基于神經(jīng)網(wǎng)絡(luò)的城市停車需求預(yù)測模型

高健夫，王培松

（1.廣州市市政工程設(shè)計研究總院，廣東 廣州510000；2.南京理工大學(xué)專利中心，江蘇 南京210094）

近年來，經(jīng)濟(jì)發(fā)展態(tài)勢穩(wěn)定，國內(nèi)汽車產(chǎn)業(yè)發(fā)展迅猛。然而，交通基礎(chǔ)設(shè)施的建設(shè)速度落后于汽車保有量持續(xù)上升的速度，交通供給與交通需求之間的矛盾導(dǎo)致結(jié)構(gòu)性交通擁堵問題在全球的許多大、中型城市蔓延，并日益成為許多城市社會經(jīng)濟(jì)發(fā)展的瓶頸。特別是，城市停車問題是居民出行面臨的最首要的問題，在上海、廣州、北京等地區(qū)，停車難問題已經(jīng)作為城市交通擁堵的重點(diǎn)整治工程。

當(dāng)前，國內(nèi)外許多政府機(jī)構(gòu)和學(xué)者針對城市停車問題進(jìn)行了大量研究，并且已經(jīng)取得了一定的成果。根據(jù)對文獻(xiàn)的歸納可知，既有的城市停車問題研究主要包括城市停車需求、城市停車策略、城市停車區(qū)位等方面。國內(nèi)，徐雷等根據(jù)停車目的的劃分，提出了單車停車泊位需求系數(shù)計算方法，并在此基礎(chǔ)上分別對居住地、工作地、訪問地三大停車需求進(jìn)行了測算，最后得出該方法能夠較好地對城市停車需求進(jìn)行評估，具有一定的實(shí)際操作性的結(jié)論；吳德華等在對比各傳統(tǒng)常用停車需求預(yù)測方法優(yōu)缺點(diǎn)的基礎(chǔ)上，利用機(jī)動車增長率和停車需求之間的相關(guān)性，提出一種基于現(xiàn)狀調(diào)查的停車需求預(yù)測方法和思路，分析表明該方法在預(yù)測可靠性、調(diào)查成本和預(yù)測停車分布的深度方面比傳統(tǒng)的預(yù)測方法具有明顯的優(yōu)勢。國外研究停車問題起步較早，美國交通工程師協(xié)會（ITE）定期更新出版《停車生成率》報告，提出91種不同用地性質(zhì)的停車生產(chǎn)率指標(biāo)。此外，國外還對交通需求管理等停車政策對交通需求的影響進(jìn)行定性和定量研究，在此基礎(chǔ)上對停車需求預(yù)測模型進(jìn)行了修正和改進(jìn)。

通過對既有研究成果的分析不難看出，對城市停車需求預(yù)測的研究主要集中在采用傳統(tǒng)的“四階段法”進(jìn)行研究，其缺點(diǎn)是需要對城市交通現(xiàn)狀進(jìn)行大規(guī)模的調(diào)查，工作量較大。針對此問題，本文探討了城市停車需求判別指標(biāo)，采用機(jī)器預(yù)測方法BP神經(jīng)網(wǎng)絡(luò)對城市停車需求進(jìn)行預(yù)測。

1 城市停車需求判別指標(biāo)

城市停車主要是指為從事各種活動的社會車輛提供的停車服務(wù)。對于一個城市來說，判別停車需求的指標(biāo)主要有總停車需求、公共停車需求、私人停車需求等，其具體含義如下:

1）總停車需求

總停車需求是指城市根據(jù)交通出行需求配建的提供車輛停留服務(wù)的交通基礎(chǔ)設(shè)施被車輛占用的數(shù)量，其包括私人停車需求和公共停車需求，計算方法如下

式中:C1總停車需求，P城市總車輛出行量，ε停車系數(shù)。

2）公共停車需求

公共停車入口數(shù)是指城市提供給所有民眾的停車服務(wù)基礎(chǔ)設(shè)施中被車輛占用的數(shù)量，它沒有停車權(quán)限限制，可供所有居民使用，計算方法如下

式中:C2公共停車入口數(shù)，β公共停車系數(shù)。

3）私人停車需求

私人停車需求是指城市提供給部分固定民眾的停車服務(wù)的停車基礎(chǔ)設(shè)施被占用的數(shù)量，它具有最高等級的停車權(quán)限，計算方法如下

式中:C3私人停車需求，其它參數(shù)含義同上。

2 城市停車需求神經(jīng)網(wǎng)絡(luò)預(yù)測

2.1 神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)起源于1943年美國心理學(xué)家W.McCulloch和數(shù)學(xué)家 W.Pitts提出的一個簡單的神經(jīng)元模型（MP模型），經(jīng)過40多年的發(fā)展之后，Rinehart和McClelland團(tuán)隊(duì)于1986年提出一種按誤差逆向傳播算法訓(xùn)練的多層前饋型神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Networks，下面簡稱BP神經(jīng)網(wǎng)絡(luò)）。BP神經(jīng)網(wǎng)絡(luò)是通過模仿生物神經(jīng)系統(tǒng)功能結(jié)構(gòu)處理非線性問題的數(shù)學(xué)動力系統(tǒng)，對多輸入與多輸出的數(shù)據(jù)具有較良好的擬合能力，其基本組成單元是神經(jīng)元，主要功能是將輸入經(jīng)過函數(shù)轉(zhuǎn)化為期望輸出。BP神經(jīng)元模型預(yù)測機(jī)制主要通過三步實(shí)現(xiàn):

Step 1.輸入信息融合。

通過輸入信息向量X＝ ｛x1，x2，…，xn｝與其對應(yīng)的權(quán)重向量W＝ ｛w1j，w2j，…，wnj｝乘積得到融合之后的信息pj

Step 2.輸出信息轉(zhuǎn)化。

pj大于神經(jīng)元興奮閾值θ時，神經(jīng)元信息轉(zhuǎn)換函數(shù)f對pj轉(zhuǎn)化得到輸出信息yj，可采用Sigmoid函數(shù)作為轉(zhuǎn)化函數(shù)

式中:表示前層第i個神經(jīng)元和后層第j個神經(jīng)元之間第k次修正權(quán)值，λ是動量因子，g是梯度誤差修正函數(shù)。

式中:yj是輸出信息；θ是閾值，通常用它來修正神經(jīng)系統(tǒng)的內(nèi)部偏差，取值0～1之間，通常建議取值0.01。

Step 3.誤差反向傳播。

根據(jù)得到的神經(jīng)元輸出信息yj與實(shí)際期望信息y＊j之間的差值反向修正神經(jīng)元權(quán)重wij，這里采用改進(jìn)的自適應(yīng)動量梯度下降法作為權(quán)值修正函數(shù)

2.2 停車需求預(yù)測模型

城市停車需求預(yù)測的原理是以停車場的總車輛入庫數(shù)、公共車輛入庫數(shù)、私人車輛入庫數(shù)的時間序列數(shù)據(jù)為樣本。因此，將時間節(jié)點(diǎn)作為輸入條件，將總車輛入庫數(shù)、公共車輛入庫數(shù)、私人車輛入庫數(shù)三個指標(biāo)作為輸出構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。依據(jù)Kolmogorov定理:一個具有n個輸入單元、2n＋1個中間單元和m個輸出單元的三層網(wǎng)絡(luò)可以精確地表達(dá)任何映射，并且同時可以使中間層容量和訓(xùn)練時間最優(yōu)，所以確定建立1－3－2的BP神經(jīng)網(wǎng)絡(luò)，如圖1所示。

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的城市停車需求預(yù)測模型

3 實(shí)例分析

3.1 數(shù)據(jù)來源

為驗(yàn)證上述建立的基于BP神經(jīng)網(wǎng)絡(luò)的城市停車需求預(yù)測模型的有效性，以南京理工大學(xué)佛山市城市空間發(fā)展與規(guī)劃課題組對于2014年9月—10月期間對佛山市部分停車場的周日早上7:30—10:30的停車情況的調(diào)查結(jié)果為作為實(shí)驗(yàn)數(shù)據(jù)，如表1所示。

3.2 仿真過程

基于上表1中的數(shù)據(jù)，采用matlab（R2012）軟件實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型編程，利用nntool建立的城市停車需求預(yù)測模型結(jié)果，如圖2所示。

表1 佛山市某停車場停車情況調(diào)查結(jié)果

圖2 基于NNTOOL工具箱建立的城市停車需求預(yù)測模型

在BP神經(jīng)網(wǎng)絡(luò)預(yù)測過程中，訓(xùn)練方法采用基偶對折法，即先以序列編號為基數(shù)的公共入庫停車數(shù)和私人入庫停車數(shù)作為訓(xùn)練樣本預(yù)測序列編號為偶數(shù)的時間段公共入庫停車數(shù)和私人入庫停車數(shù)，然后再以序列編號為偶數(shù)的樣本預(yù)測序列編號為基數(shù)項(xiàng)的時間段公共入庫停車數(shù)和私人入庫停車數(shù)，經(jīng)過多次測試，最終得出預(yù)測效果最好的一組BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)設(shè)定如表2所示。

在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，數(shù)據(jù)樣本被劃分為訓(xùn)練型（Train）、檢驗(yàn)型（Validation）、測試型（Test），這三組數(shù)據(jù)互不包含。BP神經(jīng)網(wǎng)絡(luò)首先根據(jù)訓(xùn)練型樣本學(xué)習(xí)得出網(wǎng)絡(luò)中各神經(jīng)元之間的連接權(quán)重，然后將檢驗(yàn)型數(shù)據(jù)代入訓(xùn)練好的網(wǎng)絡(luò)模型中測算檢驗(yàn)型數(shù)據(jù)的輸出誤差均方差（Mean Squared Error，簡稱 mse），當(dāng)均方差保持一個連續(xù)下降步數(shù)的情況下，BP神經(jīng)網(wǎng)絡(luò)認(rèn)為網(wǎng)絡(luò)模型已經(jīng)達(dá)到最優(yōu)，可代入測試型樣本進(jìn)行訓(xùn)練，得出最后的預(yù)測結(jié)果。得到每個路段的仿真過程如圖3所示。

表2 BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

通過圖3的分析可知，訓(xùn)練收斂在步伐116已經(jīng)達(dá)到檢驗(yàn)樣本的輸出誤差均方差全局最小，最后得到預(yù)測結(jié)果如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

3.3 結(jié)果分析

為進(jìn)一步分析BP神經(jīng)網(wǎng)絡(luò)在城市停車需求中的適應(yīng)性和精度，將總停車需求、公共停車需求、私人停車需求的預(yù)測相對誤差統(tǒng)計如表3所示。

表3 基于BP神經(jīng)網(wǎng)絡(luò)的停車入庫相對誤差結(jié)果

通過對上表3的分析可知:

1）BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對每組數(shù)據(jù)的預(yù)測相對誤差最大為18.80%，最小相對誤差為6.21%，平均相對誤差為10.98%。對于神經(jīng)網(wǎng)絡(luò)來說，一般預(yù)測精度保持在10%以內(nèi)預(yù)測結(jié)果均良好，因此上述神將網(wǎng)絡(luò)模型總體上基本符合預(yù)測精度要求；

2）BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對總停車需求量、公共停車需求量、私人停車入庫的預(yù)測相對誤差精度呈現(xiàn)從小到大的趨勢，這主要是由于總停車需求量和公共停車需求量比私人停車需求量基數(shù)大，最后導(dǎo)致私人停車入庫相對預(yù)測大；

3）BP神經(jīng)網(wǎng)絡(luò)在預(yù)測過程中第一組數(shù)據(jù)的預(yù)測相對誤差較大，其中總停車入庫的第一組數(shù)據(jù)的相對誤差達(dá)到39.78%，公共停車入庫的第一組數(shù)據(jù)的相對誤差達(dá)到18.23%，私人停車入庫的第一組數(shù)據(jù)的相對誤差達(dá)到77.82%，其主要原因是由于本預(yù)測模型的第二隱層函數(shù)采用的是線性轉(zhuǎn)換函數(shù)，線性轉(zhuǎn)換函數(shù)對中間序列項(xiàng)回歸效果較好，而對前序列項(xiàng)數(shù)據(jù)項(xiàng)回歸效果稍差，但是對整體預(yù)測誤差不產(chǎn)生影響。

4 結(jié) 論

本文主要針對當(dāng)前城市停車需求熱點(diǎn)問題進(jìn)行了研究。首先，從停車的權(quán)限方面將城市停車劃分為公共停車入庫和私人停車入庫兩類，利用總停車需求量、公共入庫停車數(shù)量、私人停車數(shù)量作為城市停車需求的判別指標(biāo)。然后，建立了基于BP神經(jīng)網(wǎng)絡(luò)的城市停車需求1－3－2預(yù)測模型。最后，以佛山市某停車場作為實(shí)例，仿真結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對每組數(shù)據(jù)的預(yù)測相對誤差最大為18.80%，最小相對誤差為6.21%，平均相對誤差為10.98%，符合預(yù)測精度要求。但是需要指出的是，本文僅單純從城市停車數(shù)量與時間規(guī)律方面研究了城市停車預(yù)測問題，如何結(jié)合城市停車的內(nèi)部機(jī)理，從時間和空間兩個維度對城市停車需求預(yù)測，是下一階段研究的重點(diǎn)。

［1］ 徐雷，劉冰，張涵雙.停車需求預(yù)測和泊位供給策略分析［J］.交通科技與經(jīng)濟(jì)，2014，17（2）:12.

［2］ 吳德華.基于現(xiàn)狀調(diào)查的城市老城區(qū)停車需求預(yù)測方法［J］.交 通 運(yùn) 輸 系 統(tǒng) 工 程 與 信 息，2013，14（1）:235－241.

［3］ Wei L，Chou Y，Chang C.The research on improved parking generation rate forecast model［J］.JOURNALHEBEI UNIVERSITY OF TECHNOLOGY，2007，36（5）:101.

［4］ Ferguson E.Zoning for parking as policy process:A historical review［J］.Transport Reviews，2004，24（2）:177－194.

［5］ Rye T，Ison S.Overcoming barriers to the implementation of car parking charges at UK workplaces［J］.Transport Policy，2005，12（1）:57－64.

［6］ Howard C K，Cayetano K，Omojola O.Parking management systems:U.S.Patent 6，885，311［P］.2005－4－26.

［7］ 魏海坤.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的理論與方法［M］.北京:國防工業(yè)出版社，2005.

［8］ Haykin S S，金世偉.神經(jīng)網(wǎng)絡(luò)原理［M］.北京:機(jī)械工業(yè)出版社，2004.

［9］ Razavi B S.Predicting the Trend of Land Use Changes Using Artificial Neural Network and Markov Chain Model（Case Study:Kermanshah Urban）［J］.Research Journal of Environmental and Earth Sciences，2014，6（4）:215－226.

［10］Yue H.BP Neural Network［J］.Information Technology Journal，2013，12（19）:5401－5405.

［11］魯娟娟，陳紅.BP神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展［J］.控制工程，2006，13（5）:449－451.