孫靜怡 蘇友富

（昆明理工大學交通工程學院 昆明 650224）

公交線路是由一系列公交站點組成的，公交車輛的調(diào)度形式取決于公交線路的客流情況.劉翠、張燕青等［1］提出的基于BP神經(jīng)網(wǎng)絡的公交線路站點時段上下客預測模型適合公交車輛實時調(diào)度模型的數(shù)據(jù)準備工作，并且以哈爾濱市八路公交線路為例證明了3層BP神經(jīng)網(wǎng)絡模型在公交站點的上下車人數(shù)預測上具有極高的精度.借鑒神經(jīng)網(wǎng)絡預測未來某一時刻的公交線路客流集散量，在此基礎上開展公交車輛實時調(diào)度模型的研究，利用Matlab中的神經(jīng)網(wǎng)絡工具箱，構建公交車輛的實時調(diào)度模型，在一定程度上解決了智能公交調(diào)度的算法問題，為智能公共交通系統(tǒng)（APTS）的進一步發(fā)展奠定基礎.

1 Matlab的神經(jīng)網(wǎng)絡工具箱

1.1 BP神經(jīng)網(wǎng)絡算法原理

BP（back－propagation，誤差反傳）神經(jīng)網(wǎng)絡算法的主要思想是從后向前（反向）逐層傳輸輸出層誤差，以簡潔計算出隱層誤差.算法分為兩個階段（見圖1）：第一階段（為正向過程），輸入信息從輸入層經(jīng)隱層逐層計算各神經(jīng)元的輸出值；第二階段（為反向傳播階段）從輸出誤差逐層向前計算出隱層各神經(jīng)元的誤差，并用此誤差修正前層權值，使誤差函數(shù)（E）沿負梯度方向下降，達到最小.

圖1 神經(jīng)網(wǎng)絡示意圖

輸入節(jié)點xj和隱節(jié)點間的網(wǎng)絡權值為ωij，隱節(jié)點yi與輸出節(jié)點Ol間的連接權值為Tli，當期望輸出為tl時，BP模型的計算公式如下.

1.1.1 輸出節(jié)點的輸出Ol計算公式

1）輸出節(jié)點的輸入，xj.

2）隱節(jié)點的輸出

3）輸出節(jié)點的計算輸出

1.1.2 輸出層（隱節(jié)點到輸出節(jié)點間）的修正公式

1）輸出節(jié)點的期望輸出為tl.

2）誤差控制 單元k的誤差為

則輸出端的總的平方誤差函數(shù)為

3）誤差公式

4）權值修正

式中：k為迭代次數(shù).

5）閥值修正

1.1.3 隱節(jié)點（輸入節(jié)點到隱節(jié)點）的修正

1）誤差公式

2）權值修正

3）閥值修正

2 確定車輛調(diào)度形式

在公交車輛調(diào)度中，一組信息輸入對應一種發(fā)車形式，需要解決模式識別的問題.神經(jīng)網(wǎng)絡在模式識別問題中的應用，可以有效解決該問題.

2.1 常用車輛調(diào)度形式

在公交車輛調(diào)度中，常用車輛調(diào)度形式見表1.

表1 常用車輛調(diào)度形式

2.2 車輛調(diào)度形式的計算方法

2.2.1 區(qū)間車調(diào)度形式的確定［2－3］區(qū)間車的調(diào)度形式可通過計算路段（斷面）客流量差或路段不均系數(shù)的方法確定區(qū)間車調(diào)度形式.

路段不均勻系數(shù)Ks，指統(tǒng)計時間內(nèi)營運線路某路段客流量與平均路段客流量之比，即

當Ksi＞Ks0（一般取值為1.2～1.5），或≥（2～4）q0時應采取開辟區(qū)間車的調(diào)度措施改善運輸服務工作.這里：q0為計劃車容量，可按下式確定

式中：q0為車輛額定載客量；r0為車輛滿載率定額.

2.2.2 大站快車調(diào)度形式的確定 大站快車的調(diào)度形式開設可通過計算站點客流集散量不均勻系數(shù)或方向不均勻系數(shù)確定快車調(diào)度形式.

站點集散量不均勻系數(shù)Kcj，指統(tǒng)計時間內(nèi)公交營運線路第j停車站乘客集散量與沿線各停車站平均乘客集散量之比，即

式中：Qcj為統(tǒng)計時間內(nèi)第j停車站乘客集散量；為統(tǒng)計時間內(nèi)沿線各停車站平均乘客集散量.

對于Kcj≥（一般取1.4～2.0）的停車站，可考慮開車大站快車，以緩和乘車擁擠，提高運輸效率.

方向不均勻系數(shù)，指統(tǒng)計時間內(nèi)某線路高單向客流量與平均單向客流量之比.即

式中：Qa為高單向客運量，即統(tǒng)計時間線路最大單向客流量；為統(tǒng)計時間內(nèi)線路平均單向客流量.

當Ka≥（一般取1.2～1.4），可以開設大站快車等.

當Kti＜（一般取1.8～2.2）為客流平峰小時，當Kti＜1.0時也稱客流低峰小時.當Kti≥，稱為客流高峰小時，可以根據(jù)要求增加公交車輛投入運營.

2.3 計算結(jié)果

計算選取了實測數(shù)據(jù).在2008年10月30日對昆明市北京路公交專用道系統(tǒng)運營的K1和23 2條線路在早高峰時段（07：00～10：00）和晚高峰時段（17：00～20：00）進行了跟車調(diào)查，其中早高峰調(diào)查58車次，晚高峰調(diào)查60車次，選取此次調(diào)查早高峰期間各站點上下客量的作為原始數(shù)據(jù)，進行了路段不均勻系數(shù)和站點集散量不均勻系數(shù)的計算，數(shù)據(jù)表略.

由北京路路段不均勻系數(shù)表可知，在由北向南方向路段i為7，8，9，10，11，12六個路段上，路段不均勻系數(shù)Ksi＞Ks0，結(jié)合車隊現(xiàn)狀、路段長度和路段環(huán)境分析，為改善高峰時期的公交運輸服務質(zhì)量，需要開設區(qū)間車.區(qū)間車起止點考慮選擇在金星汽車廣場和交三橋，但考慮到交三橋附近處于城市中心，用地開發(fā)較為密集，不宜設置區(qū)間車終點站，而昆明站的客流也比較大，可將區(qū)間車終點站順延至北京路，即起止點分別設在金星汽車廣場和昆明站.

采用前文提及的公交線路站點乘客集散量不均勻系數(shù)Kcj確定方法，?。?.4，由表4可知，在站點i＝6，14，15，18四個站點，站點不均勻系數(shù)Kcj＞，結(jié)合車隊情況，考慮開設快車，且起點調(diào)整至i為1的公交北市區(qū)車場統(tǒng)一調(diào)配，即大站快車途徑站點為i為1，6，14，15，18.

3 BP神經(jīng)網(wǎng)絡在車輛調(diào)度中應用

3.1 系統(tǒng)輸入變量

公交車輛實時調(diào)度BP神經(jīng)網(wǎng)絡模型中輸入量重要的是各站點客流集散量信息.實際應用過程中，客流信息可以來源于基于歷史數(shù)據(jù)的預測，比較常用的客流預測方法主要有回歸分析方法、時間序列預測方法、神經(jīng)網(wǎng)絡分析法［4－5］等，前兩種不太適用于公交車輛的實時過程分析，神經(jīng)網(wǎng)絡分析法則可較好的應用于各站點檢測裝置或?qū)崟r統(tǒng)計獲得的客流信息分析.將一天內(nèi)不同時段客流情況大致分為平峰和早晚高峰幾個時段來考慮交叉口延誤和車輛滿載率情況，結(jié)合前文提出的公交線路調(diào)度形式的計算方法確定線路相應待選的調(diào)度形式.

3.2 系統(tǒng)輸入和輸出的對應關系

要確定某時刻公交線路客流集散量（即一種輸入模式下）對應的發(fā)車形式（即輸出模式），根據(jù)前述全程車、區(qū)間車和大站快車等調(diào)度形式的計算方法，由一種輸入客流數(shù)據(jù)就可以計算出一種相應的調(diào)度形式［6］.應用訓練好的BP神經(jīng)網(wǎng)路在輸入客流數(shù)據(jù)狀態(tài)下輸出的是不同調(diào)度形式的相應權重.

3.3 基本步驟

1）通過跟車調(diào)查采集原始站點上車人數(shù)和下車人數(shù)，計算客流集散量和各種站點不均勻系數(shù)，確定相應的調(diào)度形式，構成BP神經(jīng)網(wǎng)絡的訓練集.

2）利用良好的Matlab神經(jīng)網(wǎng)絡設計GUI界面，設置BP神經(jīng)網(wǎng)絡參數(shù)，并對其進行訓練.

3）依據(jù)已有的客流預測理論，實時更新公交線路客流集散，并對下一時刻的不同站點客流集散量做出預測.

4）將3）中的到得客流集散量作為輸入量代入2）中已經(jīng)訓練好的網(wǎng)絡中去，BP神經(jīng)網(wǎng)絡技能在短時間內(nèi)自動給出一種最合適的調(diào)度形式，從而實現(xiàn)對公交車輛的實時調(diào)度.

3.4 實例研究

根據(jù)前述調(diào)查早高峰期間各站點上下客量作為原始數(shù)據(jù)，建立了昆明市K1，23路的車輛調(diào)度神經(jīng)網(wǎng)絡模型，如圖2所示.建立好的網(wǎng)絡代入訓練集后訓練誤差收斂曲線（見圖3）光滑，收斂良好，在此訓練好的網(wǎng)絡下進一步帶入實測數(shù)據(jù)的到的3種調(diào)度方式的權重分別如表2所列.

圖2 K1，23路公交車輛調(diào)度神經(jīng)網(wǎng)絡結(jié)構

根據(jù)以上權重值可以很快確定下一趟公交車輛的調(diào)度形式，驗證了神經(jīng)網(wǎng)絡方式在公交車輛實時調(diào)度過程中的良好應用.實際應用的過程中可以結(jié)合現(xiàn)有的公交電子站牌，提前將發(fā)車的時間、發(fā)車的形式、途徑站點等信息告知線路上各站點乘客，方便居民出行.

表2 BP神經(jīng)網(wǎng)絡實測結(jié)果

圖3 訓練誤差收斂曲線

4 結(jié)束語

本文提出的公交車輛調(diào)度的神經(jīng)網(wǎng)絡模型，主要考慮公交線路客流集散量為輸入變量，而實際影響公交調(diào)度形式的因素還有很多，如公交車輛的型號、天氣情況、公交線路運營時間等，因此有必要在今后的研究中進一步增加輸入層的節(jié)點數(shù).

公交車輛的調(diào)度形式的確定是在已訓練好的神經(jīng)網(wǎng)絡的基礎上，而BP神經(jīng)網(wǎng)絡剛開始建立需要人工干預設置參數(shù)，調(diào)整輸入和輸出，給實際應用帶來一些不便.同時訓練樣本的輸入和輸出的準確性也很關鍵，文中調(diào)度計算方法只確定了幾中常見的調(diào)度形式，包括全程車、區(qū)間車、大站快車等，形式還不夠全面，需要進一步的細化.

［1］劉 翠，張艷青，陳洪仁.基于BP神經(jīng)網(wǎng)絡的公交線路站點時段上下車人數(shù)預測模型［J］.交通標準化，2008（5）：186－189.

［2］徐遠芳，周 旸，鄭 華.基于MATLAB的BP神經(jīng)網(wǎng)絡實現(xiàn)研究［J］.微型電腦應用，2006（22）：41－44.

［3］楊兆升.城市職能公共交通系統(tǒng)理論與方法［M］.北京：中國鐵道出版社，2004.

［4］白厚義.回歸設計及多元統(tǒng)計分析［M］.南寧：廣西科學技術出版社，2003.

［5］何書元，應用時間序列分析［M］.北京：北京大學出版社，2007.

［6］陳 鵬.基于BP神經(jīng)網(wǎng)絡的公交智能實時調(diào)度模型研究及系統(tǒng)實現(xiàn)［D］.北京：北京交通大學交通運輸學院，2008.