張艷秋, 陳堅, 楊林

(1.招商局生態(tài)環(huán)?？萍加邢薰? 重慶市 400067;2.重慶交通大學(xué) 交通運輸學(xué)院；3.重慶大學(xué) 建筑城規(guī)學(xué)院)

1 前言

服務(wù)區(qū)作為高速公路上的“驛站”和“窗口”，是高速公路安全、便捷、舒適出行的保障，發(fā)揮著重要作用。在中國高速公路連線成網(wǎng)加快發(fā)展的新時期，服務(wù)區(qū)作為高速公路系統(tǒng)的重要組成部分也逐漸發(fā)展起來，截至2018年底，中國高速公路服務(wù)區(qū)數(shù)量達到2 850對左右。但中國服務(wù)區(qū)在發(fā)展和建設(shè)中存在諸多問題，普遍存在服務(wù)區(qū)征地面積及建設(shè)規(guī)模與主線交通量不相符的現(xiàn)象，缺乏對服務(wù)區(qū)進行系統(tǒng)定量分析預(yù)測和建設(shè)規(guī)模可行性研究。

國內(nèi)外對高速公路服務(wù)區(qū)的研究宏觀上主要為服務(wù)區(qū)功能定位、規(guī)劃布局，微觀層面主要為服務(wù)區(qū)服務(wù)水平評價、駛?cè)肼暑A(yù)測等，近年來學(xué)者們對服務(wù)區(qū)規(guī)模相繼展開了研究?，F(xiàn)有對服務(wù)區(qū)規(guī)模的研究大多從服務(wù)區(qū)物理設(shè)施及駛?cè)肼嗜胧?，通過駛?cè)肼视嬎惴?wù)區(qū)的停車場面積，再定性分析停車場面積與服務(wù)區(qū)面積之間關(guān)系，參數(shù)取值經(jīng)驗性居多，對服務(wù)區(qū)合理規(guī)模與其影響因素之間定量關(guān)系的研究較少，缺少反映客觀規(guī)律的模型；且現(xiàn)有對服務(wù)區(qū)消費行為的研究較少，服務(wù)區(qū)規(guī)模研究中也尚未考慮出行者消費行為因素，消費行為對規(guī)模的影響未得到充分重視。該文在分析服務(wù)區(qū)合理規(guī)模影響因素時充分考慮出行者消費行為及其他交通參數(shù)，構(gòu)建基于MLP的合理規(guī)模測算模型，并用實例進行驗證?？蔀楫?dāng)前服務(wù)區(qū)規(guī)劃設(shè)計、升級改造發(fā)展提供參考依據(jù)。

2 合理規(guī)模界定及影響因素

2.1 合理規(guī)模界定

服務(wù)區(qū)根據(jù)其所處地理位置、周邊資源開發(fā)、吸引人群的不同，其服務(wù)區(qū)功能設(shè)置、規(guī)模大小應(yīng)有所區(qū)別，服務(wù)區(qū)規(guī)模的設(shè)置與服務(wù)區(qū)經(jīng)營效益、對客流的吸引力及服務(wù)水平緊密相關(guān)。服務(wù)區(qū)合理規(guī)模即在一定經(jīng)濟發(fā)展水平下，服務(wù)區(qū)用地面積及功能設(shè)置與主線交通量、駛?cè)肼?、服?wù)區(qū)功能定位、出行者消費需求相匹配，能最大程度上滿足出行者的需求。

2.2 合理規(guī)模影響因素

根據(jù)高速公路服務(wù)區(qū)現(xiàn)有配置可知其總體規(guī)模由以車為服務(wù)對象的停車場、加油站、車輛維修中心，以人為對象的房建區(qū)及道路規(guī)模，以及綠化及其他規(guī)模構(gòu)成。房建區(qū)及道路規(guī)模主要包括廁所、餐廳、商店、住宿休息區(qū)、附屬設(shè)施等，該部分是服務(wù)區(qū)主體構(gòu)成部分，是服務(wù)區(qū)運營的核心。

高速公路服務(wù)區(qū)規(guī)模的影響因素眾多，包括服務(wù)區(qū)地理位置、功能定位、主線斷面交通量、駛?cè)肼?、車型結(jié)構(gòu)、出行者消費行為等，只有明確影響服務(wù)區(qū)合理規(guī)模的主要因素，才能進行合理規(guī)模研究。根據(jù)相關(guān)研究綜合分析擬定主線斷面交通量、駛?cè)肼?、高峰率、周轉(zhuǎn)率、車型結(jié)構(gòu)、消費行為作為影響合理規(guī)模的6大主要因素。各影響因素含義如下：

(1) 主線斷面交通量 ：指一定時期內(nèi)通過服務(wù)區(qū)截面的交通量(雙側(cè))，單位：(pcu/d)。

(2) 駛?cè)肼剩厚側(cè)氲椒?wù)區(qū)的交通量與主線交通量的比值。

(3) 高峰率：指在高峰時段停留的車輛數(shù)(pcu/h)與每天停放車輛數(shù)(pcu/d)的比值。

(4) 周轉(zhuǎn)率：指服務(wù)區(qū)的一個停車位在1 h內(nèi)被使用的次數(shù)。

(5) 車型結(jié)構(gòu)：駛?cè)敕?wù)區(qū)大型車與小型車的比值。

(6) 消費行為：包括同行人數(shù)、消費水平、消費需求等，消費水平和消費需求分別用實際消費金額(元)和服務(wù)區(qū)平均消費需求項(項)量化表示。

各因素與服務(wù)區(qū)總體規(guī)模影響關(guān)系見圖1。

圖1 因素與服務(wù)區(qū)總體規(guī)模影響關(guān)系

3 深度學(xué)習(xí)相關(guān)理論

3.1 深度學(xué)習(xí)概述

深度學(xué)習(xí)是新興的機器學(xué)習(xí)研究領(lǐng)域，是當(dāng)前人工智能的研究熱點，旨在研究如何從數(shù)據(jù)中自動地提取多層特征表示，其核心思想是通過數(shù)據(jù)驅(qū)動方式，采用一系列的非線性變換，從原始數(shù)據(jù)中提取由低層到高層、由具體到抽象、由一般到特定語義的特征。通過從多源異構(gòu)數(shù)據(jù)中進行自動特征學(xué)習(xí)，從而將不同數(shù)據(jù)映射到一個相同的隱空間，能夠獲得數(shù)據(jù)的統(tǒng)一表征。目前已在圖像識別、語音識別、自然語言處理、車牌定位等領(lǐng)域展現(xiàn)出了巨大的優(yōu)勢。

深度學(xué)習(xí)常用模型有多層感知機(MLP)、受限玻爾茲曼機(RBM)、深度置信網(wǎng)絡(luò)(DBN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、自動編碼機(AE)等。常用軟件工具平臺主要有TensorFlow、Caffe等，操作語言主要為C++、Python、Matlab。深度學(xué)習(xí)常見模型及特點見表1。

3.2 MLP神經(jīng)網(wǎng)絡(luò)

(1) 模型結(jié)構(gòu)及預(yù)測原理

MLP(Multi-Layer Perception-多層感知機)屬于前饋深度神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層、輸出層組成，隱含層根據(jù)需要由一層或多層組成。MLP可被看作一個有向圖，由多個節(jié)點層所組成，每一層都全連接到下一層，除了輸入節(jié)點，每個節(jié)點都是一個帶有非線性激活函數(shù)的神經(jīng)元，常采用誤差反向傳播算法(BP算法)進行訓(xùn)練。

表1 深度學(xué)習(xí)常見模型及特點

模型預(yù)測的主要原理為根據(jù)歷史數(shù)據(jù)輸入選擇的模型中進行訓(xùn)練，得到一個規(guī)則，當(dāng)輸入新的數(shù)據(jù)時這個訓(xùn)練好的規(guī)則可以預(yù)測得到結(jié)果，基本原理見圖2。

圖2 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)預(yù)測基本原理

(2) MLP模型適應(yīng)性

MLP是感知機的推廣，克服了感知機不能對線性不可分數(shù)據(jù)進行識別的弱點，能夠逼近任意復(fù)雜的非線性函數(shù)關(guān)系，具有很強的自適應(yīng)、自學(xué)習(xí)及容錯能力，適合進行非線性函數(shù)擬合，可用于解決簡單分類及預(yù)測問題，目前已在區(qū)域物流需求、蛋白質(zhì)變性溫度、短時交通流、廣告點擊率等方面進行了預(yù)測研究，且取得了較好的效果，服務(wù)區(qū)合理規(guī)模與各影響因素之間為復(fù)雜的非線性關(guān)系，MLP通過誤差反傳能夠發(fā)現(xiàn)各因素與規(guī)模之間的映射關(guān)系，故選取MLP進行服務(wù)區(qū)合理規(guī)模預(yù)測。

4 基于MLP的合理規(guī)模測算模型

(1) 模型結(jié)構(gòu)及變量選取

該文選取包含一個輸入層、一個隱含層和一個輸出層的3層MLP模型，根據(jù)服務(wù)區(qū)合理規(guī)模影響因素分析選取因素之間相關(guān)性較弱的作為輸入層變量，綜合分析選取主線斷面交通量、駛?cè)肼省⒏叻迓?、周轉(zhuǎn)率、車型結(jié)構(gòu)及消費行為中較為重要的同行人數(shù)、消費水平和消費需求8個因素作為MLP神經(jīng)網(wǎng)絡(luò)輸入層變量，各變量及其量化值見表2。

表2 輸入層變量及代表量化值

隱含層神經(jīng)元個數(shù)的確定通常采用試湊法確定，通過建立多個除隱含層神經(jīng)元數(shù)量不同，其余條件均相同的MLP神經(jīng)網(wǎng)絡(luò)，比較網(wǎng)絡(luò)迭代次數(shù)和誤差精度來確定隱含層神經(jīng)元個數(shù)，該文最終確定隱含層神經(jīng)元個數(shù)為8個。輸出層神經(jīng)元為1個，即服務(wù)區(qū)合理規(guī)模，采用用地面積(m2)表示。

故該文建立的MLP神經(jīng)網(wǎng)絡(luò)合理規(guī)模模型各層神經(jīng)元節(jié)點分別為(8,8,1)。

(2) 樣本數(shù)據(jù)預(yù)處理

為提高網(wǎng)絡(luò)的通用性，采用歸一化方法對原始樣本數(shù)據(jù)進行預(yù)處理，見式(1)。

(1)

在完成MLP神經(jīng)網(wǎng)絡(luò)訓(xùn)練之后需進行逆變換，將輸出數(shù)據(jù)轉(zhuǎn)換為原來服務(wù)區(qū)樣本的數(shù)據(jù)特征，逆變換見式(2)：

(2)

式中：Xi為樣本服務(wù)區(qū)第i個變量原始數(shù)據(jù)輸入值；Ximax為樣本服務(wù)區(qū)第i個變量原始數(shù)據(jù)最大值；Ximin為樣本服務(wù)區(qū)第i個變量原始數(shù)據(jù)最小值；Xi′為變換后的樣本服務(wù)區(qū)第i個變量數(shù)據(jù)。

(3) 模型訓(xùn)練

(3)

(4)

(5)

逆向傳播過程通過梯度下降法不斷降低損失函數(shù)(輸出值與樣本值之間的誤差)，取網(wǎng)絡(luò)所有輸出層節(jié)點的誤差平方和作為損失函數(shù)，見式(6)：

(6)

式中：yi為歸一化后樣本服務(wù)區(qū)輸出層i節(jié)點合理規(guī)模期望值，ai為樣本服務(wù)區(qū)輸出層i節(jié)點合理規(guī)模輸出值。

優(yōu)化目標(biāo)為確定W(權(quán)值)和b(偏置)使得損失函數(shù)C(W,b)最小，即網(wǎng)絡(luò)輸出的值會越來越接近真實值。W和b的迭代公式如下：

(7)

(8)

式中：α為學(xué)習(xí)速率，取(0,1]。MLP模型的訓(xùn)練采用Matlab編程實現(xiàn)，模型預(yù)測效果優(yōu)劣選用絕對相對誤差(rerr)、平均絕對相對誤差(arerr)和均等系數(shù)(EC)進行評價。

(9)

(10)

(11)

式中：yk為服務(wù)區(qū)規(guī)模實際值；ak為服務(wù)區(qū)合理規(guī)模預(yù)測值；EC為均等系數(shù)，取值范圍為(0,1)，表示服務(wù)區(qū)合理規(guī)模預(yù)測值與實際值之間的擬合度，EC值越大預(yù)測效果越好；EC值大于0.85，預(yù)測結(jié)果較好；EC值大于0.9，預(yù)測結(jié)果理想。

5 實例分析

運用2017年8月貴州省高速公路服務(wù)區(qū)實地調(diào)查數(shù)據(jù)進行分析。采用流量調(diào)查和問卷調(diào)查獲取基礎(chǔ)數(shù)據(jù)及出行者對服務(wù)區(qū)現(xiàn)有規(guī)模的滿意度，以單個服務(wù)區(qū)(雙側(cè))為對象，采用Spss進行數(shù)據(jù)處理、統(tǒng)計分析得到各服務(wù)區(qū)輸入變量值及規(guī)模滿意度，選取規(guī)模滿意度大于80%的服務(wù)區(qū)作為樣本服務(wù)區(qū)，最后選取貴州省烏江、久長等19個服務(wù)區(qū)作為樣本服務(wù)區(qū)，輸入變量及期望合理規(guī)模原始數(shù)據(jù)與歸一化后數(shù)據(jù)見表3、4。

表3 樣本服務(wù)區(qū)輸入層及期望合理規(guī)模原始數(shù)據(jù)

表4 歸一化后的樣本服務(wù)區(qū)輸入層及期望合理規(guī)模數(shù)據(jù)

抽取前15組數(shù)據(jù)作為訓(xùn)練樣本，其余4組作為測試樣本，MLP神經(jīng)網(wǎng)絡(luò)期望目標(biāo)值設(shè)為0.01，學(xué)習(xí)速率為0.001，最大迭代次數(shù)為1 000，采用Matlab編程實現(xiàn)該搭建好的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，通過調(diào)試參數(shù)使網(wǎng)絡(luò)達到訓(xùn)練精度要求，訓(xùn)練擬合曲線見圖3，訓(xùn)練形成穩(wěn)定的網(wǎng)絡(luò)預(yù)測模型后，將測試樣本進行仿真檢驗，得到仿真擬合曲線見圖4，將測試輸出結(jié)果反歸一化后即為服務(wù)區(qū)合理規(guī)模預(yù)測值，并計算得到模型預(yù)測效果評價參數(shù)，見表5。

圖3 訓(xùn)練集訓(xùn)練擬合曲線

圖4 測試集仿真擬合曲線

表5 測試樣本服務(wù)區(qū)合理規(guī)模測算結(jié)果及評價

由表5預(yù)測結(jié)果可知：4對服務(wù)區(qū)合理規(guī)模預(yù)測結(jié)果的絕對相對誤差、最大絕對相對誤差、平均絕對相對誤差均在5%以內(nèi)，均等系數(shù)為0.984 5，大于0.9，表明該合理規(guī)模期望值與預(yù)測值擬合度較高，預(yù)測結(jié)果理想，從而驗證了所構(gòu)建的基于MLP的合理規(guī)模測算模型的準(zhǔn)確性和可行性。

6 結(jié)語

該文在分析高速公路服務(wù)區(qū)規(guī)模測算現(xiàn)有方法的基礎(chǔ)上，結(jié)合高速公路服務(wù)區(qū)轉(zhuǎn)型升級新要求，在研究服務(wù)區(qū)合理規(guī)模影響因素時充分考慮出行者消費行為及其他交通參數(shù)，構(gòu)建基于MLP的合理規(guī)模測算模型，并用實際數(shù)據(jù)進行模型驗證，結(jié)果表明該訓(xùn)練模型預(yù)測精度達到98%，可靠性較高，為服務(wù)區(qū)規(guī)劃設(shè)計及升級改造提供了參考依據(jù)。該文所提出的合理規(guī)模測算模型亦可應(yīng)用到其他方面的預(yù)測。