基于BP神經(jīng)網(wǎng)絡(luò)的南平公交綜合評(píng)價(jià)模型研究

陳桂福 陳丹妮

（1.中國(guó)市政工程西北設(shè)計(jì)研究院有限公司，甘肅 蘭州 730000；2.安溪縣農(nóng)村信用合作聯(lián)社，福建 安溪 362400）

公交綜合評(píng)價(jià)模型的研究，有利于城市公交規(guī)劃評(píng)價(jià)體系的發(fā)展和完善，能夠?yàn)槟掀街行某菂^(qū)公交規(guī)劃提供參考和方向。南平中心城區(qū)交通總體水平如下：從2000年至2010年，南平市延平區(qū)的機(jī)動(dòng)車保有量從不足13000量增加至100000余量，增幅達(dá)681%。截至2014年6月調(diào)查數(shù)據(jù)，南平市中心城區(qū)公交車輛的平均速度為16km/h；中心城區(qū)不同交通方式的平均出行時(shí)耗：步行18.83分鐘/次，公交車26.16分鐘/次，出租車9.9分鐘/次，自行車21.63分鐘/次，摩托車16.95分鐘/次，私家車19.87分鐘/次，電動(dòng)車14.52分鐘/次；南平市現(xiàn)狀公交分擔(dān)率為11.31%。對(duì)于公交綜合評(píng)價(jià)，目前主要是采用層次分析法、專家咨詢法或模糊理論方法建立非線性模型來(lái)求解。但是，層次分析法、專家咨詢法受主觀因素影響較大，一旦有些評(píng)價(jià)因素發(fā)生變化時(shí)，就會(huì)產(chǎn)生較大的誤差，必須重新建立模型，以往的一些經(jīng)驗(yàn)性知識(shí)也得不到充分利用。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)能力和強(qiáng)容錯(cuò)性，是一種多層次反饋型網(wǎng)絡(luò)，能較好地模擬評(píng)價(jià)專家進(jìn)行綜合評(píng)價(jià)的過(guò)程，因而具有廣泛的應(yīng)用前景。本文利用人工神經(jīng)網(wǎng)絡(luò)的理論，結(jié)合南平公交規(guī)劃，篩選出10項(xiàng)相對(duì)重要的評(píng)價(jià)指標(biāo)，利用神經(jīng)網(wǎng)絡(luò)自組織、自學(xué)習(xí)的能力，在評(píng)價(jià)指標(biāo)和評(píng)價(jià)結(jié)果之間建立了一定關(guān)系，從而實(shí)現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的南平公交綜合評(píng)價(jià)模型。實(shí)例預(yù)測(cè)結(jié)果，精度誤差都在較為理想的范圍內(nèi)，因此，針對(duì)南平得到的預(yù)測(cè)結(jié)果是可以接受的，從而，也為南平交通的發(fā)展提供參考的依據(jù)。

圖1 南平中心城區(qū)交通總體層面評(píng)價(jià)指標(biāo)Figure 1 Evaluation index of nanping city traffic center overall level

1 BP人工神經(jīng)網(wǎng)絡(luò)的介紹[1]

反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)是由Rumelhart等人于1985年提出的一種具有自學(xué)習(xí)、自組織的神經(jīng)元模型，它是一種多層次反饋型網(wǎng)絡(luò)，所使用的是有“導(dǎo)師”的學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)是一種具有三層或三層以上的層次結(jié)構(gòu)網(wǎng)絡(luò)，相鄰上、下層之間各神經(jīng)元實(shí)現(xiàn)全連接，即下層的每個(gè)神經(jīng)元與上層的每個(gè)神經(jīng)元都實(shí)現(xiàn)權(quán)相連，而每層神經(jīng)元之間無(wú)連接。BP算法不僅具有輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)，還可有一個(gè)多個(gè)隱含層節(jié)點(diǎn)。典型的3層BP神經(jīng)網(wǎng)絡(luò)模型如圖2。

圖2 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Figure 2 Structure of three layers of BP neural network

對(duì)于輸入信號(hào)，要先向前傳播到隱含層節(jié)點(diǎn)，經(jīng)作用函數(shù)后，再把隱節(jié)點(diǎn)的輸出信號(hào)傳播到輸出節(jié)點(diǎn)，最后給出輸出結(jié)果。在BP算法中，節(jié)點(diǎn)的作用的激勵(lì)函數(shù)通常選取S型函數(shù)。對(duì)于BP模型的輸入層神經(jīng)元，其輸出與輸入相同。中間隱含層和輸出層的神經(jīng)元的操作規(guī)則如下：

式中：Yk-li是k-1層第i個(gè)神經(jīng)元的輸出，也是第k層神經(jīng)元的輸入；

Wk-li,kj是k-1層第i個(gè)元素與k層第j個(gè)元素的連接權(quán)值；

Ykj是k層第j個(gè)神經(jīng)元的輸出，也是第k+1層神經(jīng)元的輸出；

f是Sigmoid 函數(shù)。 F（μ）=1/（1+e-μ）。

2 南平中心城區(qū)公交系統(tǒng)評(píng)價(jià)的BP網(wǎng)絡(luò)模型設(shè)計(jì)

2.1 評(píng)價(jià)指標(biāo)的選取

2000年，公安部和建設(shè)部制定《城市道路交通管理評(píng)價(jià)體系》，對(duì)公共交通評(píng)價(jià)指標(biāo)作出了系統(tǒng)的歸納，筆者結(jié)合南平中心城區(qū)公共交通發(fā)展規(guī)劃的項(xiàng)目，從2007年“暢通工程”評(píng)價(jià)指標(biāo)體系中提煉了10項(xiàng)相對(duì)重要的評(píng)價(jià)指標(biāo)作為模型的輸入項(xiàng)目。評(píng)價(jià)指標(biāo)的選取與設(shè)置直接影響評(píng)價(jià)結(jié)果，對(duì)評(píng)價(jià)指標(biāo)的選取遵循兩個(gè)原則：

①站在交通專家的角度來(lái)考慮是否能全面有效地反映公交系統(tǒng)的效率；

②站在南平政府的角度來(lái)考慮能否對(duì)南平公共交通的發(fā)展有推動(dòng)作用。

根據(jù)以上原則建立的南平中心城區(qū)公交評(píng)價(jià)體系如圖3。

2.2 構(gòu)建評(píng)價(jià)模型

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)南平中心城區(qū)公交系統(tǒng)進(jìn)行綜合評(píng)價(jià)的基本研究思路是：將反映公交系統(tǒng)的各種評(píng)價(jià)指標(biāo)作為輸入向量，將綜合評(píng)價(jià)結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸出，從而建立了一個(gè)BP神經(jīng)網(wǎng)絡(luò)模型。將國(guó)內(nèi)主要城市的評(píng)價(jià)指標(biāo)和綜合評(píng)價(jià)結(jié)果作為訓(xùn)練網(wǎng)絡(luò)的樣本，從而使網(wǎng)絡(luò)通過(guò)自主學(xué)習(xí)建立正確的內(nèi)部關(guān)系。訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可用于城市公交系統(tǒng)評(píng)價(jià)的預(yù)測(cè)和平時(shí)的自我測(cè)試。

圖3 南平中心城區(qū)公交評(píng)價(jià)體系層次結(jié)構(gòu)示意圖Figure 3 Structure schematic drawing of bus evaluation system in the nanping city

我們將模型的輸出結(jié)果分為5個(gè)評(píng)價(jià)等級(jí)：極差、較差、一般、良好、高。評(píng)價(jià)集與評(píng)語(yǔ)集對(duì)應(yīng)對(duì)應(yīng)表如表1。因?yàn)樯窠?jīng)元作用函數(shù)值域?yàn)閇0，1]，所以評(píng)價(jià)集采用[0，1]數(shù)值。

表1 評(píng)價(jià)集與評(píng)語(yǔ)集對(duì)應(yīng)表Table 1 Corresponding table of evaluation set and comments set

隱含層的單元數(shù)目的選擇可以參考公式（2）選取[2]。

式中：m為輸出神經(jīng)元數(shù)，n為輸入單元數(shù)，a為 [1，10]之間的常數(shù)。根據(jù)公式（2），并經(jīng)過(guò)反復(fù)測(cè)試，最終確定隱含層數(shù)目為8。綜合評(píng)價(jià)模型的結(jié)構(gòu)為10-8-1，如圖4所示。

圖4 綜合評(píng)價(jià)模型Figure 4 Comprehensive evaluation model

3 綜合評(píng)價(jià)模型的BP網(wǎng)絡(luò)模型實(shí)現(xiàn)和應(yīng)用

3.1 樣本和輸入數(shù)據(jù)的規(guī)范化處理

對(duì)國(guó)內(nèi)主要城市公交評(píng)價(jià)指標(biāo)數(shù)據(jù)（共14個(gè)樣本），其中8個(gè)樣本作為學(xué)習(xí)樣本，5個(gè)樣本作為測(cè)試樣本，用來(lái)進(jìn)行精度的檢驗(yàn)，從而得到可靠的模型。最后輸入南平數(shù)據(jù)進(jìn)行綜合評(píng)價(jià)。

由于轉(zhuǎn)移函數(shù)值域?yàn)閇0，1]，因此必須先對(duì)數(shù)據(jù)進(jìn)行歸一化處理[1]。公交評(píng)價(jià)指標(biāo)一般有以下幾種類型：成本型、效益型、適度型和區(qū)間型。

對(duì)于X中的n個(gè)指標(biāo)，

①成本型標(biāo)準(zhǔn)化函數(shù)（其值越小越好）

②效益型標(biāo)準(zhǔn)化函數(shù)（其值越大越好）

③適度型標(biāo)準(zhǔn)化函數(shù)（指標(biāo)值以穩(wěn)定再某一固定值為佳）

式中：Xmid為最合適值。

④區(qū)間型標(biāo)準(zhǔn)化函數(shù)，（其值以落在某個(gè)區(qū)間為最佳的指標(biāo)）

式中：[q1，q2]為該指標(biāo)的最佳穩(wěn)定區(qū)間。

3.2 BP網(wǎng)絡(luò)學(xué)習(xí)算法的Matlab實(shí)現(xiàn)

構(gòu)建的神經(jīng)網(wǎng)絡(luò)[2]模型輸入層有10個(gè)神經(jīng)元，隱含層有8個(gè)神經(jīng)元，隱含層傳輸函數(shù)為tansig，輸出層是傳輸函數(shù)采用logsig；同時(shí)為了提高學(xué)習(xí)效率，將學(xué)習(xí)速度設(shè)置為0.2；而訓(xùn)練步數(shù)的大小將在一定程度上影響學(xué)習(xí)的效果，故設(shè)置訓(xùn)練步數(shù)為 10，20，40，50，80，100，200，400，500，…，分別觀察其擬合效果，發(fā)現(xiàn)，當(dāng)訓(xùn)練步數(shù)為500時(shí)，能較好地?cái)M合數(shù)據(jù)，繼續(xù)增大步數(shù)，數(shù)據(jù)又會(huì)產(chǎn)生較大的震蕩，擬合精度也較低，因此，訓(xùn)練步數(shù)采用500。目標(biāo)誤差為0.00001。

通過(guò)建立的網(wǎng)絡(luò)模型，將測(cè)試樣本的輸入值代入模型，得到的預(yù)測(cè)值與專家的評(píng)價(jià)值對(duì)比表如表2。

表2 模型測(cè)試結(jié)果比較及預(yù)測(cè)Table 2 compare and prediction of model test results

圖5 訓(xùn)練結(jié)果（訓(xùn)練函數(shù)：traingd）Figure 5 Training results（training function:traingd）

圖6 模型預(yù)測(cè)值Figure 6 Model prediction

4 結(jié)果與討論

（1）根據(jù)《華普城市暢行指數(shù)-中國(guó)城市暢行指數(shù)2006年度報(bào)告》[3]，國(guó)內(nèi)城市的平均得分為54.1，根據(jù)預(yù)測(cè)得到的數(shù)據(jù)，南平中心城區(qū)公交水平的綜合得分為43.81，評(píng)價(jià)結(jié)果為一般，與全國(guó)的平均水平還是有很大的差距。

（2）公交綜合評(píng)價(jià)是一個(gè)復(fù)雜的非線性問(wèn)題，而神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的的自組織、自適應(yīng)和自學(xué)習(xí)能力，對(duì)南平公交的綜合評(píng)價(jià)效果良好，不但客服了人工評(píng)價(jià)的主觀性及模糊隨機(jī)性的影響，也具有較強(qiáng)的動(dòng)態(tài)性，可以進(jìn)一步的跟蹤學(xué)習(xí)。

（3）由于受資料來(lái)源的限制，本文所采用的指標(biāo)為國(guó)內(nèi)主要城市的數(shù)據(jù)，樣本容量也不夠大，雖然不影響網(wǎng)絡(luò)的理論應(yīng)用，神經(jīng)網(wǎng)絡(luò)也有較強(qiáng)的容錯(cuò)性，但不同類型的城市指標(biāo)數(shù)據(jù)還是會(huì)對(duì)模型的自主學(xué)習(xí)產(chǎn)生一定影響。因此，在運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行城市類型的聚類分析與指標(biāo)的選擇上還有待于進(jìn)一步研究。

（4）人工神經(jīng)網(wǎng)絡(luò)作為一種新興的理論，具有運(yùn)算速度快、求解問(wèn)題的效率高、自主學(xué)習(xí)能力強(qiáng)、適應(yīng)面寬等優(yōu)點(diǎn)，能較好地模擬專家進(jìn)行綜合評(píng)價(jià)的過(guò)程，在實(shí)際中得以大量的應(yīng)用，解決了很多利用傳統(tǒng)方法難于解決的問(wèn)題[4]。但目前總體而言其在城市公共交通綜合評(píng)價(jià)領(lǐng)域的研究還處于起步狀態(tài)，仍有許多問(wèn)題需要進(jìn)一步研究。

［1］杜棟，龐慶華.現(xiàn)代綜合評(píng)價(jià)模型方法與案例精選[M].北京:清華大學(xué)出版社，2005:86-110.

［2］葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007[M].北京:電子工業(yè)出版社，2007:111-112.

［3］百度文庫(kù).2012-5-26.華普城市暢行指數(shù)-中國(guó)城市暢行指數(shù)2006年度報(bào)告.http://wenku.baidu.com/view/6d91662de2bd960590c67778.html.

［4］陳桂福，陳丹妮.基于VISSIM的山區(qū)高速公路隧道入口段行車安全分析[J].江西建材，2014（22）：178-180.