城市軌道交通系統的適用性評價

左忠義，李 鑫

(大連交通大學 交通運輸工程學院，遼寧 大連 116028)*

0 引言

隨著我國城市化發展的加速，人們對于出行需求大幅增加，加之私家車數量的極速增加，城市的交通擁堵問題十分嚴重.結合城市自身特點建設適合的公共交通，優先發展公共交通是解決城市擁堵問題的最佳途徑.城市軌道交通系統是一種運量大、快速、安全、環保節能的城市公共交通系統，同時對改善出行條件，引導城市局部發展方面做出很大貢獻，因此已經廣泛應用于國內外的許多城市.但是由于各個城市的自然條件、經濟條件以及已經建成的公共交通水平都各不相同，那么到底什么樣的城市適合軌道交通的發展是現在所面臨的問題.因此本文對城市軌道交通的適用性問題進行研究，從而能夠客觀合理的進行城市軌道交通的建設.

目前對于適用性的評價方法常用的有層次分析法、模糊綜合評價法等，應用這些方法進行評價時并不能克服實驗過程的隨機性和主觀性.因此本文采用BP神經網絡的評價方法，可以有效的避免上述評價方法的不足，客觀公正的對軌道交通的適用性進行評價，保證軌道交通合理、適度的建設.

1 城市軌道交通適用性分析

交通系統的適用性［1-4］具體體現在服務方面、成本方面、環境影響方面和社會環境影響方面.城市軌道交通的適用性就是指城市軌道交通技術設備，運營條件等滿足城市居民使用的能力，讓城市軌道交通與城市之間相互適應，達到整體條件下的最優.城市軌道交通的適用性要求城市軌道交通的建設與城市整體規劃的要求相適應，與環境的發展和維護相適應，并且建設施工過程中的安全因素也制約著城市軌道交通的適用性.

2 基于BP神經網絡城市軌道交通適用性評價模型的構建

2.1 BP 神經網絡

BP神經網絡的全稱是反向傳播學習算法模型(Back-Propagation Network)，它是人工神經網絡當中應用最廣泛的網絡模型之一，同時也體現了人工神經網絡當中最最核心的部分.BP神經網絡完整的理論是由 Rumelhart· Hinton 與 Williams［5］提出的，它是由輸入層、輸出層和隱含層構成的多層前向網絡，其具體的結構圖如圖1所示.

圖1 BP神經網絡簡化結構圖

根據圖可以看出，各層與各層之間采用的是全互連方式，而同層單元之間則無相互連接.輸入的信號從輸入節點輸入傳遞到隱含層節點，然后傳向輸出層，每一層的節點輸出只影響下一層節點的輸出.

BP神經網絡在進行科學實驗的時候，對于網絡層數的選取，神經元個數的確定，傳遞函數的確定以及選擇什么樣的訓練算法，都沒有具體的選擇參考標準，因此只能通過大量的實驗來確定.由于計算量很大，所以采取計算機和相關的軟件代替人工進行實驗計算.神經網絡工具箱(Neural Network Toolbox)簡稱NNT，該工具箱中包含了很多神經網絡常用的模型，還涵蓋很多常用的學習算法，并且計算機軟件的計算速度遠遠高于手工計算，因此本文在進行城市軌道交通適用性評價時就是采用的MATLAB軟件中的神經網絡工具箱進行實驗.

2.2 BP神經網絡評價模型中評價指標體系的確定

根據城市軌道交通系統的特點進行分析總結，結合城市軌道交通適用性的相關概念，在評價指標建立規則的指導下，建立了影響城市軌道交通的適用性的評價指標體系［6］，對大連市能否建設軌道交通進行驗證評價.由于沈陽、哈爾濱和長春與大連規模相當，并且都屬于東北三省，相互之間存在著一定的競爭關系，所以也將它們三個城市加入到樣本的驗證.相關的指標數值如表1所示.

表1 相關城市的評價指標數值

2.3 BP神經網絡的構建

本文運用MATLAB軟件中的newff函數進行BP神經網絡的構建.那么在MATLAB中newff的調用命令如下:

Net為BP網絡的生成對象;PR表示維的輸入矢量中介于每維的輸入的最大值與最小值之間的范圍;［S1S2，…，Sn］表示BP網絡的N層神經層中每層的神經元的數量;{TF1TF2，…，TFn}表示BP網絡的N層神經層中每層的傳遞函數;BTF表示BP神經網絡使用的訓練函數;BLF表示權值和閥值的學習算法，PF表示性能函數.

針對本研究要解決的實際問題，對BP神經網絡評價模型的具體構建如下:

(1)神經網絡的層數的確定

已經有相關的理論證明:只有一層隱含層的神經網絡系統能夠應用任意精度來表示任意的連續函數，也就是說使用三層的神經網絡就可以完成任意精度的任意n維到m維的映射.因此本論文的神經網絡確定的層數為三層.

(2)傳遞函數的確定

BP神經網絡中提供了三種傳遞函數，分別是非線性logsig傳遞函數、非線性tansig傳遞函數和線性purelin傳遞函數.經過以前學者的研究得出，一個具有兩層的神經網絡，如果第一層選取logsig函數，而第二層選取例如purelin的線性函數就可以模擬任何連續有界的函數.因此確定logsig函數為隱含層的傳遞函數，確定purelin函數為輸出層的傳遞函數.

(3)訓練函數的確定

根據表2可以看出traingd訓練函數、traingda訓練函數、traingdm訓練函數、traingdx訓練函數都需要進行了5000次的訓練，并且得到的收斂精度也是比較低的.而trainlm訓練函數只用了29次訓練就達到了的收斂精度，所以選擇trainlm函數作為訓練函數.

表2 不同訓練函數的訓練結果

(4)訓練參數的確定

確定訓練函數為trainlm，根據上面的實驗可以得出trainlm的訓練次數較少，所以確定BP神經網絡的最大學習次數為1 000，網絡的最大允許誤差為0.000 01，這些參數的設定在MATLAB中采用的函數是net.trainParam函數來進行的，那么具體的調用命令如下:

(5)各層的神經元個數的確定

輸入層的神經元個數是通過建立的評價指標體系來確定的，本文以9作為輸入層的神經元個數.而以1作為輸出層的神經元個數.因此對于各層的神經元的個數的確定，主要是指隱含層的神經元的個數確定.根據本論文第三章中的第三小節中的公式，可以計算出隱含層的神經元個數的范圍是在5～13之間.

本研究采用實驗的方法來確定隱含層的神經元個數，其中設定訓練次數為1 000，目標精度為0.000 01，以神經元個數5為例，其它的數值只是對命令中的神經元個數進行替換，調用命令如下:

根據表3可以得出，訓練次數并不是隨著神經元個數的增加而減少，收斂精度與神經元的個數也不是成規則的反比關系.最終通過整體數據可以得出，當隱含層的神經元個數為10時，它的訓練次數最少為6次，收斂精度較高，故選擇10個隱含層神經元.

表3 神經元個數數值表

綜上所述，本研究構建的BP神經網絡為為三層神經網絡，它們分別是輸入層、隱含層和輸出層.輸入層神經元個數為9個，隱含層神經元個數為10個，輸出層神經元個數為1個.隱含層的傳遞函數為logsig函數，輸出層傳遞函數選擇為purelin函數，訓練函數定為trainlm函數.最大學習次數為1000次，最大允許誤差定為0.00001.所以調用命令為:

建立的BP神經網絡的結構圖如圖2所示:

圖2 建立的BP神經網絡結構圖

2.4 BP神經網絡的仿真應用

對于BP神經網絡訓練后的網絡需要進行仿真，本文選用MATLAB中的sim函數進行仿真訓練.Sim函數的調用命令如下:

［Y，Pf，Af，E，perf］=sim(net，P，Pi，Ai，T)其中:Y表示網絡輸出;Pf表示訓練終止時的輸入延遲狀態;Af表示訓練終止時的層延遲狀態;E表示輸出和目標矢量之間的誤差;Perf表示網絡的性能;

Net表示要仿真的神經網絡;P表示網絡的輸入;Pi表示輸入延遲的初始狀態;Ai表示層延遲的初始狀態;T表示目標矢量.

由于在進行BP神經網絡實驗的時候，將輸入的數據都進行了歸一化處理，因而對于輸出的數據也是已經歸一化處理后的數據，為了更好的跟原始數據進行比較，需要將歸一化的輸出數據進行還原.運用MATLAB中的postmnmx調用命令進行數據還原，具體調用命令如下:

3 實例分析

運用建立的BP神經網絡在MATLAB中進行大連市的實例驗證時，同樣要進行樣本的歸一化處理，在此采用的歸一化處理函數為tramnmx函數;驗證完成后，對于輸出的結果，需要進行反歸一化處理，采用的調用函數為postmnmx函數.那么在MATLAB軟件中具體的驗證調用命令如下:

將上文建立的綜合評價指標輸入，建立的神經網絡的輸出數據如表4所示.

表4 神經網絡的輸出結果

如果城市的各項評價指標在MATLAB軟件中通過神經網絡運算出的結果接近1，則說明軌道交通適用于該城市;如果運算輸出的結果接近0，則說明軌道交通不適用于該城市.根據表4的輸出結果可以得出，四個城市的輸出結果都接近數字1.因此可以得出結論，城市軌道交通適用于沈陽、哈爾濱、長春和大連四個城市的城市建設.

4 結論

本文采用的BP網絡進行城市軌道交通適用性的評價分析是科學可行的，得出的結論也是可信的.通過BP神經網絡計算輸出的結果與實際情況相符，證明了該模型的準確性，可以進行實際應用.與此同時在大連市建設城市軌道交通能夠緩解城市的擁堵，減輕傳統公共交通的壓力，提高乘客的服務水平，推動城市的未來發展.并且大連市在經濟、技術、客流等方面都具備建設城市軌道交通的實力.

通過運用BP神經網絡進行城市軌道交通適用性的評價，可以科學的評判軌道交通是否適用于該城市.這樣就可以合理有效的推進城市軌道交通的建設與發展，從而避免超前或者滯后建設.對于不具備建設軌道交通的城市，可以通過其他的方式緩解城市的交通問題，如建設公交專用道、提高公共交通服務水平等方法.

［1］張琦.新型軌道交通系統在上海的適用性分析［J］.交通與運輸:學術版，2013(2):101-104.

［2］秦武.空中軌道交通系統的適用性分析［J］.城市公用事業，2012(6):17-21.

［3］張生，魏濤，彭燕.長沙 BRT系統適用性研究［J］.湖南交通科技，2004(1):109-112.

［4］徐偉.海口市快速公交系統適用性分析［J］.福建建設科技，2013(2):80-82.

［5］Barnard.Optimization for training neural nets［J］.IEEE Trans.On Neural Networks，1992，3(2):232-240.

［6］中國城市統計年鑒2006年［M］.北京:中國統計出版社，2006.