基于 BP 神經(jīng)網(wǎng)絡(luò)的公交車到站時間預(yù)測
掃描二維碼
隨時隨地手機(jī)看文章
引 言
隨著人們生活水平的提高,大部分家庭都擁有汽車,汽車的增多無疑加劇了城市的擁堵,汽車尾氣排放量增多也使得空氣質(zhì)量變差,人們的生活環(huán)境受到了很大影響[1]。城市的擁堵問題不能僅靠無限制地增加基礎(chǔ)設(shè)施來解決,再加上近幾年實(shí)行的尾號限行規(guī)定,人們的出行受到了限制,市民需要尋找一種更好、更高效的出行方式。由于公交車具有廉價、載客多、舒適等特點(diǎn),并可減少城市擁堵,因此已成為人們出行的首選交通工具 [2]。然而在一些中小城市,公交系統(tǒng)不夠智能化,大部分公交車車站并沒有設(shè)立電子標(biāo)牌,有電子標(biāo)牌的大部分也只顯示到站的距離和站數(shù),并不能為乘客提供確切的等車時間,特別是對于一些對時間要求較高的工作人員來說,在等車期間很容易產(chǎn)生焦慮的情緒,因此準(zhǔn)確地預(yù)測公交車到站時間是提高城市服務(wù)水平及實(shí)現(xiàn)高效公交系統(tǒng)的關(guān)鍵 [3]。若系統(tǒng)能預(yù)測出公交車到站的確切時間, 將為人們的出行提供便利 [4]。
由于到站時間受到多種因素影響,呈非線性變化,因此很難用普通的數(shù)學(xué)模型來解決 [5]。在眾多新型算法中,最經(jīng)典的是 GPS 定位技術(shù),它由美國率先提出,已應(yīng)用于汽車領(lǐng)域。國內(nèi)孫棣華 [6] 等通過 GPS 定位的數(shù)據(jù),結(jié)合車速、站點(diǎn)的路程差等因素完成預(yù)測。周雪梅 [7] 等把上一輛車的行駛速度作為路況參照,通過 GPS 的數(shù)據(jù)建立車輛站點(diǎn)停留時間模型。雖然 GPS 技術(shù)可實(shí)時采集、預(yù)報路況,但 GPS 前期資金投入較大,一些中小城市很難承受。公交車在經(jīng)過高樓、隧道等建筑設(shè)施時,容易導(dǎo)致數(shù)據(jù)不完整,在經(jīng)過信號塔時,也會受到信號干擾,這些因素都會直接影響數(shù)據(jù)采集。本文運(yùn)用 BP 算法對公交車到站時間進(jìn)行預(yù)測,它可逼近任意非線性映射,通過仿真學(xué)習(xí),能夠較準(zhǔn)確地對時間進(jìn)行預(yù)測 [8]。
1 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型
BP 神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行誤差反向傳播,其網(wǎng)絡(luò)結(jié)構(gòu)主要包括輸入層、隱藏層、輸出層,如圖 1 所示。
三層之間靠權(quán)值與閾值連接,每層包含多個節(jié)點(diǎn),網(wǎng)絡(luò)運(yùn)行時首先確定三層的節(jié)點(diǎn)數(shù),初始化三層之間的權(quán)值與閾值,選定學(xué)習(xí)效率與激勵函數(shù),函數(shù)公式如下 :
式中 wij 和 aj 分別是前兩層的權(quán)值與閾值,最后計算輸出層的輸出,公式如下:
式中 wjk 和 bk 分別為后兩層的權(quán)值和閾值。用輸出值與真實(shí)值作差得出預(yù)測誤差,若誤差滿足精度要求,則訓(xùn)練停止;
若不能滿足精度要求,網(wǎng)絡(luò)進(jìn)行反饋,調(diào)整權(quán)值與閾值的大小,再進(jìn)行上述計算,如此循環(huán)直到滿足精度要求 [9-10]。
2 案例研究
本文以唐山市 2 路汽車到站時間為例,其公交線路經(jīng)過主街道,途徑商業(yè)街、學(xué)校、醫(yī)院等,地理環(huán)境復(fù)雜。選取第一站婦產(chǎn)醫(yī)院與末站廣場到站時間作為輸入,將兩站的時間差作為輸出,數(shù)據(jù)采集時間為 2018 年 9 月 1 日到 2018 年10 月 30 日,每天早晨 7 :30 對公交車進(jìn)行跟車數(shù)據(jù)采集。一共采集了 60 組數(shù)據(jù),從中選取 50 組數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣
本,余下的作為檢測使用。因?yàn)榫W(wǎng)絡(luò)的輸入為兩站的到站時間,所以第一層神經(jīng)元數(shù)為 2 ;隱藏層數(shù)定為 5 ;輸出層只有一個結(jié)果,神經(jīng)元數(shù)定為 1,其三層神經(jīng)元依次為 2-5-1結(jié)構(gòu)。按照上述要求,仿真后所得數(shù)據(jù)見表 1 所列。
表 1 是經(jīng)過訓(xùn)練仿真得出的幾組數(shù)據(jù),從中可以看出,10 組預(yù)測值與真實(shí)值接近,且相對誤差都在 10% 以下,最低為 0.3%,表明預(yù)測效果較好。圖 2 為 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測曲線,虛線代表真實(shí)值,實(shí)線代表預(yù)測值,預(yù)測曲線較接近真實(shí)曲線,R2 為決定系數(shù),其值越接近于 1,表明預(yù)測效果越好。從圖中可以看出,R2 為 0.987 25,表明基于 BP 神經(jīng)網(wǎng)絡(luò)的公交車到站時間預(yù)測具有較高的準(zhǔn)確性。
3 結(jié) 語
本文運(yùn)用 BP 神經(jīng)網(wǎng)絡(luò)算法完成對公交車到站時間的預(yù)測,通過仿真驗(yàn)證可知該方法具有較高的準(zhǔn)確性。但是 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度較慢,在今后的研究中,應(yīng)考慮天氣與溫度等因素對時間的影響,尋找更好的算法來彌補(bǔ)不足。