基于神经网络的交通方式划分模型研究

维普资讯 http://www.cqvip.com 第３４卷第２５期　ＶｏＩ＿３４　Ｎｏ　２５　２　０　０　８年９月　山　西　建　筑　ＳＨＡ　ⅨＩ　ＡＲＣＨＩＴＥ　兀瓜Ｅ　Ｓｅｐ．２００８　・２１・　文章编号：１００９—６８２５（２００８）２５．００２１．０２　基于神经网络的交通方式划分模型研究　刘帅　周涛　胡圣华　摘要：在分析交通方式划分预测的一些基本理论的基础上，尝试应用概率神经网络进行交通方式划分建模，并给出了　算例，分析表明该模型对交通方式划分问题不仅有很强的解释性，同时具有很好的可操作性。　关键词：交通规划，四阶段法，交通方式划分，误差　中图分类号：ＴＵ９８４．１９１　文献标识码：Ａ　１研究背景　２．２模型的提出　交通需求预测（或交通需求分析）是交通规划的基础工作及　２．２．１　基本原理　主要依据，也是交通规划的主体部分。在国际上一直占据交通需　出行者的特征所构成的向量ｍ的一次观测写为如下的形　求预测主导地位的“四阶段”交通需求预测模式，即将交通需求预　式，称为方式选择向量：ｍ＝（ｍｌ，ｍ２，…，ｍＬ），对Ｎ个出行者的　测划分为四个阶段：出行生成预测、出行分布预测、出行方式选择　出行调查构成了Ｎ个样本：ｍｏｄｅｌ＝｛优ｌ，ｍ２，…，ｍＮ｝，每一个方　预测、出行分配预测。四阶段法的交通方式分担与之交通模型的　式选择向量可以分为如下的两部分：　研究已是学术界的主要研究方向之一。交通方式划分预测是对　Ｐ＝（ｍｌ，ｍ２，…，ｍＭ）　ｌ　出行者在一定的社会经济、城市环境等条件的约束下，选择何种　Ｑ＝（ｍＭ＋ｌ，ｍＭ＋２，…，ｍＬ）Ｊ　交通出行方式的预测。　其中，Ｐ为方式选择决策向量；Ｑ为出行者偏好向量。那么，　２０世纪７０年代，计量经济学家Ｄａｎｉｅｌ　Ｌ．ＭｃＦａｄｄｅｎＣ【　Ｊ提出　对出行个体的一次出行方式选择的观测向量可以表示为：　了“随机效用模型”的ＬＯＧＩＴ模型，并由Ｍｏｓｈｅ　Ｂｅｎ．Ａｋｉｖａ引入交　ｍ＝Ｐ０Ｑｄｅｆ（ｍｌ，ｍ２，…，ｍＭ，ｍＭ＋ｌ，…，ｍＬ）。　通需求预测领域　５Ｊ：交通方式的划分可以从研究出行者或顾客　其中，Ｐ为一个随机向量，其分布密度为：　整体转为研究出行者个体，并合理地假定每个出行者交通方式是　）＝　：　。　按自身最大效用来选择的。效用函数的取值式表达为可以观测　到的效用确定项　．。与不可确定的随机因素项（用以总结所有其　问题在于如何通过已知向量Ｐ，估计出未知向量Ｑ，即得到Ｑ　他无法观察到的影响）。　之和（下标ｑ表示出行者，ｉ表示交通　的均方误差估计值：Ｑ＝ｑ（Ｐ）。它使均方差达到最小，可表示为：　方式）：　Ｄ：Ｅ［Ｑ一　（Ｐ）］ｚ：ｆ［Ｑ一　（Ｐ）］ｚＰ（优）：ｆｆ［Ｑ一　Ｕ，ｑ　，ｑ＋。　，ｑ。　其中，　．。仅由待选的交通方式特性和出行者自身特性的组　（Ｐ）］　＿厂（Ｐ　０　Ｑ）ｄＰｄＱ。　成因素所决定。在交通方式的选择问题中，不论要选的方式是什　其中，ｄＰ（ｍ）＝ｆ（ｍ）ｄｍｌｄｍ２…ｄｍＬ＝　ＲｅＱ）ｄＰｄＱ，　ｆｆ　ｆｆ　么，每一种方式对做选择的个体或出行者来说都有或多或少的效　Ｄ＝一２Ｉ　Ｉ［Ｑ—ｑ（Ｐ）］　ｇ（Ｐ）ｆ（Ｐ　０　Ｑ）ｄＰｄＱ＋Ｉ　Ｉ［Ｑ—ｑ　用，一种方式的选定必然是因为该方式能产生出最高的效用。实　际应用中，通过较小样本抽样调查标定模型，计算出行者不同交　（Ｐ）］　（Ｐ　０　Ｑ）ｄＰｄＱ。　假定＿厂（Ｐ０Ｑ）是已知函数，则　（Ｐ０Ｑ）＝０，当国＝０时，　通方式的选择概率，通过集计化得到规划区域全体出行者选择某　种交通方式的概率值，达到交通方式划分计算的目的。　取得最小值，于是得到：　本文借鉴前人的研究成果，主要针对非集计交通方式划分预　Ｉ曲（Ｐ）ｄＰＩ［Ｑ—ｑ（Ｐ）］　Ｐ　０　Ｑ）ｄＰｄＱ＝０，当　ｇ（Ｐ）≠　测中出现的一些问题，提出了基于概率神经网络（ＰＮＮ）的方式划　０时，且对任意的Ｐ式成立，得：　分模型，它利用神经网络所特有的良好的分类能力，实现对方式　划分问题的求解。　Ｉ［Ｑ—ｑ（Ｐ）］ｆ（Ｐ　ｏ　Ｑ）ｄＱ＝０。　２基于神经网络原理的交通方式划分模型　于是可以得到：　２．１　交通方式划分方法　Ｉｏｆ（Ｐ０　Ｏ）ｄＯ　交通方式可以从不同角度来划分，一般通常有结构层次法和　ｑ（Ｐ）＝　——————一，　根据服务提供者两种，本文主要介绍后者。如以城市交通的人员　Ｉｆ（Ｐ０　Ｑ）ｄＱ　出行为例，可归结为两种：公交方式——直接服务者是公交公司；　Ａ　ｒ　非公交方式——直接服务者是道路部门。我国目前进行的交通　ｑ（Ｐ）＝Ｉｏｆ（Ｑ　ｌ　Ｐ）ｄＱ。　方式划分大多采用这种划分办法，简单地，干脆只粗略地分为：公　为充分利用样本，可利用信息扩散原理来表示离散数据的联　共交通和个人交通两种方式。　合概率密度【　，即：　收稿日期：２００８—０３．２０　作者简介：刘帅（１９８２一），男，重庆交通大学交通运输学院硕士研究生，重庆４０００７４　周　涛（１９６８一），男，教授级高级工程师，重庆市城市交通规划研究所，重庆４０００２０　胡圣华（１９８５一），男，重庆交通大学交通运输学院硕士研究生，重庆４０００７４　维普资讯 http://www.cqvip.com

・．　　２２　・．　　２　０３　４￣０　ｒ８－蓑２５　９年　月　　智　山　西　建　筑’　ｆ（ｍ）　志Ｎ　．　．　Ａ　［ｌ　（ｍ—ｍ　）　系为：Ｅ　＝（１一　十１＋尺　—Ｈｉ）Ｐ　，其中，　为在样本中第ｉ种　２　出行方式的比例。　显然，Ｈ＜１，１＋Ｒ　＞ｈｒ．。因此，对于某一种出行方式而言，　：—Ｎ｝・　．ａ　∑Ｎ　（　…　ｍ　）。　在命中率越大，相对误差越小的情形下，模型的过滤误差（验证误　其中，ＸＩ＝ｅｘｐ［一ｍ　／ａ　］，口为罚系数，口＝　；口为待定　差）越小；命中率与相对误差仅对某一出行方式而言没有任何必　系数；Ａ　为窗宽，它反映信息分配的模糊划分区间的大小。根据　然的关系。　以上假设和公式，可以推出向量Ｑ的估计值为：　３算例分析　（Ｐ）＝　—　一∑Ｑｉ￣（Ｐ—Ｐ，）＝∑Ｑ　本算例样本来自重庆市综合交通调查。居民出行调查数据：　∑　（Ｐ—ＰＪ）　Ｐ＝（性别，交通工具，年龄，职业，收入）；　Ｊ＝１　（Ｐ—Ｐｉ）　Ｑ＝（出租车，小汽车，公交车，步行）。　＝＿－——～。　对于一次具体的观测值：（１，２，２８，２，４，０，１，０，０），其含义为：　（Ｐ—Ｐｉ）　一个２８岁的男子，他的职业性质为上班职员，他拥有的私人交通　作者已得到出行者偏好向量的基于信息扩散原理的最优估　工具是小汽车，在调查时他的出行方式为乘出租车。算例结果如　计表达式。在实际运算中，一个特定的出行方式选择向量被视为　表１所示。　一个神经元，受出行选择决策向量的驱动，在振幅　的激励下，输　表１模型中误差及命中率测算值　出出行偏好向量的值。　参数　交通方式　２．２．２模型验证　步行　出租车　小汽车　公交车　实测值／％　４．４２　４．９９　２８．１３　６２．４６　模型的验证可以采用过滤误差（Ｆｉｌｔｒａｔｉｏｎ）和验证误差（Ｖｅｒｉ．　ＰＮＮ测算值／％　５．１８　５．４２　３２．１７　５７．２３　ｆｉｃａｔｉｏｎ）两种方式之一或两者联合使用。作者通过调整罚系数来　相对误差／％　１４．６７　８．６２　１４．３６　８．３７　进行网络的训练。罚系数的取值原则为：在使过滤误差尽可能小　命中率Ｈ／％　７１．４　８３．３　８４．４　９１．９　过滤误差Ｅ　０．１３７　０．１１１　０　２１８　０．２２１　的情况下，使得验证误差最小，这时罚系数为最佳。过滤误差（验　证误差）的计算公式如下：　从算例结果可以看出，模型对于交通方式划分拟合具有较好　厂■—丙—————————一　的精度。　Ｅ　√　（　一ｚ㈡　。　４结语　其中，Ｎ为样本数；０为观测标志；Ｃ为计算标志。　本文尝试了将概率神经网络技术运用于交通方式划分。由　在本模型中，为了更好地观察神经网络在方式划分中的作　于交通方式划分本质上是一个分类问题，因此可以运用神经网络　用，引入命中率和相对误差两个与过滤误差和验证误差相关的指　对此进行建模。从建模过程及算例结果来看，该模型对方式划分　标来分析。　问题具有很强的解释性和良好的操作性。　１）命中率。　参考文献：　各出行方式的命中率：　［１］黄海军．城市交通网络平衡分析理论与实践［Ｍ］．北京：人　Ｈ＝　ａｃｒｄ　（Ｃ　ｉｆ＂ｌ　Ｏｉ）ｘ　１００％民交通出版社，１９９４．　．　。　［２］Ｗｉｌｌｉａｍ　Ｈ．Ｇｒｅｅｎｅ．Ｅｃｏｎｏｍｅｔｒｉｃ　Ａｎａｌｙｓｉｓ经济计量分析［Ｍ］，　其中，Ｇ为神经网络测算值方式ｉ概率最大的出行个体构成　当代经济学教科书，译．北京：中国社会科学出版社，１９９８．　的集合；Ｏｉ为在观测样本中选择方式ｉ的出行个体构成的集合；　［３］　刘灿齐．现代交通规划学［Ｍ］．北京：人民交通出版社．　ｃａｒｄ为集合的元素个数。命中率从非集计的角度来考察模型的　２００１．　符合程度。　［４］Ｂｒｅｓｎａｈａｎ，Ｔ．Ｅ．，Ｓ．Ｓｔｅｍ　ａｎｄ　Ｍ．．Ｔｒａｉｔｅｎｂｅｒｇ“Ｍａｒｋｅｔ　ｓｅｇ—　２）相对误差。　ｍｅｎｔａｔｉｏｎ　ａｎｄ　ｔｈｅ　ｓｏｕｒｃｅｓｏｆ　ｒｅｎｔｓ　ｆｒｏｍ　ｉｎｎｏｖａｔｉｏｎ：Ｐｅｒｓｏｎａｌ　相对误差是从集计的角度来考察模型的符合程度。对于非　ｃｏｍｐｕｔｅｒｓ　ｉｎ　ｔｈｅ　ｌａｔｅ　１９８０　Ｓ”［Ｊ］．Ｒａｎｄ　Ｊｏｕｒｎａｌ　ｏｆ　Ｅｃｏｎｏｍｉｃｓ，　集计模型的集计，常用的有抽样统计、自然集计等，本例中采用的　１９９７（２８）：５１７—５４４、　是自然集计。　［５］黄海军．交通行为建模——问题与机会［Ｊ］、交通运输系统　工程与信息，２００２（１）：２３—２９．　Ｒｉ－－　Ｘ１００％。　［６］黄崇福，王家鼎，模糊信．ｇ．ｑｇ４ｇ￣Ｎ技术及其应用［Ｍ］．北　其中，Ｄ　为方式ｉ在观测值中所占比例；　为方式ｉ在测算　京：北京航空航天大学出版社，１９９５．　值中所占比例。　［７］　张洪恩，黎克继．浅析中国古代交通方式对城市发展的影响　３）过滤误差Ｅ（验证误差）与命中率Ｈ及相对误差尺的关系。　［Ｊ］．山西建筑，２００７，３３（２３）：４３—４４，　经推导，过滤误差（验证误差）与命中率和相对误差之间的关　Ｓｔｕｄｙ　ｏｎ　ｔｒａｆｉｌｅ　ｍｏｄｅ．．ｓｐｌｉｔ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ＬＩＵ　Ｓｈｕａｉ　ＺＨＯＵ　Ｔａｏ　ＨＩｄ　Ｓｈｅｎｇ－ｈｕａ　Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｓｏｍｅ　ｏｆ　ｔｈｅ　ｂａｓｉｃ　ｔｈｅｏｒｉｅｓ　ｏｆ　ｔｒａｆｆｉｃ　ｐｌａｎｎｉｎｇ，ｔｈｉｓ　ｐａｐｅｒ　ｍａｎａｇｅｄ　ｔｏ　ｕｓｅ　ｐｍｂａｂｉｌｉｓｔｉｃ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ—　ｉｇｎ　ｔｒａｆｆｉｃ　ｍｏｄｅ－ｓｐｌｉｔ，ａｎｄ　ａｎ　ｅｘａｍｐｌｅ　ｐｒｏｖｅｄ　ｉｔｓ　ｃｏｒｒｅｃｔｎｅｓｓ．Ｔｈｅ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｆａｃｉｎｇ　ｔｏ　ｔｈｅ　ｔｒａｆｆｉｃ　ｍｏｄｅ．ｓｐｌｉｔ　ｐｒｏｂｌｅｍ，ｔｈｅ　ｍｏｄｅｌ　ｉｓ　ｎｏｔ　ｏｎｌｙ　ｖｅｒｙ　ｅｘｐｌｎａａｔｏｒｙ，ｂｕｔ　ａｌｓｏ　ｈａｓ　ａ　ｇｏｏｄ　ｏｐｅｒａｂｉｌｉｔｙ．　Ｋｅｙ　ｗｏｒｄｓ：ｔｒａｆｆｉｃ　ｐｌａｎｎｉｇｎ，ｆｏｕｒ－ｓｔａｇｅ，ｔｒａｆｆｉｃ　ｍｏｄｅ－ｓｐｌｉｔ，ｅｒｒｏｒ