基于LSTM神經(jīng)網(wǎng)絡(luò)的公交線路可靠性評(píng)估

段曉凡, 高良鵬,2, 簡(jiǎn)文良,3, 陳丹丹

(1.福建理工大學(xué) 智能交通系統(tǒng)研究中心, 福州 350108; 2.東南大學(xué) 交通學(xué)院, 南京 210089;3.同濟(jì)大學(xué) 交通運(yùn)輸學(xué)院, 上海 201804; 4.福州市交通運(yùn)輸局, 福州 350100)

0 引言

由于存在道路擁堵、道路事故等問(wèn)題,我國(guó)城市公共交通在準(zhǔn)點(diǎn)上下行方面仍有較為顯著的不可預(yù)測(cè)性,這嚴(yán)重影響了出行者對(duì)城市公交服務(wù)系統(tǒng)的體驗(yàn). 因此,對(duì)于常規(guī)公交線路的行程時(shí)間可靠性評(píng)估分析成為當(dāng)前公交發(fā)展的核心問(wèn)題.

對(duì)于公交運(yùn)行可靠性的研究,大多數(shù)學(xué)者考慮到了可靠性的不同評(píng)價(jià)指標(biāo)、評(píng)價(jià)方法以及可靠性的影響因素. 比較常見(jiàn)的評(píng)估指標(biāo)主要有準(zhǔn)點(diǎn)率[1-2]、間隔時(shí)間可靠性[3-4]、行程時(shí)間可靠性[4-6]、出發(fā)時(shí)間可靠性[4]、乘客等待時(shí)間可靠性[7]等. 張玉紅[5]認(rèn)為：提升行程時(shí)間可靠性才能更好地保證網(wǎng)絡(luò)運(yùn)營(yíng)的準(zhǔn)時(shí)性. 周雨陽(yáng)[6]也提出：通過(guò)車輛滿載率、行程時(shí)間可靠性來(lái)評(píng)價(jià)多模式公交可綜合體現(xiàn)穩(wěn)定性. 可見(jiàn),行程時(shí)間可靠性是目前評(píng)估公交可靠性比較常用的指標(biāo),可較好體現(xiàn)車輛延誤與否. 對(duì)于評(píng)估方法,杜雨威[8]從靜態(tài)、實(shí)時(shí)和預(yù)測(cè)3個(gè)角度出發(fā),并結(jié)合不同時(shí)段的交通特征,對(duì)貴陽(yáng)市公交線路可靠性進(jìn)行了評(píng)價(jià). Varga[9]提出1種多目標(biāo)控制策略來(lái)保障公交車頭時(shí)距的穩(wěn)定性和時(shí)刻表的可靠性,其中站點(diǎn)停靠?jī)?yōu)化模型則用于準(zhǔn)確測(cè)算站點(diǎn)區(qū)間的行駛時(shí)間. Borjesson[10]通過(guò)對(duì)3個(gè)時(shí)間段和2個(gè)中轉(zhuǎn)模式指出行程時(shí)間的隨機(jī)性是引起可靠性波動(dòng)的重要原因. 對(duì)于影響行程時(shí)間可靠性的因素,羅霞[11]根據(jù)公交定位數(shù)據(jù),得到公交可靠性與線路長(zhǎng)度、信號(hào)交叉口個(gè)數(shù)、站點(diǎn)個(gè)數(shù)、時(shí)間段等方面均有關(guān)系. 朱家哲[12]結(jié)合經(jīng)驗(yàn)從路段平均行程速度、交叉口飽和度等擁堵程度評(píng)價(jià)指標(biāo)出發(fā),探究不同擁堵程度與行程時(shí)間可靠性的相關(guān)關(guān)系. 通過(guò)邏輯回歸模型分析,王玲[13]得出站點(diǎn)數(shù)目、是否工作日以及公交通過(guò)的區(qū)域類型對(duì)可靠度有顯著影響.

簡(jiǎn)單傳統(tǒng)的評(píng)估模型已被廣泛應(yīng)用,但隨著近幾年車輛數(shù)量增加,傳統(tǒng)模型的局限性也逐漸凸顯,主要表現(xiàn)在模型計(jì)算效率低、缺乏對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和調(diào)整的能力,難以應(yīng)對(duì)復(fù)雜多變的城市交通環(huán)境. 因此機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)等方法開(kāi)始得到重視. 這些方法的主要優(yōu)點(diǎn)不僅是它們比其他模型更容易實(shí)現(xiàn),而且能在應(yīng)用時(shí)保持高效性能[14]. 羅建平[15]通過(guò)分析行程時(shí)間的影響因子,建立粒子群優(yōu)化的輕量級(jí)梯度提升機(jī)算法預(yù)測(cè)行程時(shí)間. Yu[16]通過(guò)公交出行時(shí)間與空間和時(shí)間域中當(dāng)前和歷史數(shù)據(jù)的相關(guān)性來(lái)探索. Pan[17]提出了基于歷史數(shù)據(jù)模型的算法,提取公交車位置、速度和行駛時(shí)間數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練,在公交樣本序列具有高度非線性和不規(guī)則性時(shí)表現(xiàn)突出. Agafonov[18]考慮了運(yùn)輸情況的異構(gòu)信息,利用LSTM對(duì)序列數(shù)據(jù)長(zhǎng)時(shí)依賴關(guān)系的建模能力來(lái)預(yù)測(cè)行程時(shí)間. 故有必要選擇可捕捉公交行駛時(shí)間序列中的潛在模式和趨勢(shì)的模型評(píng)估公交線路可靠性.

總體來(lái)說(shuō),對(duì)于公交可靠性的計(jì)算和評(píng)估,大部分的專家學(xué)者只考慮起點(diǎn)和終點(diǎn)的狀態(tài)而且只針對(duì)某1條或者幾條線路評(píng)價(jià),分析的結(jié)果也許并不能反映整體狀況,因此有必要盡可能研究城市范圍內(nèi)的多條線路的所有站點(diǎn),給出一般性結(jié)論. 本文基于公交進(jìn)出站數(shù)據(jù),充分考慮到線路中每個(gè)站點(diǎn)的運(yùn)營(yíng)情況,構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的窄界限評(píng)估模型解析城市公交線路可靠性,根據(jù)評(píng)估結(jié)果,利用多元線性回歸分析高峰期不同站點(diǎn)的可靠性影響因素.

1 可靠性評(píng)估模型

1.1 可靠性計(jì)算方法

針對(duì)可靠性的判斷,大多研究只考慮了起點(diǎn)與終點(diǎn)的狀態(tài),但是某個(gè)站點(diǎn)如果發(fā)生延誤,會(huì)對(duì)下游的公交站點(diǎn)造成影響[19]. 由于中間公交站點(diǎn)的行駛情況難以判斷,Chen[20]提出可靠性不單單是終點(diǎn)準(zhǔn)點(diǎn)的體現(xiàn),更是中間站點(diǎn)準(zhǔn)點(diǎn)的體現(xiàn). 因此,本文在測(cè)度公交線路的整體可靠性時(shí),逐一考慮了各線路各區(qū)間的公交車行駛狀態(tài),若公交車沒(méi)有按照規(guī)定時(shí)間到達(dá)下游站點(diǎn),則判定其在該區(qū)間的行駛不可靠. 規(guī)定只要該公交線路上有1個(gè)行駛區(qū)間不可靠,則認(rèn)為該條公交線路出現(xiàn)運(yùn)營(yíng)不可靠的情況. 引入失效概率作為評(píng)估指標(biāo),若某條公交線路的失效概率越大,則表明其可靠性越低. 公交線路的可靠性可從2個(gè)層面逐步計(jì)算得到：

1)站點(diǎn)間車輛行駛的可靠性

本文結(jié)合北京公交集團(tuán)對(duì)于“準(zhǔn)點(diǎn)”的定義,在計(jì)算過(guò)程中將公交車輛早于時(shí)刻表規(guī)定時(shí)間1 min或者晚于時(shí)刻表規(guī)定時(shí)間2 min內(nèi)到達(dá)站點(diǎn)認(rèn)定為行駛是可靠的. 將公交車輛到達(dá)下游站點(diǎn)的計(jì)劃行駛時(shí)間記為Trij公交車輛到達(dá)下游站點(diǎn)的實(shí)際行駛時(shí)間記為Arij,若滿足：

Arij∈[Trij-60,Trij+120]
?i∈(i,n-1),j∈(2,n),i≠j

(1)

式中,Ar表示本次行駛是可靠的,反之,則說(shuō)明該次行駛無(wú)法滿足準(zhǔn)點(diǎn)要求;i和j表示同一公交線路中相鄰2個(gè)站點(diǎn)對(duì)應(yīng)的編號(hào);n為線路站點(diǎn)的最大編號(hào).

由于在實(shí)際情況中,公交車輛往往是多次往返穿梭于線路站點(diǎn)之間,因此可將公交線路各個(gè)區(qū)間中滿足條件的實(shí)際行駛時(shí)間視為1個(gè)集合,則各個(gè)區(qū)間的失效概率應(yīng)表示為：

(2)

式中,i為公交站點(diǎn)對(duì)應(yīng)的編號(hào);m為第i個(gè)站點(diǎn)實(shí)際行駛時(shí)間數(shù)據(jù)的數(shù)量.應(yīng)用數(shù)理統(tǒng)計(jì)方法擬合出城市公交線路各段的失效狀態(tài)概率分布.

2)公交線路的可靠性

由上述可知,若公交車輛能按照規(guī)定時(shí)間從上游站點(diǎn)i到達(dá)相鄰的下游站點(diǎn)j,表明本次行駛處于“可靠”狀態(tài),記為Si;反之,若公交車輛不能準(zhǔn)時(shí)到達(dá)下游站點(diǎn),則說(shuō)明時(shí)刻表在該站點(diǎn)區(qū)間上“失效”,記為Fi.

圖1為公交線路的運(yùn)營(yíng)狀態(tài).圖中實(shí)線表示站點(diǎn)區(qū)間的行駛是“可靠”的,虛線表示站點(diǎn)區(qū)間的行駛是“失效”的.如圖1(a)中,假設(shè)由于公交車在站點(diǎn)區(qū)間1中失效,導(dǎo)致線路后續(xù)可能發(fā)生失效的情況,見(jiàn)式(3)：

圖1 公交線路運(yùn)營(yíng)狀態(tài)說(shuō)明圖

Pf=P(F1)

(3)

在圖1(b)中,公交失效的部分從站點(diǎn)區(qū)間 1 變?yōu)檎军c(diǎn)區(qū)間 2,根據(jù)集合理論可知該情況發(fā)生的概率為：

Pf=P(F2∩S1)

(4)

同理可得,如圖1(c)當(dāng)車輛失效發(fā)生在站點(diǎn)區(qū)間3中時(shí),其對(duì)應(yīng)的概率為：

Pf=P(F3∩S2∩S1)

(5)

以此類推,當(dāng)車輛失效發(fā)生在第n個(gè)站點(diǎn),其概率計(jì)算公式為：

Pf=P(Fn∩Sn-1∩Sn-2…∩S2∩S1)

(6)

由集合理論可知,某條公交線路發(fā)生失效的概率為：

Pf=P(F1)+P(F2∩S1)+P(F3∩S2∩S1)…+
P(Fn∩Sn-1∩Sn-2…∩S2∩S1)

(7)

若將各區(qū)間的狀態(tài)視為集合,則對(duì)應(yīng)地可得到2個(gè)子集,分別是可靠子集S和失效子集F.而前述圖1(b)和圖1(c)中描述時(shí)刻表晚點(diǎn)發(fā)生在站點(diǎn)區(qū)間1之后的公式即可規(guī)整為：

Pf=P(F2∩S1)=P{F2∩(R-F1)}=
P(F2∩R)-P(F2∩F1)=
P(F2)-P(F2∩F1)

(8)

Pf=P{F3∩(R-F2)∩(R-F1)}=
P{(F3-F2∩F3)∩(R-F1)}=
P(F3)-P(F2∩F3)-P(F3∩F1)+
P(F3∩F2∩F1)

(9)

相應(yīng)的,可推導(dǎo)出公交線路發(fā)生失效的概率計(jì)算公式為：

(10)

式中,公交線路上的失效概率計(jì)算量將隨著站點(diǎn)區(qū)間數(shù)量的增加而增加,這不利于對(duì)線路可靠性的快速評(píng)估.因此,本文考慮通過(guò)測(cè)度失效概率的上下邊界數(shù)值來(lái)簡(jiǎn)化計(jì)算量,提升計(jì)算效率.根據(jù)窄界限理論可知,對(duì)于公交線路的任意相鄰站點(diǎn)區(qū)間能滿足關(guān)系：

P(Sn-1∩Sn-2…∩S1)≤P(Sn)=P(1-Fn)

(11)

通過(guò)整合式(10)(11),可得：

(12)

此外,對(duì)于公交線路任意站點(diǎn)區(qū)間亦能滿足關(guān)系：

P(Sn-1∩Sn-2…∩S1)≥
1-{P(F1)+P(F2)+…P(Fn-1)}

(13)

可進(jìn)一步推導(dǎo)出：

(14)

通過(guò)整合式(10)(14),可得：

(15)

因此,可得到公交線路的失效概率上下限數(shù)值為：

(16)

(17)

式中,Pupper為失效概率的上限值;Plower為失效概率下限值.

為方便計(jì)算,本文將失效率取值為其上下限的均值作為公交線路失效概率見(jiàn)式(18)：

(18)

1.2 可靠性評(píng)估模型

LSTM具有對(duì)序列數(shù)據(jù)長(zhǎng)時(shí)依賴關(guān)系的建模能力. 在公交系統(tǒng)中,1個(gè)車輛出現(xiàn)延誤可能會(huì)導(dǎo)致后續(xù)車輛也出現(xiàn)延誤,形成延誤傳播現(xiàn)象. LSTM可通過(guò)學(xué)習(xí)歷史公交到站時(shí)間來(lái)獲取潛在的延誤情況,并且考慮到延誤傳播的影響,減少運(yùn)營(yíng)風(fēng)險(xiǎn),提高服務(wù)水平.

在LSTM中,早期階段的記憶可通過(guò)包含1條記憶線的槽門來(lái)完成. 圖2展示了完整的LSTM架構(gòu),由輸入層、1個(gè)或多個(gè)隱藏層和輸出層組成設(shè)置,輸入層的大小等于輸入變量的數(shù)量,LSTM網(wǎng)絡(luò)的主要特征包含在所謂的存儲(chǔ)單元組成的隱藏層中. 根據(jù)之前的輸入序列(如時(shí)間)觀察保持細(xì)胞狀態(tài)ct,但也能消除被認(rèn)為不相關(guān)的信息.為了實(shí)現(xiàn)這種機(jī)制,信息的維護(hù)由3個(gè)門控制：輸入門、忘記門和輸出門.3個(gè)門中的每1個(gè)都呈現(xiàn)了在前1個(gè)的存儲(chǔ)單元的輸出Pf-1以及本次輸出Pf.設(shè)w表示任意單位的權(quán)重,根據(jù)權(quán)重更新策略不斷優(yōu)化.每個(gè)門在t時(shí)刻產(chǎn)生1個(gè)狀態(tài)變量,分別是Gt、It以及單元輸出Ot.多個(gè)LSTM可堆疊,本文選擇2層LSTM堆疊,這樣可學(xué)習(xí)到更復(fù)雜的數(shù)量信息模式.

圖2 完整的LSTM架構(gòu)

圖2中定義Gt是遺忘門輸出,將上一時(shí)刻的失效概率Pf-1和當(dāng)前時(shí)刻的行駛時(shí)間Arij,同時(shí)傳遞到sigmoid函數(shù)中去,輸出值介于0和1之間,丟棄接近0的數(shù)據(jù).

Gt=σ(wG[Pf-1,Arij]+bG)

(19)

定義It為輸入門,Ct為當(dāng)前狀態(tài)需要記憶的信息.通過(guò)sigmoid函數(shù)調(diào)整值,也要傳遞到tanh函數(shù)中得到候選值,確定訓(xùn)練所需的行駛時(shí)間.更新過(guò)后的狀態(tài)記為L(zhǎng)t.

It=σ(wI[Pf-1,Arij]+bI)

(20)

Ct=tanh (wC[Pf-1,Arij]+bC)

(21)

Lt=GtLt-1+ItCt

(22)

定義Ot為輸出門,用來(lái)確定下1個(gè)失效概率的值作為當(dāng)前步長(zhǎng)的輸出,將其作為新的隱藏狀態(tài)傳遞到下1個(gè)時(shí)間步長(zhǎng).Pf代表輸出門的狀態(tài),也是當(dāng)前時(shí)刻線路的失效概率.

Ot=σ(wO[Pf-1,Arij]+bO)

(23)

Pt=Ottanh (Ct)

(24)

將數(shù)據(jù)處理過(guò)后的行駛時(shí)間作為輸入送到LSTM,并使用上文提到的窄界限法來(lái)計(jì)算公交線路的實(shí)際失效概率作為輸出訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò).

1.3 訓(xùn)練屬性

為了使用所提出的模型,需要訓(xùn)練它來(lái)優(yōu)化每1層中的學(xué)習(xí)參數(shù),例如權(quán)重w和偏差b. 優(yōu)化后的參數(shù)可映射輸入向量和輸出向量之間的關(guān)系.

按照機(jī)器學(xué)習(xí)中的正常趨勢(shì),訓(xùn)練和測(cè)試數(shù)據(jù)集被分離為7/10和3/10,采用了均方誤差(MSE)和平均絕對(duì)誤差(MAE)作為損失函數(shù),這兩個(gè)損失函數(shù)都是凸函數(shù),相對(duì)于其他損失函數(shù)來(lái)說(shuō)比較容易優(yōu)化,而且更具直觀性. MSE可用于檢查得到的失效概率和真實(shí)失效概率的偏差程度,而MAE值可用于表示測(cè)試結(jié)果與真實(shí)失效概率的絕對(duì)偏差見(jiàn)式(25)(26).

(25)

(26)

式中,N是預(yù)測(cè)/訓(xùn)練樣本的數(shù)量;vprediction是基于評(píng)估模型得到的公交線路失效概率;vtruth是從通過(guò)公交進(jìn)出站數(shù)據(jù)計(jì)算得到的失效概率.

2 案例分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為檢驗(yàn)本文方法的可行性與有效性,收集公交路線信息和實(shí)時(shí)數(shù)據(jù),以評(píng)估模型性能,研究重點(diǎn)是江蘇宜興的公交車輛,如圖3所示. 宜興市是江蘇省無(wú)錫市代管縣級(jí)市,位于江蘇省西南端,地處滬寧杭三角中心,下轄5個(gè)街區(qū)和13個(gè)鄉(xiāng)鎮(zhèn). 目前,宜興市擁有公交線路51條,公交線網(wǎng)運(yùn)營(yíng)的總長(zhǎng)度約246.4 km,日均發(fā)車班次5 400個(gè),日均運(yùn)量16.6萬(wàn)人次. 城市整體的公交線網(wǎng)密度為1.48 km/km2,城市出行結(jié)構(gòu)中公交分擔(dān)率達(dá)到26%. 城市公交已經(jīng)成為宜興市居民日常出行的1種重要方式.

圖3 江蘇宜興公交路線

在這項(xiàng)工作中,選取了江蘇宜興的26條公交路線以及他們?cè)?019年12月公交車輛進(jìn)出車站記錄作為實(shí)驗(yàn)數(shù)據(jù),數(shù)據(jù)主要包括公交線路編號(hào)、站點(diǎn)編號(hào)、站點(diǎn)名稱、車輛牌號(hào)、到達(dá)與駛離各站點(diǎn)的經(jīng)緯度、時(shí)間戳、方向等.

2.2 結(jié)果分析

公交相鄰站點(diǎn)間的行駛時(shí)間可作為1個(gè)向量,計(jì)算出站間和線路的失效概率,進(jìn)一步應(yīng)用LSTM算法來(lái)測(cè)試得到矢量. 當(dāng)LSTM模型中的隱藏層的數(shù)量設(shè)置為20時(shí),MSE為1.96,MAE為0.85,實(shí)現(xiàn)了該模型的最佳性能.

為證明本文方法的高效準(zhǔn)確性,將其與蒙特卡洛法、BP神經(jīng)網(wǎng)絡(luò)模型比較,結(jié)果如圖4所示. 與相對(duì)傳統(tǒng)的蒙特卡洛法比較,雖然計(jì)算速度相比較而言較快,但它在相同的迭代次數(shù)下收斂速度較慢,很難得到真實(shí)值. 而與現(xiàn)如今比較常用的BP模型相比,LSTM模型期望值與實(shí)際值差距更為細(xì)微. 隨著迭代次數(shù)增加,LSTM網(wǎng)絡(luò)模型的誤差逐漸減小并最后趨于穩(wěn)定,它將MSE降低了3.5%、MAE降低了2.9%,減少了較小的誤差差距. BP模型之所以出現(xiàn)較差效果是因?yàn)樗o定的初始權(quán)值與閾值是隨機(jī)的,導(dǎo)致每一次的運(yùn)算結(jié)果會(huì)有出入,需不斷嘗試得到最優(yōu)的隱含層節(jié)點(diǎn)數(shù)目,得到最優(yōu)解的過(guò)程較長(zhǎng). 由此表明LSTM評(píng)估模型在得到線路失效概率的效率和準(zhǔn)確率方面表現(xiàn)良好.

圖4 公交線路失效概率

圖4列舉了12月30日公交線路失效概率,根據(jù)失效概率數(shù)值可得到1路、7路、9路、19路、112路車可靠性相較于其余線路略低,而4路、14路、151路、153路車的可靠性較高. 經(jīng)過(guò)研究發(fā)現(xiàn),可靠性偏低線路的途經(jīng)站點(diǎn)大多數(shù)位于中心城區(qū)較為繁華的地帶,具有較高的交通擁堵與交通事故發(fā)生率. 道路擁堵?tīng)顩r、?？織l件以及人流量都有可能影響公交線路的可靠性,因此本研究從站點(diǎn)所處地理位置的真實(shí)情況入手進(jìn)行分析以達(dá)到提升線路的可靠性的目的.

高峰期交通流量巨大,大部分站點(diǎn)都會(huì)出現(xiàn)延誤現(xiàn)象,但是延誤程度卻各有差異. 本文根據(jù)評(píng)估結(jié)果,選取早高峰07：00—09：00時(shí)段與晚高峰17：00—19：00時(shí)段的公交線路中相對(duì)具有代表性的50個(gè)站點(diǎn)評(píng)估其可靠性,并通過(guò)調(diào)查它們的車道數(shù)量、交叉路口紅綠燈數(shù)量、站臺(tái)設(shè)置位置以及?？烤€路數(shù)量來(lái)研究影響站點(diǎn)可靠性的原因,部分站點(diǎn)的總體情況如表1所示.

表1 部分站點(diǎn)總體情況

通過(guò)多元線性回歸模型分析它們與可靠性之間的關(guān)系,模型的R2為0.93,表明模型擬合程度較好. 多元線性回歸模型在探究多個(gè)自變量對(duì)因變量的影響時(shí),可消除其他自變量的影響,以便更加準(zhǔn)確地評(píng)估每個(gè)自變量的影響. 通過(guò)表2可看出,車道數(shù)量、路口信號(hào)燈數(shù)量與停靠線路數(shù)量的P值均小于0.05,說(shuō)明這3個(gè)方面與可靠性關(guān)系顯著. 從回歸系數(shù)可看出車道數(shù)量與可靠性成正相關(guān),信號(hào)燈數(shù)量、?？烤€路數(shù)量與可靠性成負(fù)相關(guān). 而且車道數(shù)量與停靠線路數(shù)量對(duì)可靠性影響較大,信號(hào)燈數(shù)量對(duì)可靠性影響較小.

表2 多元線性回歸分析

在所調(diào)查站點(diǎn)中,樹(shù)人中學(xué)、人民醫(yī)院、勸業(yè)廣場(chǎng)、蘇南商廈、世紀(jì)大橋、迎賓路、荊溪新村、上海新苑的可靠性較低. 通過(guò)結(jié)合高德地圖可看出,這些站點(diǎn)大部分集中在學(xué)校、醫(yī)院、商圈、交通樞紐附近,主要是因?yàn)檫@些地點(diǎn)的內(nèi)在屬性導(dǎo)致了高峰期時(shí)段人流量和車流量密集,停靠線路數(shù)量過(guò)多而車道數(shù)量過(guò)少無(wú)法緩解交通堵塞導(dǎo)致車輛不準(zhǔn)點(diǎn). 也有少部分可靠性低的站點(diǎn)分布在住宅區(qū),可能因?yàn)楣卉囋诖┰椒泵Φ睦铣菂^(qū)時(shí),需要面對(duì)狹窄的街道和擁堵的交通,從而影響了車輛的行駛速度和準(zhǔn)點(diǎn)率. 如果能針對(duì)不同的地點(diǎn)和原因,提出相應(yīng)的應(yīng)對(duì)建議,如增加站點(diǎn)、調(diào)整線路、增加備用車輛、提高司機(jī)素質(zhì)等措施,即能有效提高線路的可靠性,提升乘客體驗(yàn)感.

3 結(jié)束語(yǔ)

本文將可靠性的概念引入到公交線路的評(píng)估中,通過(guò)解析公交車輛在上下游相鄰站點(diǎn)區(qū)間的行駛過(guò)程,計(jì)算站點(diǎn)和線路的失效概率,構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的窄界限評(píng)估模型,高效準(zhǔn)確地得到公交線路的可靠性. 所提出的評(píng)估方法是1種簡(jiǎn)單的全局性評(píng)估方法,日常評(píng)估過(guò)程不受網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的影響. 特別地,采用此種方法可減少原始方法所耗費(fèi)的時(shí)間,根據(jù)最終評(píng)估結(jié)果反映出其中的薄弱環(huán)節(jié)以便優(yōu)化. 通過(guò)案例分析得到,26條公交線路的可靠性存在差異,提取了相對(duì)具有代表性的站點(diǎn),進(jìn)一步利用多元線性回歸分析方法,探究影響高峰期站點(diǎn)可靠性高低的原因與車道數(shù)量、路口信號(hào)燈數(shù)量、線路數(shù)量均有關(guān)系. 對(duì)于未來(lái)的工作,可進(jìn)一步探索精細(xì)化的可靠性評(píng)估模型,采集不同城市、不同交通狀況的公交站點(diǎn)、線路以及行程時(shí)間數(shù)據(jù),滿足多站點(diǎn)同步評(píng)估的功能需求,實(shí)現(xiàn)對(duì)不同車輛調(diào)度運(yùn)營(yíng)方案的可靠性預(yù)警.