關(guān)于機(jī)場(chǎng)出租車司機(jī)決策和乘車效率問題的研究

劉楚妍 霍健瑜 關(guān)正奇

摘要：為實(shí)現(xiàn)機(jī)場(chǎng)出租車司機(jī)收益和整體乘車效率最大化，通過分析影響司機(jī)決策的各主要因素，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)決策模型，給出司機(jī)留下待客還是放空返回市區(qū)的決策選擇。利用排隊(duì)論，建立機(jī)場(chǎng)整體乘車效率最高的優(yōu)化模型;并在考慮出租車司機(jī)收益均衡模型的情況下，構(gòu)建優(yōu)先權(quán)目標(biāo)函數(shù)，并利用遺傳算法求解。最后演算出滿足出租車司機(jī)收益最大化的選擇策略、“上車點(diǎn)”的設(shè)置個(gè)數(shù)和為達(dá)到收益平衡的“優(yōu)先”安排方案。

Abstract： In order to maximize the income of airport taxi drivers and the overall ride efficiency， by analyzing the main factors that affect the driver's decision-making， a BP neural network decision-making model is constructed to give the driver the decision choice of whether to stay for passengers or return to the city. Using queuing theory， an optimization model with the highest overall ride efficiency at the airport is established; and taking into account the equilibrium model of taxi drivers' income， a priority objective function is constructed and solved by genetic algorithm. Finally， it calculates the selection strategy to maximize the revenue of taxi drivers， the number of "boarding points" and the "priority" arrangement plan to achieve the balance of revenue.

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);排隊(duì)論;灰色預(yù)測(cè);遺傳算法

Key words： BP neural network;queuing theory;grey prediction;genetic algorithm

中圖分類號(hào)：F572;O225 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1006-4311（2020）30-0060-02

0 ?引言

機(jī)場(chǎng)陸側(cè)交通系統(tǒng)作為連接機(jī)場(chǎng)與城市居住區(qū)的重要樞紐，需要合理、有效的規(guī)劃來為乘客及貨物進(jìn)出港提供便利通道。本文將在保證機(jī)場(chǎng)陸側(cè)交通暢通和出租車司機(jī)收益一定的情況下，對(duì)機(jī)場(chǎng)出租車的載客問題進(jìn)行合理規(guī)劃。相較于現(xiàn)有文獻(xiàn)，本文對(duì)于解決機(jī)場(chǎng)出租車司機(jī)的決策和乘客乘車效率問題更具有針對(duì)性和完整性。

1 ?基于BP神經(jīng)網(wǎng)絡(luò)的出租車司機(jī)決策模型

1.1 出租車司機(jī)決策影響因素

①重大活動(dòng)次數(shù)。重大活動(dòng)次數(shù)越多，機(jī)場(chǎng)人流量增加，會(huì)有更多的人乘坐出租車，機(jī)場(chǎng)接客出租車需求量增大。②本月航班次數(shù)。每月航班次數(shù)正比乘客數(shù)量，乘客數(shù)增加，選擇乘坐出租車乘客基數(shù)增加。③各個(gè)月份節(jié)假日次數(shù)。每個(gè)月份的節(jié)假日天數(shù)不同，將會(huì)影響出租車司機(jī)的決策，如元旦、春節(jié)、清明、端午、勞動(dòng)節(jié)、中秋節(jié)、國(guó)慶等，多數(shù)人會(huì)在節(jié)假日選擇出行游玩，機(jī)場(chǎng)的人數(shù)將會(huì)增多，對(duì)于出租車的需求量也會(huì)增加。④機(jī)場(chǎng)日均乘坐出租車人數(shù)。機(jī)場(chǎng)日均乘坐出租車人數(shù)正比于出租車需求量。⑤機(jī)場(chǎng)日均等候出租車數(shù)量。若在接客區(qū)等候出租車數(shù)量較多，則司機(jī)選擇返回市區(qū)的可能性較大。因此機(jī)場(chǎng)日均等候出租車數(shù)量反比于出租車需求量。

1.2 BP神經(jīng)網(wǎng)絡(luò)模型

1.2.1 訓(xùn)練集和驗(yàn)證集 ?現(xiàn)有130組每月重大活動(dòng)次數(shù)、月航班班次、月節(jié)假日次數(shù)、機(jī)場(chǎng)日均乘出租車人數(shù)、機(jī)場(chǎng)日均等候出租車數(shù)量和月份的時(shí)間序列數(shù)據(jù)，將前100組作為訓(xùn)練學(xué)習(xí)樣本，后30的數(shù)據(jù)做為驗(yàn)證樣本。即訓(xùn)練集為前100組數(shù)據(jù)，后30組為驗(yàn)證集。

1.2.2 BP 神經(jīng)網(wǎng)絡(luò)的參數(shù) ?所設(shè)置的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型參數(shù)如表1所示。

1.2.3 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果 ?圖 1是 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的回歸效果，擬合優(yōu)度的系數(shù) R 到了 0.96373，說明了 BP 神經(jīng)網(wǎng)絡(luò)對(duì)于司機(jī)決策預(yù)測(cè)比較準(zhǔn)確。即在實(shí)際情況下，由乘車人數(shù)、航班次數(shù)等5個(gè)因素的指標(biāo)，能準(zhǔn)確給出司機(jī)的選擇策略。

2 ?基于排隊(duì)論的最佳“上車點(diǎn)”設(shè)置

2.1 基于排隊(duì)論建立乘車模型

排隊(duì)模型用四個(gè)符號(hào)表示，即 X / Y / Z / K 排隊(duì)系統(tǒng)。其中第一個(gè)符號(hào)X表示乘客到達(dá)流或乘客到達(dá)間隔時(shí)間的分布;第二個(gè)符號(hào)Y表示乘車時(shí)間的分布;第三個(gè)符號(hào) Z 表示上車點(diǎn)數(shù)目;第四個(gè)符號(hào) K 是排隊(duì)人數(shù)限制。

假設(shè)上車點(diǎn)每分鐘增加一名乘客，平均每位乘客上車時(shí)間為0.5分鐘，排隊(duì)滿員數(shù)為15人，則可將該系統(tǒng)看作一個(gè) M / M / s / K 混合制排隊(duì)系統(tǒng)，上車點(diǎn)數(shù)s由Lingo軟件計(jì)算出的等待時(shí)間Ws決定。由計(jì)算結(jié)果可知，當(dāng)站臺(tái)個(gè)數(shù)為3個(gè)時(shí)，逗留時(shí)間約為0.5分鐘，繼續(xù)增加站臺(tái)逗留時(shí)間無明顯變化。為了解站臺(tái)個(gè)數(shù)更大時(shí)，是否會(huì)出現(xiàn)逗留時(shí)間更短的情況，本文將對(duì)站臺(tái)個(gè)數(shù)增加時(shí)，逗留時(shí)間的變化進(jìn)行灰色預(yù)測(cè)。

2.2 基于GM（1，1）模型預(yù)測(cè)乘客逗留時(shí)間

最后檢驗(yàn)預(yù)測(cè)值并輸出。

由預(yù)測(cè)結(jié)果可知，當(dāng)站臺(tái)數(shù)目為3～16個(gè)時(shí)，乘客逗留時(shí)間均約為0.5分鐘，考慮到設(shè)置“上車點(diǎn)”所需費(fèi)用和占地面積等因素，設(shè)置3個(gè)站臺(tái)最為合理。在保證車輛和乘客安全的條件下，此時(shí)機(jī)場(chǎng)載客區(qū)總乘車效率最高。

3 ?基于遺傳算法的“優(yōu)先權(quán)”分配

3.1 模型建立

實(shí)現(xiàn)對(duì)某些短途載客后再次返回的出租車給予一定的“優(yōu)先權(quán)”，使得這些出租車的收益盡量均衡。基于本文問題分析，記x為出租車行駛里程，s（x）為出租車油費(fèi)，Y（x）為司機(jī)總收入。以下構(gòu)建出租車司機(jī)收益均衡函數(shù)：

出租車油費(fèi)與出租車路程有如下關(guān)系，其中K為系數(shù)，s（x）=Kx

司機(jī)總收入與路程關(guān)系如下，

因此，司機(jī)收益均衡函數(shù)，即出租車油費(fèi)占司機(jī)總收入的比重如下

可知？啄（x）越小，出租車油費(fèi)占司機(jī)總收入的比重越小，司機(jī)的收入越理想。

3.2 遺傳算法求解模型

根據(jù)出租車司機(jī)收益的特點(diǎn)，遺傳算法中適應(yīng)度函數(shù)值隨設(shè)置最大迭代次數(shù)變化，在有限迭代次數(shù)內(nèi)，迭代次數(shù)為100時(shí)自適應(yīng)度函數(shù)出現(xiàn)峰值，因此選取迭代次數(shù)為100比較合理。根據(jù)遺傳算法原理利用MATLAB對(duì)問題進(jìn)行仿真分析，分析結(jié)果如圖2所示。

圖2表明司機(jī)收益均衡指數(shù)隨路程的變化規(guī)律，易知當(dāng)路程為15公里時(shí)，司機(jī)收益均衡值達(dá)到最大，即出租車油費(fèi)占司機(jī)總收入比重大，司機(jī)平均收入低，根據(jù)收斂原則，當(dāng)司機(jī)收益均衡值為0.15時(shí)為安排出租車行駛里程遠(yuǎn)近的臨界值，因此應(yīng)安排載完2.499～26.25公里的出租車返回時(shí)享受“優(yōu)先權(quán)”即安排目的地遠(yuǎn)的乘客，載完目的地里程小于2.449公里或者大于26.25公里的出租車返回時(shí)安排目的地近的乘客，確保出租車司機(jī)的收益均衡。

4 ?總結(jié)

在保證司機(jī)收益的同時(shí)，最大限度地提高整體乘車?yán)寐?，這是合理安排資源、收益最大化的本質(zhì)所在。本文通過對(duì)所收集的機(jī)場(chǎng)與出租車等多方數(shù)據(jù)進(jìn)行分析，構(gòu)建了相關(guān)模型。本文首先利用BP神經(jīng)網(wǎng)絡(luò)對(duì)司機(jī)的選擇策略構(gòu)建模型，BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，在面對(duì)本文中的非線性問題時(shí)，很好的處理了影響因素與司機(jī)決策對(duì)應(yīng)關(guān)系，構(gòu)建出司機(jī)選擇決策模型，預(yù)測(cè)值與實(shí)際值擬合度較高，具有良好的適應(yīng)性和分類識(shí)別的能力。隨后本文利用排隊(duì)模型解決了乘客和出租車之間的匹配問題，緩解了機(jī)場(chǎng)交通樞紐排隊(duì)的現(xiàn)象。再利用灰色預(yù)測(cè)理論忽略復(fù)雜的客觀表象，通過對(duì)原始數(shù)據(jù)的整理來尋求其變化規(guī)律，較好的預(yù)測(cè)了乘客逗留時(shí)間隨站臺(tái)數(shù)的變化規(guī)律。得出在保證車輛和乘客安全的條件下，設(shè)置3個(gè)站臺(tái)時(shí)，機(jī)場(chǎng)載客區(qū)總乘車效率最高。最后本文通過構(gòu)建司機(jī)收益均衡函數(shù)即司機(jī)收益均衡函數(shù)即油費(fèi)占出租車司機(jī)收入的百分比，利用遺傳算法找出收益平衡函數(shù)的最優(yōu)解。進(jìn)而分析出出租車司機(jī)的優(yōu)先安排方案，對(duì)某些短途載客返回的出租車給予一定的優(yōu)先權(quán)，使得出租車司機(jī)的收益盡量均衡。

參考文獻(xiàn)：

[1]黃巖，王光裕.虹橋機(jī)場(chǎng)T2航站樓出租車上客系統(tǒng)組織管理優(yōu)化探討[J].城市道橋與防洪，2014（12）：7-9，35-36.

[2]孫健，丁日佳，陳艷艷.M/M/c型與M/M/1型排隊(duì)系統(tǒng)對(duì)比仿真[J].北京工業(yè)大學(xué)學(xué)報(bào)，2016，42（09）：1324-1331.

[3]Hao Wang，Kai Zhang，Junhua Chen，Zhifeng Wang，Guijun Li，Yuqi Yang. System dynamics model of taxi management in metropolises： Economic and environmental implications for Beijing[J]. Journal of Environmental Management，2018，213.

[4]顏超.上海市樞紐機(jī)場(chǎng)陸側(cè)公共交通管理研究[D].華東師范大學(xué)，2015.

[5]岳喜展.機(jī)場(chǎng)陸側(cè)交通需求預(yù)測(cè)及集散道路方案設(shè)計(jì)[D].吉林大學(xué)，2011.

作者簡(jiǎn)介：劉楚妍（1999-），女，河北石家莊人，本科，研究方向?yàn)樾畔⒖茖W(xué);霍健瑜（通訊作者）（1998-），男，遼寧盤錦人，本科，研究方向?yàn)樯窠?jīng)網(wǎng)絡(luò)。