F(xiàn)urth和Wilson[4]通過社會(huì)效益最大化的優(yōu)化目標(biāo)對(duì)發(fā)車間隔和頻率及發(fā)車時(shí)刻表進(jìn)行了研究；劉歡[5]用時(shí)間控制站點(diǎn)策略對(duì)中途站的行車時(shí)刻表進(jìn)行編制。然而，上述方法仍存在一些局限性，正如李香云[6]在文獻(xiàn)中所說“交通擁堵因素的影響，本身就增加了公交車到站時(shí)間的不確定性”，上述研究獲得了較好的預(yù)測(cè)效果，但真正從交通擁堵指數(shù)預(yù)測(cè)來優(yōu)化公交發(fā)車頻率的研究較少。

2 模型介紹

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

為保證交通擁堵指數(shù)預(yù)測(cè)的準(zhǔn)確性與可靠性，筆者引用具有強(qiáng)大信息處理能力的BP神經(jīng)網(wǎng)絡(luò)模型，其是一種前饋神經(jīng)網(wǎng)絡(luò)，特點(diǎn)在于：信號(hào)向前傳遞，而誤差是反向傳遞的，如圖1所示。

圖中，[x1～xm]表示神經(jīng)網(wǎng)絡(luò)的輸入變量；隱含層兩端[wij、wki]表示各節(jié)點(diǎn)間的連接權(quán)值，如[wij]表示輸入層第j個(gè)節(jié)點(diǎn)和隱含層第i個(gè)節(jié)點(diǎn)之間的連接權(quán)值；隱含層某一層內(nèi)[φi～φq]表示隱含層節(jié)點(diǎn)的閾值；輸出層內(nèi)[ak～al]表示輸出層各節(jié)點(diǎn)間的閾值；[O1～Ol]表示神經(jīng)網(wǎng)絡(luò)的輸出變量。

2.2 歷史數(shù)據(jù)獲取、預(yù)處理與分析

通過百度地圖開發(fā)者權(quán)限獲取后臺(tái)數(shù)據(jù)，選取符合本文研究線路的數(shù)據(jù)作為原始數(shù)據(jù)，以五分鐘為周期實(shí)時(shí)記錄2021年4月01日至4月21日三周時(shí)間，武漢市34路公交車從始發(fā)站麗水南路東瀾岸到終點(diǎn)站友誼大道沙湖沿線的交通擁堵指數(shù)及實(shí)時(shí)車速等信息，本文基于此進(jìn)行研究探討。

篩選出地點(diǎn)、時(shí)間、天氣、周次與星期為影響交通擁堵指數(shù)的四個(gè)特征因素。并將上述數(shù)據(jù)進(jìn)行預(yù)處理，合并成適應(yīng)監(jiān)督學(xué)習(xí)的數(shù)字序列數(shù)據(jù)集，取序列中99.9％的數(shù)據(jù)為訓(xùn)練集，隨機(jī)剩余0.1％的數(shù)據(jù)為驗(yàn)證集。

（1）地點(diǎn)因素的處理：將所得數(shù)據(jù)剔除錯(cuò)誤數(shù)據(jù)后，選出符合34路車行車路線的擁堵點(diǎn)并參考下圖實(shí)際考察情況，用1-3表示出極其擁堵的三段站點(diǎn)，作為研究對(duì)象。

（2）時(shí)間因素的處理：所得數(shù)據(jù)記錄為以5分鐘為間隔連續(xù)三周的交通指數(shù)，結(jié)合34路公交車行駛時(shí)間段選取早上“6小時(shí)05分鐘至晚上21小時(shí)40分鐘”，匯總3個(gè)地點(diǎn)交通擁堵指數(shù)形成數(shù)據(jù)集。

（3）天氣因素的處理：查閱武漢市2021年4月01日-4月21日的歷史天氣預(yù)報(bào)，將天氣分為小雨、多云、中雨、晴天，以1-4的數(shù)值賦值四類天氣。具體信息如表2所示。

（4）周次與星期因素的處理：以周日為每周第一天，查閱日歷得2021年4月1日星期四到4月21日星期三分別為第13～16周。具體信息如表2所示。

根據(jù)所得圖a、b、c可看出：工作日出現(xiàn)早高峰的時(shí)間較非工作日（節(jié)假日）提前，節(jié)假日晚高峰過后返程歸家擁堵情況仍較高，符合日常生活習(xí)慣；不同地點(diǎn)同一天內(nèi)擁堵情況稍有區(qū)別，相比位置偏遠(yuǎn)的白沙洲大道，中山路集武昌火車站、商場(chǎng)、醫(yī)院于一處的地理位置使其在各階段擁堵程度均更大，尤其早晚高峰；天氣對(duì)于交通擁堵影響不算顯著，在一定程度上雨天較之多云擁堵指數(shù)高。

2.3 模型預(yù)測(cè)與實(shí)例驗(yàn)證

整個(gè)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過程為[7]：

（1）首先構(gòu)建區(qū)域交通指數(shù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

（2）隨機(jī)初始化模型中的權(quán)值與偏置，學(xué)習(xí)速率η。

（3）輸入訓(xùn)練數(shù)據(jù)并進(jìn)行預(yù)測(cè)。

（4）計(jì)算BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值的誤差平方和：

（5）根據(jù)誤差和修正ωij、ωjk。

（6）當(dāng)誤差達(dá)到期望值或迭代次數(shù)過大時(shí)停止迭代，當(dāng)前參數(shù)值即為最優(yōu)值。

（7）根據(jù)訓(xùn)練得到的權(quán)值與偏置，計(jì)算預(yù)測(cè)值，并輸出預(yù)測(cè)結(jié)果。

在交通指數(shù)預(yù)測(cè)過程中，日期、星期、時(shí)間、天氣均對(duì)交通指數(shù)變化起關(guān)鍵作用，選取上述4個(gè)參數(shù)作為輸入層向量，輸入層神經(jīng)元個(gè)數(shù)為4；輸出層神經(jīng)元個(gè)數(shù)為1。本文選擇基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)，現(xiàn)利用試湊法確定隱含層節(jié)點(diǎn)數(shù)量。

基于Matlab 2016b的神經(jīng)網(wǎng)絡(luò)工具箱所提供模型，對(duì)交通指數(shù)進(jìn)行預(yù)測(cè)，調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的Neural Net Fitting（神經(jīng)網(wǎng)絡(luò)擬合）App 建立網(wǎng)絡(luò)，最大迭代次數(shù)為5000，最大迭代誤差設(shè)置為0.001。初始權(quán)值和閾值隨機(jī)，對(duì)比迭代結(jié)束時(shí)算法的均方誤差、回歸系數(shù)，采用逐步增長(zhǎng)法確定隱含層節(jié)點(diǎn)數(shù)。經(jīng)多次訓(xùn)練測(cè)試，筆者發(fā)現(xiàn)在隱含層為25個(gè)結(jié)點(diǎn)時(shí)，其訓(xùn)練級(jí)和測(cè)試級(jí)較接近，模型擬合度最高，達(dá)到算法回歸系數(shù)最高為0.8957，此模型具有較高的可靠性和準(zhǔn)確性。

為驗(yàn)證預(yù)測(cè)精度，在預(yù)留隨機(jī)驗(yàn)證集中選取第一個(gè)地點(diǎn)的9行數(shù)據(jù)進(jìn)行預(yù)測(cè)分析檢驗(yàn)。

由上可知，預(yù)測(cè)值與實(shí)際值相對(duì)誤差均在8%以內(nèi)，預(yù)測(cè)結(jié)果較好，使用BP神經(jīng)網(wǎng)絡(luò)可以滿足對(duì)多種因素共同影響的區(qū)域交通指數(shù)變化情況靈敏反應(yīng)，準(zhǔn)確預(yù)測(cè)，具有重要的理論意義和現(xiàn)實(shí)意義。

3 公交時(shí)刻表優(yōu)化

公交時(shí)刻表（Timetable）是按照線路當(dāng)前客流量變化的情況，投入使用的車輛數(shù)量以及預(yù)訂服務(wù)水平指標(biāo)等因素確定的線路發(fā)車間隔。常規(guī)的公交運(yùn)行時(shí)刻表根據(jù)規(guī)劃周期內(nèi)的客流總量、采用等長(zhǎng)間隔制定[8]。參考公交調(diào)度中心所采用的人工調(diào)度動(dòng)態(tài)運(yùn)行時(shí)刻表，調(diào)度流程如圖所示：

對(duì)于34路公交車（麗水南路東瀾岸—友誼大道沙湖）通過實(shí)地考察得知此公交的運(yùn)營時(shí)間是6：05～21：40，該公交車以人工調(diào)度為主，結(jié)合乘客需求量與時(shí)間段來協(xié)調(diào)發(fā)車，司機(jī)根據(jù)車內(nèi)顯示屏上所給的時(shí)間來安排發(fā)車與到站時(shí)間，如圖10。

結(jié)合實(shí)際，現(xiàn)有的公交時(shí)刻表大多側(cè)重于以客流量為參考的人工調(diào)度制度，而本文提出公交運(yùn)行動(dòng)態(tài)時(shí)刻表的概念，利用上文道路擁堵指數(shù)預(yù)測(cè)模型所預(yù)測(cè)的道路實(shí)時(shí)信息，修正公交發(fā)車頻率，擁堵指數(shù)大即較擁堵時(shí)采用較小發(fā)車間隔，擁堵指數(shù)相對(duì)較小時(shí)采用較大發(fā)車間隔，從而優(yōu)化公交時(shí)刻表，這樣的動(dòng)態(tài)調(diào)整方法有利于城市公共交通系統(tǒng)對(duì)整個(gè)城市的交通管理，在優(yōu)化城市交通出行結(jié)構(gòu)，解決城市交通擁堵上有較大的優(yōu)勢(shì)。

4 結(jié)論與展望

本文的主要內(nèi)容是基于交通指數(shù)預(yù)測(cè)的公交發(fā)車頻率優(yōu)化方法的研究。綜合使用理論推導(dǎo)、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型等，完成了交通擁堵指數(shù)預(yù)測(cè)的模型確定、相關(guān)數(shù)據(jù)分析等工作，并基于此修正以武漢市34路公交車為例的城市公交時(shí)刻表，得到以下幾點(diǎn)研究成果和結(jié)論：

（1）根據(jù)對(duì)交通指數(shù)歷史數(shù)據(jù)的統(tǒng)計(jì)分析，得出了交通擁堵指數(shù)及擁堵時(shí)車速與地點(diǎn)、周次、星期、時(shí)間、天氣等因素有較大關(guān)聯(lián)，存在著近似多元線性回歸的關(guān)系。

（2）采用Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱，試湊出隱含層節(jié)點(diǎn)數(shù)，不斷加強(qiáng)迭代次數(shù)提升模型精度，從而構(gòu)建出最佳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，利于后續(xù)研究。

（3）使用所得預(yù)測(cè)模型隨機(jī)預(yù)測(cè)交通指數(shù)，并與實(shí)際的交通指數(shù)進(jìn)行比較，從而分析預(yù)測(cè)效果，有效驗(yàn)證了模型的精準(zhǔn)性與可靠性。

（4）根據(jù)預(yù)測(cè)結(jié)果及結(jié)合實(shí)際擁堵情況，對(duì)公交時(shí)刻表進(jìn)行優(yōu)化，對(duì)公交發(fā)車頻率進(jìn)行修正，提出優(yōu)化后的公交發(fā)車頻率，講解其合理性、正確性。

本文對(duì)交通擁堵指數(shù)預(yù)測(cè)方法和公交發(fā)車頻率修正優(yōu)化的研究還不夠全面，故結(jié)合城市快速公交系統(tǒng)（Bus Rapid Transit）、潮汐車道等對(duì)此提出前景展望：在便捷快速上，設(shè)置公共交通專用道路，能否讓公交成為路面地鐵，實(shí)現(xiàn)軌道交通式運(yùn)營服務(wù)是未來考量的重點(diǎn)。在居民出行上，使公交成為擁堵時(shí)最佳出行方式，鼓勵(lì)市民選擇公交出行。在政府調(diào)控上，促使未來公交系統(tǒng)有關(guān)管理部門能提升公交出行體驗(yàn)，將科技與實(shí)際相結(jié)合，智創(chuàng)美好未來。

參考文獻(xiàn)：

[1] 楊大為.基于多目標(biāo)的地下物流系統(tǒng)應(yīng)急資源儲(chǔ)備站選址研究[D].武漢：武漢理工大學(xué)，2019.

[2] 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)的短時(shí)交通流預(yù)測(cè)[J].交通信息與安全，2011，29（1）：16-19，24.

[3] 賀國光，馬壽峰，李宇.基于小波分解與重構(gòu)的時(shí)間序列預(yù)測(cè)法[J].自動(dòng)化學(xué)報(bào)，2002，28（6）：1012-1014.

[4] Furth P G，Wilson N.Setting frequencies on bus routes：theory and practice. Transportation Research board，1981.

[5] 劉歡.公交線路行車時(shí)刻表編制技術(shù)[D].南京：東南大學(xué)，2009.

[6] 李香云，任帥，張衛(wèi)鋼，等.基于高斯過程回歸的公交到站預(yù)測(cè)方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2019，29（10）：21-25.

[7] 馬丹輝.居住區(qū)停車泊位共享意愿與開放規(guī)則研究[D].西安：長(zhǎng)安大學(xué)，2019.

[8] 崔文.基于短時(shí)客流預(yù)測(cè)的公交區(qū)域調(diào)度優(yōu)化研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2015.

【通聯(lián)編輯：王力】