围观改变中国
谷金晶;江志彬
【摘 要】To enhance coordination between departure time and fluctuation of passenger flow demand, timetable of buses need to be optimized based on real-time passenger demand.Based on boarding data of passengers collected from IC card, sectional passenger flows can be predicted and calculated individually using BP neural network and RBF neural network.Based on prediction of traffic flows, the optimization decisions and an evaluation model are employed to design a dynamic optimization process of bus timetable.The data of passenger flows of bus lines in Wenshan city is used and analyzed.The results show that accuracy of sectional passenger flows from RBF neural network is higher than which of BP neural network.Comparing to the former timetable, the travel cost can be reduced by 4.11% and 1.35% based on the optimized timetable using RBF neural network and BP neural network, respectively.The operating costs of enterprises can be reduced 7.06% and 4.60%, respectively.The feasibility and effectiveness of the proposed dynamic optimization method
is verified.%为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化.根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量.兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程.计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%.基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%.定量验证了动态优化方法的可行性和有效性.
【期刊名称】《交通信息与安全》
【年(卷),期】2017(035)002
【总页数】6页(P109-114)
【关键词】智能交通;BP神经网络;RBF神经网络;时刻表优化;评价模型
【作 者】谷金晶;江志彬
31岁又怎样
【作者单位】氧化苦参碱同济大学交通运输工程学院 上海 201804;同济大学道路与交通工程教育部重点实验室 上海 201804;同济大学交通运输工程学院 上海 201804;同济大学道路与交通工程教育部重点实验室 上海 201804
【正文语种】中 文
【中图分类】U492.2
abp-146公交时刻表是公交企业和乘客之间最重要的桥梁，能否及时高效地疏散高峰时段客流量成为评价时刻表运行方案的重要指标。为了缓解高峰期出行压力，加强车辆运营对高峰期客流需求的及时准确响应成为了时刻表编制的最基本问题。本文基于挖掘现有公交IC卡的上车乘客数据，有预见性地评估公交运力资源与客流需求的匹配程度，作为实时优化公交运行时刻表的决策依据，通过滚动优化评价，以期使实时优化出的公交高峰期时刻表更具有人性化。
挖掘IC卡刷卡数据用于时刻表动态优化方面的研究成果有：Saharidis[1]建立了以乘客候车时间为目标函数的混合整数线性模型，采用启发式算法求解。Kim[2]基于实时运行的数据
优化发车频率，对每个发车站点制定时刻表。Yu[3]结合经验模态分解和反向传播神经网络，构建了地铁短时客流预测模型。Zhang[4]联合主成分分析法和神经网络方法，研究了公交短时客流预测问题。戴霄[5]以单条公交线路IC卡信息为例，提出得到站点客流、线路客流、断面客流等主要客流指标的分析计算方法。杨秀华[6]利用公交IC卡及相关的准实时信息，运用指数平滑法预测公交短期客流量，建立了多目标规划模型，应用遗传-模拟退火算法优化了发车间隔。郭淑霞[7]基于时变二源数据，建立了考虑运营商成本、拥挤里程比例和换乘乘客平均候车时间3个目标的公交调度协调模型，采用NSGA-II算法求解模型。张健华[8]基于BP神经网络对短时客流的预测，研究了快速公交组合调度优化问题。肖华刚[9]挖掘IC卡刷卡数据，得出各时段客流情况，优化了时刻表。邓晓庆[10]基于BP神经网络算法，建立了高速公路事故预测模型。
以上研究成果重在公交短时客流预测与时刻表动态优化2个方面，对时刻表动态优化决策和流程未进行系统阐述。为了使公交服务能更准确地响应高峰出行需求变化，笔者提出的基于公交客流预测的高峰期时刻表优化，即在满足运力的前提下，编制出适用于动态客流需求的发车时刻表，力求使运行时刻表更具人性化和前瞻性。
1.1 神经网络算法适用性分析
公交线路各站点处上下车客流量，描述了公交客流时空需求特征，是公交调度的主要依据。国内城市普遍刷一次公交IC卡，采集到的原始数据缺少了断面客流量统计。关节置换术
神经网络模型较强的非线性处理能力，适应了公交线路上站点间客流变化的随机性和非线性，也弥补了传统预测方法在解决非线性、时变问题预测上的不足。神经网络能根据输入输出样本自动调整网络参数，并建立良好的输入输出映射关系，从而实现预测功能。进行下车人数预测时，只需提供上下车客流数据用于训练神经网络，获得分配矩阵的信息并储存于网络中。不必依赖确定的分配矩阵，就能对实际情况做出准确的预测。使得根据IC卡获取实时数据，并结合历史运营数据，预测高峰期客流需求成为可能。
1.2 神经网络算法对比分析
笔者选取BP神经网络和RBF神经网络算法对公交客流需求进行预测。对两种算法进行对比见表1。
1.3 神经网络预测模型构建及求解
1.3.1 参数输入
1) 模型参数设置。预测任意1 d时段(08：40-08：50时)公交出行客流的分布情况，选取影响客流需求的相关因素作为模型输入变量。主要有：天气、星期和节假日；前3个周相同周日同时段、前3 d同时段以及同1 d前3个时段的公交线路站点上下车人数。
2) 网络参数设置。BP神经网络：训练目标goal：500；训练次数epochs：5 000；学习速率lr：0.05；mu的最大值：1015；最小梯度要求：10-16；传递函数：purelin；训练函数：trainlm；网络类型：newff；预测仿真：sim( )。RBF神经网络：均方误差goal：0；扩展速度spread：0.8；网络类型：newrb；神经元最大数目MN：20。
1.3.2 算法设计
采用3层神经网络，对调查得的上下车人数进行训练。预测第3周周五高峰时段(08：40-08：50时)的各条线路站点下车客流数据。
步骤1。通过公交信息采集系统获得天气、星期、节假日等历史信息。选取正常运作情况下的公交客流上下车样本数据，对历史数据进行审核后，将数据分为训练样本和预测样本。
步骤2。对原始数据样本进行归一化处理。进行神经网络预测前，为避免原始数据过大造成
网络麻痹，对数据进行归一化处理。
步骤3。构造神经网络模型。选取历史上下车客流量、天气、星期和节假日作为输入输出样本，训练网络，建立神经网络预测模型。
步骤4。用训练好的神经网络模型预测下一时段的公交下车人数。
步骤5。进行网络训练误差分析。
1.3.3 结果分析
在Matlab 2010b中编程，分别采用BP神经网络和RBF神经网络算法，得到10条公交线路，高峰期(08：40-08：50时)各站点下车人数预测结果与实际获取数据对比图，列举出3条线路客流预测结果，见图1。
盖洛普q12
引入预测误差指数EA(0～1)，表征预测值与实测值间的拟合度，数值越大表示拟合的效果越好[11]。EA的计算如式(1)所示。
式中：yp(i)和yr(i)分别为第i个公交线路站点的时段下车人数预测值和实测值。EA各线路下
车人数预测误差分析如表2所示。
由表2可见，RBF神经网络预测结果总体精度比BP神经网络高出4.9%。公交线路站点断面客流量可依据式(2)进行计算。
式中：X(i)和X(i-1)分别为公交线路上第i个和第(i-1)个站点的时段车内人数值；ys(i)和yp(i)分别为第i个公交线路站点的时段上、下车人数值。
2.1 神经网络预测的时刻表优化流程
公交服务的基本目标之一是保证给定时段内的载客量与公交线路沿线上的最大客流量相适应。本文设计的公交时刻表优化流程见图2。基于神经网络算法，预测计算高峰时段公交线路断面客流量后，再对时刻表动态优化进行决策。本文从运能-运量分析和线路不均衡度，两个方面进行决策。若均未超出阈值则执行原方案，阈值范围参看文献[12]。若超出阈值，则对时刻表进行有的放矢的动态优化。通过时刻表优化前后评价方程数值对比，选取较优时刻表方案。
图2的时刻表动态优化流程中，既对通过神经网络算法计算得到的断面客流量进行了拟合度
校验，又对时刻表优化前和优化后分别进行了定量评价。保证了输入端公交客流数据的精度，同时为时刻表的每一步滚动优化都提供了准确的数据支撑。
图2中，线路配车数量计算如式(3)所示。
相应时段的发车间隔h，计算如式(4)所示。
2.2 时刻表方案评价模型
为进一步论证基于神经网络客流预测结果制定的时刻表优越性，引入乘客出行成本Z1和企业运营成本Z2两个指标，定量表征时刻表方案的相关成本。评价模型的构建如式(5)～(7)。
1) 运营总成本Z。
式中：α0，β0分别为乘客出行成本和企业运营成本占总运营成本的权重值。
2) 乘客出行成本Z1。
式中：α1，β1，γ1分别为等车时间费用、在车时间费用与公交票价的权重值；Iw，Id为初次候车时间价值、在车时间转换为乘客出行费用的系数，由城市居民人均日工资折算得到；G为公交站点集合，i，j∈G；n为公交线路编号，本例中n=1，2，…，10；hn为线路n的发车间隔，min；为线路n上站点i和j之间的时段出行需求量，人；Ln是调度周期内线路n的运营里程，km；vn为线路n上的公交车辆运行平均速度，km/h；τ为公交票价，元。
3) 企业运营成本Z2
式中：α2，β2和γ2分别为油耗、驾驶员工资和车辆折旧占企业运营成本的权重值；L为调度周期内所有公交线路的运营总里程数，km；Iz为将公交车辆行驶里程转化为公交运营费用的转换系数；θ′为单车百公里燃油消耗量，L/100 km；η为驾驶员工资，元/h；T为研究时段，h；θ″为车辆折旧，元/h。
3.1 模型参数输入
文山市公交线网由10条公交线路构成，其中共有173条路段。公交线网中共有130个公交站点，其中换乘站点共有37个。实际调查文山市公交线路运营参数包括：线路编号a，b；线
路长度，km；站点数，个；运营时间和单程行驶时间，min。依据文献[13]，模型参数值为：Iw=10 元/h；Id=8 元/h；τ=1元；T=1 h；α0=0.5；β0=0.5；α1=0.3；β1=0.3；γ1=0.4；α2=0.4；β2=0.3；γ2=0.3；Iz=8 元/h；η=10 元/h；θ′=25 L/100 km；
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议