王 棟

(西安航空學(xué)院 車輛工程學(xué)院，陜西 西安 710077)

基于BP神經(jīng)網(wǎng)絡(luò)的公路客運量預(yù)測方法

王 棟

(西安航空學(xué)院 車輛工程學(xué)院，陜西 西安 710077)

公路客運量是交通科學(xué)管理的基礎(chǔ)性數(shù)據(jù)資料，能夠反映出公路運輸產(chǎn)出成果，對提高公路交通管理層次及建立暢通、高效的公路交通系統(tǒng)，具有重要意義。為提高公路客運量的預(yù)測精度，選擇與公路客運量相關(guān)的主要社會指標(biāo)(包括公路客運量、汽車保有量、國民總收入、人均GDP、人口總量、城鎮(zhèn)居民人均可支配收入、社會消費品零售總額和城市化率)，運用灰色關(guān)聯(lián)分析法進行計算分析，最終確定公路客運量影響因子為汽車保有量、人均GDP、人口總量和城市化率。將所確定的因子作為公路客運量的預(yù)測指標(biāo)，建立基于BP神經(jīng)網(wǎng)絡(luò)的公路客運量預(yù)測模型，并對模型進行了應(yīng)用測試。結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)模型具有較高的精度，最小相對誤差為1.1%，平均相對誤差為2.78%。

灰色關(guān)聯(lián)分析；BP神經(jīng)網(wǎng)絡(luò)；公路客運量；預(yù)測

0 引 言

2013年國內(nèi)汽車產(chǎn)銷量均突破2 000萬輛，增速已連續(xù)五年蟬聯(lián)全球第一。機動車保有量飛速增長，但隨著城市化進程的迅速發(fā)展，道路基礎(chǔ)設(shè)施建設(shè)的滯后，道路交通阻塞的問題日益嚴重。公路客運量是交通科學(xué)管理的基礎(chǔ)性數(shù)據(jù)資料，能夠反映出公路運輸產(chǎn)出成果，對提高公路交通管理層次及建立暢通、高效的公路交通系統(tǒng)，具有重要意義[1-3]。能夠科學(xué)準(zhǔn)確地預(yù)測公路客運量，掌握公路客運量發(fā)展的趨勢、特點、規(guī)律和數(shù)量，可以很好地為制定公路網(wǎng)發(fā)展規(guī)劃、交通發(fā)展戰(zhàn)略、行業(yè)管理和決策等做先期準(zhǔn)備[4-6]。

國內(nèi)外對公路客運量的預(yù)測方法進行了大量研究。Garrido等建立了多項概率模型并用蒙特卡洛方法對其計算精度進行評價[7]；Godfrey等使用指數(shù)平滑法進行預(yù)測分析[8]；Suyani等利用系統(tǒng)動力學(xué)構(gòu)建模型進行預(yù)測分析[9]。李明偉等提出了混沌加速遺傳算法建立了客運量預(yù)測模型[10]；陳鵬等運用灰色G(11)方法建立了客運量預(yù)測模型并用馬爾可夫方法對預(yù)測值進行修正[11]；彭輝等利用構(gòu)造的OD模型預(yù)測未來年OD分布法構(gòu)造通道OD的基本原理進行了分段公路客運量的推斷[12]。

針對公路客運量的預(yù)測，主要采用的預(yù)測方法有彈性系數(shù)法、回歸分析法、灰色預(yù)測法、支持向量機、灰色馬爾可夫預(yù)測法、時間序列法等。其中時間序列法以時間為自變量，依據(jù)客運量的歷史數(shù)據(jù)構(gòu)建模型，但模型較為簡單，無法表征不同因素的內(nèi)在聯(lián)系，此外也不能研究分析多個因子的關(guān)聯(lián)性。而回歸分析法在構(gòu)建模型的過程中，會預(yù)設(shè)一些假定條件，因此預(yù)測的精度較差。因為重點考慮單個因素，所以灰色預(yù)測法與彈性系數(shù)法都無法整體把握客運量的變化。文中從定性的角度出發(fā)分析公路客運量相關(guān)的社會指標(biāo)，采用灰色關(guān)聯(lián)分析法計算客運量與相關(guān)的指標(biāo)定量間的關(guān)聯(lián)度，找出影響公路客運量的因素。運用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型，并對其預(yù)測精度進行了分析測試。

1 基于灰色關(guān)聯(lián)分析法的公路客運量影響因子的確定

影響公路客運量的因素有很多，在構(gòu)建客運量預(yù)測模型時，要充分考慮到各個可能的因素，模型的因素指標(biāo)越多，那么最后的預(yù)測精度越高。而在運用過程中，如果輸入的因素指標(biāo)過多，會導(dǎo)致模型過于復(fù)雜，一方面會增大計算負擔(dān)，另一方面無法有效解決實際問題。此外，不同的指標(biāo)之間存在一定的相關(guān)性，指標(biāo)過多會使計算變得困難。所以，構(gòu)建模型時盡量減少輸入因素指標(biāo)的個數(shù)，同時要保證不同因素指標(biāo)之間有較好的獨立性。

綜合參考國內(nèi)外的研究現(xiàn)狀，根據(jù)實際需求，選取了以下相關(guān)因素指標(biāo)：城鎮(zhèn)居民人均可支配收入、國民總收入、人均GDP、汽車保有量、人口總量、社會消費品零售總額和城市化率。查閱《中國統(tǒng)計年鑒》獲取1994-2001年公路客運量以及相關(guān)因素的統(tǒng)計數(shù)據(jù)，見表1。

表1 統(tǒng)計數(shù)據(jù)

文中采用灰色關(guān)聯(lián)分析法對公路客運量以及相關(guān)因素指標(biāo)進行關(guān)聯(lián)分析，找出指標(biāo)中與客運量有較強關(guān)聯(lián)度的指標(biāo)，具體計算步驟如下：

(1)將原始數(shù)據(jù)展開進行無量綱化處理，令

(1)

(2)

其中，Y表示公路客運量量綱為1的參考序列；yi表示第i組公路客運量實際值；Pj表示第j個因素量綱為1的比較序列；xji表示第j個因素在第i組的值，1≤i≤n，1≤j≤7，其中i和j均為正整數(shù)。

(2)計算參考序列與比較序列之間的差值

(3)

其中，Δji表示Yi與Pji之差的絕對值；Yi表示參考序列中的第i組值；Pji表示比較序列中第j個因素在第i組的值。

(3)計算關(guān)聯(lián)系數(shù)。

(4)

其中，ρ表示分辨系數(shù)(取值為0.5)；εji表示第j個因子在第i組的值與第i組公路客運量的關(guān)聯(lián)系數(shù)；Δmin和Δmax分別表示取值中的最小值與最大值。

(4)計算灰色關(guān)聯(lián)度。

(5)

其中，εj表示第j個因子與公路客運量y之間的灰色關(guān)聯(lián)度。

運用灰色關(guān)聯(lián)度計算客運量與不同因子指標(biāo)之間的關(guān)聯(lián)度，結(jié)果如表2所示。

表2 關(guān)聯(lián)度計算

如表2所示，與公路客運量有較強關(guān)聯(lián)性的指標(biāo)有人均GDP、城市化率、汽車保有量以及人口總量。這4個指標(biāo)與客運量的關(guān)聯(lián)度均大于0.80，因此采用它們作為預(yù)測模型的最終預(yù)測指標(biāo)。

2 基于BP神經(jīng)網(wǎng)絡(luò)公路客運量預(yù)測模型的建立

2.1 BP神經(jīng)網(wǎng)絡(luò)的原理

神經(jīng)網(wǎng)絡(luò)是模仿高級神經(jīng)網(wǎng)絡(luò)和功能構(gòu)建起來的一種前饋型信息處理系統(tǒng)，含有輸入層、隱含層以及輸出層。其中，BP神經(jīng)網(wǎng)絡(luò)是運用非線性可微分函數(shù)展開權(quán)值訓(xùn)練的一種高級神經(jīng)網(wǎng)絡(luò)，分為多層，可以采用輸出層的誤差反饋估計直接前導(dǎo)層誤差，進而能計算出前一層可能的誤差[13-14]。

根據(jù)研究結(jié)果，BP神經(jīng)網(wǎng)絡(luò)可以按照給定的精度要求逼近任意指定函數(shù)[15-16]。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

文中分4步構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型：

(1)將模型輸入層設(shè)為：

Xk=(x1,x2,…,xn)

(6)

其中，x1為公路客運量第1相關(guān)預(yù)測指標(biāo)；x2為第2相關(guān)預(yù)測指標(biāo)；xn為第n相關(guān)預(yù)測指標(biāo)。

(2)將模型輸入層對應(yīng)的輸出層設(shè)為：

Y=y

(7)

(3)隱含層各個單元的輸入為：

(8)

其中，wij為輸入層至隱層的連接權(quán)重；θj為隱層單元的閾值；p為隱層單元的個數(shù)。

模型轉(zhuǎn)移函數(shù)為sigmoid函數(shù)：f(x)=1/(1+e-x)。則隱含層單元的輸出為：

(9)

(4)輸出層單元的輸入為：

(10)

輸出層單元的輸出為：

(11)

其中，γt表示輸出層單元閾值；vjt表示隱層到輸出層的連接權(quán)重。

步驟(1)到(4)為模型的正向計算傳播。而在誤差反向傳播過程中，則要訓(xùn)練設(shè)置好的BP神經(jīng)網(wǎng)絡(luò)，通過調(diào)整閾值γt以及連接權(quán)重wij、vjt不斷縮小誤差至要求精度范圍。其中式(11)為最終構(gòu)建的客運量預(yù)測模型。

2.3 模型的設(shè)計及調(diào)試

隨機抽取13組數(shù)據(jù)作為樣本展開模型訓(xùn)練(1994年-2000年和2006年-2011年)，在模型訓(xùn)練之前，先對選取的數(shù)據(jù)進行歸一化處理。

將模型設(shè)計為三層，經(jīng)反復(fù)多次的調(diào)試訓(xùn)練，最終將隱含層的神經(jīng)元個數(shù)設(shè)置為9。采用的隱含層傳遞函數(shù)為logsig；輸出層傳遞函數(shù)選擇為tansig；trainlm代表模型的訓(xùn)練函數(shù)；取learndm為學(xué)習(xí)函數(shù)；mse則代表網(wǎng)絡(luò)性能函數(shù)。其他參數(shù)的設(shè)定如表3所示。

表3 訓(xùn)練參數(shù)的選擇

通過8次訓(xùn)練，模型的誤差達到了預(yù)期范圍，最終mse=0.000 976 817。此外，模型能保持較高的收斂速度。

模型的訓(xùn)練收斂曲線圖與誤差曲線圖分別如圖1、圖2所示。

圖2表明，文中預(yù)測模型能較好地控制誤差，誤差始終控制在0.08以內(nèi)。

圖1 收斂曲線

圖2 誤差曲線

3 模型的測試

選取訓(xùn)練樣本外的剩余5組數(shù)據(jù)(2001年-2005年)進行測試，用以測試模型應(yīng)用的誤差范圍，結(jié)果如表4所示。

表4 實際值與預(yù)測值對比

根據(jù)表4，可以計算出基于BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的預(yù)測模型的平均相對誤差為2.78%，最小值為1.1%，模型的誤差較小，能較好地應(yīng)用于實際。

4 結(jié)束語

采用了灰色關(guān)聯(lián)分析法分析了人均GDP等8個相關(guān)的社會指標(biāo)與公路客運量之間的關(guān)聯(lián)性，而通過相關(guān)性計算，確定關(guān)聯(lián)性較強的指標(biāo)有人口總量、城市化率、汽車保有量及人均GDP。采用相關(guān)性較強的4個社會指標(biāo)作為預(yù)測模型的輸入變量，基于BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建了預(yù)測模型。通過訓(xùn)練測試，結(jié)果表明模型誤差較小，能較好地應(yīng)用于實際。由于該模型在訓(xùn)練時數(shù)據(jù)樣本較少，因此在計算時仍然存在一定的相對誤差，如果增加數(shù)據(jù)樣本，則可以進一步提高預(yù)測模型的預(yù)測精度。

[1] 耿 睿,崔德光,徐 冰.應(yīng)用支持向量機的空中交通流量組合預(yù)測模型[J].清華大學(xué)學(xué)報:自然科學(xué)版,2008,48(7):1205-1208.

[2] 孫 煦,陸化普,吳 娟.基于蟻群優(yōu)化支持向量機模型的公路客運量預(yù)測[J].合肥工業(yè)大學(xué)學(xué)報:自然科學(xué)版,2012,35(1):124-129.

[3] 芮海田,吳群琪,袁華智,等.基于指數(shù)平滑法和馬爾科夫模型的公路客運量預(yù)測方法[J].交通運輸工程學(xué)報,2013,13(4):87-93.

[4] 劉 芹,張文峰,吳卓葵,等.基于最小二乘支持向量機的城市客運量預(yù)測模型[J].交通與計算機,2007,25(5):50-53.

[5] 李季濤,楊俊鋒.基于徑向基神經(jīng)網(wǎng)絡(luò)的大連站客運量預(yù)測[J].大連交通大學(xué)學(xué)報,2007,28(1):32-34.

[6] 高王翠,單 飛,楊宇翔.基于SPSS主成分分析法在公路客運量預(yù)測中的應(yīng)用[J].山東交通科技,2011(2):7-10.

[7] Garrido R A,Mahmassni H S.Forecasting freight transportation demand with the space-time multinomial probit model[J].Transportation Research Part B:Methodological,2000,34(5):403-418.

[8] Godfrey G A,Powell W B.An adaptive dynamic programming algorithm for dynamic fleet management,Ⅱ:multiperiod travel times[J].Transportation Science,2002,36(1):40-54.

[9] Suyani E,Chou S Y,Chen C H.Air passenger demand forecasting and passenger terminal capacity expansion:a system dynamics framework[J].Expert Systems with Applications,2010,37(3):2324-2339.

[10] 李明偉,康海貴,周鵬飛.基于NCAGA-投影尋蹤混合優(yōu)化城市客運量預(yù)測[J].系統(tǒng)工程理論與實踐,2012,32(4):903-910.

[11] 陳 鵬,孫全欣.基于灰色馬爾柯夫過程的鐵路客運量預(yù)測方法研究[J].鐵道運輸與經(jīng)濟,2005,27(4):65-67.

[12] 彭 輝,魏金麗,陳寬民.運輸通道公路旅客中長距離OD模型構(gòu)造及分段客運量預(yù)測[J].中國公路學(xué)報,2006,19(2):101-105.

[13] 王 棟.山區(qū)高速公路車輛行駛狀態(tài)監(jiān)測及預(yù)警方法研究[D].西安:長安大學(xué),2013.

[14] 王 棟,鄧北川,仇建華,等.山區(qū)高速公路直線段車速預(yù)測方法[J].交通科學(xué)與工程,2014,30(3):81-86.

[15] Freitas P S A,Rodrigues A J L.Model combination in neural-based forecasting[J].European Journal of Operational Research,2006,173(3):801-814.

[16] 王 棟.基于神經(jīng)網(wǎng)絡(luò)算法的公路貨運量預(yù)測方法[J].北華大學(xué)學(xué)報:自然科學(xué)版,2014,15(3):417-420.

Prediction Method of Highway Passenger Transportation Volume Based on BP Neural Network

WANG Dong

(Vehicle Engineering Institute,Xi’an Aeronautical University,Xi’an 710077，China)

Highway passenger transportation volume is basic data of traffic scientific management and can reflect the results of highway transportation,which is of great significance to improve the road traffic management level and establish a smooth and efficient highway traffic system.In order to improve the forecasting accuracy of highway passenger transportation,the gray correlation method is used to compute and analyze.The main predictors are car ownership,per capita GDP,total population number and urbanization.The prediction model of highway passenger transportation is establish based on BP neural network,and then verified with tests.The results show that highway passenger transportation can be predicted accurately by the model based on BP neural network.The minimum relative error is 1.1% and the average relative error is 2.78%.

grey relational analysis;BP neural network;highway passenger transportation;forecasting

2015-07-15

2015-12-14

時間：2017-01-10

陜西省教育科學(xué)“十二五”規(guī)劃項目(SGH140711、SGH140790)；西安航空學(xué)院科研基金項目(2014KY1212)

王 棟(1987-)，男，碩士，講師，研究方向為道路交通安全和人車路系統(tǒng)動力學(xué)等。

http://www.cnki.net/kcms/detail/61.1450.TP.20170110.1010.022.html

U491.1

A

1673-629X(2017)02-0187-04

10.3969/j.issn.1673-629X.2017.02.043