胥晶晶

（長安大學(xué)公路學(xué)院， 陜西 西安 710064）

關(guān)鍵字：高等院校；停車泊位共享；二元Logit模型；BP神經(jīng)網(wǎng)絡(luò)模型

近年來，停車難、亂停亂放問題擾亂了城市良好的交通秩序，單純的依靠增加停車基礎(chǔ)設(shè)施建設(shè)已經(jīng)無法滿足城市的停車需求，基于泊位共享的理念充分利用現(xiàn)有停車資源的方法得到廣泛關(guān)注。目前關(guān)于泊位共享的研究大多針對居住區(qū)，但高等院校通常具有面積大，停車需求時變規(guī)律明顯的特征。將高校的停車資源合理對外共享，對于緩解停車供需矛盾，提高泊位利用效率具有重要意義。本文在對高校泊位利用情況廣泛調(diào)研的基礎(chǔ)上，通過建立二元Logit模型并利用BP神經(jīng)網(wǎng)絡(luò)對自變量篩選及建模，研究影響駕駛?cè)诉x擇高校泊位共享的因素。

1 高校泊位空閑時間特性分析

本文以西安典型高校華清學(xué)院為例，進行高校泊位空閑特性分析。為獲取準(zhǔn)確的高校停車數(shù)據(jù)，盡量避免毗鄰商業(yè)區(qū)、醫(yī)院等外來車輛干擾較大的高校。高校實現(xiàn)泊位共享需滿足時間、空間、停車場及泊位的相關(guān)要求。目前華清學(xué)院擁有地上停車位264個。

在華清學(xué)院門口進行為期一周的停車觀察，采用全時段車牌號記錄法獲取車輛進出學(xué)院的時間信息，以半小時為一個時間段，記錄每個時間段進出學(xué)院的車輛數(shù)；對比工作日與雙休日的平均停車數(shù)，以此為基礎(chǔ)進行車輛出行特性分析。

華清學(xué)院工作日和雙休日車輛出行特性，華清學(xué)院工作日車輛大體呈現(xiàn)出早間到達高峰和晚間離開高峰，雙休日車輛到達離開趨勢基本平穩(wěn)。

高校車輛工作日朝來夕去的出行特性造成停車場在夜間出現(xiàn)明顯閑置，可供附近居民夜間長時停車；因受工作等影響，高校泊位在工作日午間時段空閑率略有下降，說明高校泊位白天不適合長時間停車，但為短時停車提供了方便的資源。高校停車場雙休日的泊位空閑數(shù)基本平穩(wěn)且數(shù)量較高，適宜對外共享?？傊?，高校具備優(yōu)良的對外共享條件，是具有潛力的共享停車資源。

2 基于二元Logit模型的共享停車選擇行為分析

2.1 共享停車選擇行為調(diào)查

本文采用SP調(diào)查方法，結(jié)合駕駛員和停車場的特性設(shè)計調(diào)查問卷，假設(shè)本次出行目的地的停車位已滿，附近有一處高?？蛇M行泊位共享，研究分析影響駕駛員停車行為選擇的因素。根據(jù)目前的研究，影響駕駛?cè)送＼囘x擇的因素很多，包括個人經(jīng)濟條件、個人停車習(xí)慣、環(huán)境狀況、車輛因素等。本文選取駕駛?cè)颂匦院屯＼噲鎏匦詢蓚€方面共16個變量。

2.2 模型標(biāo)定及影響因素分析

本文根據(jù)問卷調(diào)查的數(shù)據(jù)建立共享停車選擇行為模型，進行參數(shù)標(biāo)定。本文有兩種選擇，i=1表示選擇高校泊位共享，i=2表示不選擇；由此可以分析駕駛員是否選擇高校泊位共享的影響因素。

根據(jù)模型系數(shù)進行分析：1）隨著年齡的增加，停車者更愿意選擇高校泊位共享。2）收入越高的人會選擇收費較高的公共停車設(shè)施。3）停放時間越長，停車者更愿意選擇高校泊位共享。4）停車目的對駕駛?cè)耸欠襁x擇高校泊位共享影響很大。5）停車后距目的地的步行距離越近，選擇高校泊位共享的可能性越大。6）停車誘導(dǎo)信息發(fā)布越完整以及停車設(shè)施安全性越高，選擇高校泊位共享的可能性越大。

通過模型的二元Logistic回歸分析，模型可以表達為：

3 基于BP神經(jīng)網(wǎng)絡(luò)的建模分析

Logit模型是基于效用最大化理論的離散選擇模型，在建模的過程中，變量對目標(biāo)變量的非線性影響很難通過變量的篩選方法來模擬，BP神經(jīng)網(wǎng)絡(luò)是由非線性單元組成的前饋網(wǎng)絡(luò)，能夠通過不斷的自主學(xué)習(xí)和反饋判斷彌補Logit模型的不足。

3.1 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

本文選取影響駕駛?cè)瞬次还蚕淼囊蛩匕{駛?cè)颂匦院屯＼噲鎏匦裕珺P神經(jīng)網(wǎng)絡(luò)培訓(xùn)和檢驗樣本的輸入變量為表1中的16個變量，即輸入層的神經(jīng)元個數(shù)為16，停車者是否選擇高校泊位共享作為輸出層的神經(jīng)元，故而檢驗和培訓(xùn)樣本輸出層的神經(jīng)元個數(shù)為2。

3.2 因子分析

因子分析的對象包括駕齡、年齡和年收入等16個變量，檢驗結(jié)果表明各變量能夠獨立提供信息。

除去停車設(shè)施附近交通狀況、停車設(shè)施管理和服務(wù)水平外，其他公因子被抽取的比例均低于70%，說明這些變量較好無法的解釋其他變量。

自變量的特征值處于下降的狀態(tài)，并沒有陡降點。雖然從第 9個成分開始特征值小于1，但是和前9和特征值相差不大，所以認(rèn)為特征值大于1的成分無法較好的解釋剩余變量。綜上所述，選取的16個變量滿足進一步變量篩選分析的條件。

3.3 明確并驗證最優(yōu)隱層節(jié)點數(shù)

運用SPSS 22，采用神經(jīng)網(wǎng)絡(luò)多層感知器模型進行數(shù)據(jù)分析，首先將協(xié)變量標(biāo)準(zhǔn)化，并將培訓(xùn)樣本和檢驗樣本按照7：3的比例設(shè)置；然后隱藏層和輸出層的激活函數(shù)均使用Sigmoid，培訓(xùn)類型為批處理，優(yōu)化算法選擇調(diào)整的共軛梯度；最后將初始Lambda值和初始西格瑪值分別設(shè)為0.0000005和0.00005。按照此方法得到共享泊位選擇情況預(yù)測結(jié)果，確定最優(yōu)隱層節(jié)點數(shù)為6。

驗證最優(yōu)隱層節(jié)點數(shù)的合理性主要有兩種方法：預(yù)測累計增益圖分析和ROC曲線。

ROC曲線反映正確預(yù)測的百分比，橫軸特意性與 ROC曲線之間的面積大小AUC值反映了模型預(yù)測的優(yōu)劣程度，AUC值越大表明預(yù)測結(jié)果越好。預(yù)測選擇或不選擇高校泊位共享的兩種情況精度接近，當(dāng)錯誤預(yù)測比例達到0.3時，兩者預(yù)測精度均接近80%，此時AUC為0.768，表明可以利用該預(yù)測結(jié)果進行自變量篩選分析。

增益較高的為不選擇高校進行泊位共享，當(dāng)抽取的樣本數(shù)達到 30%時，能被預(yù)測到的結(jié)果超過60%。綜上，檢驗和培訓(xùn)樣本的選取和模型預(yù)測均較為滿意。

3.4 模型結(jié)果

整理自變量的原始重要性和標(biāo)準(zhǔn)化重要性如圖 1所示，修正后泊位共享模型的建模自變量選取標(biāo)準(zhǔn)化后重要性在 60%以上的變量，變量分別為停車目的、步行距離以及停車設(shè)施的安全性。

圖1 自變量重要性排序圖