基于BP神經網絡的南平公交綜合評價模型研究

陳桂福 陳丹妮

（1.中國市政工程西北設計研究院有限公司，甘肅 蘭州 730000；2.安溪縣農村信用合作聯社，福建 安溪 362400）

公交綜合評價模型的研究，有利于城市公交規劃評價體系的發展和完善，能夠為南平中心城區公交規劃提供參考和方向。南平中心城區交通總體水平如下：從2000年至2010年，南平市延平區的機動車保有量從不足13000量增加至100000余量，增幅達681%。截至2014年6月調查數據，南平市中心城區公交車輛的平均速度為16km/h；中心城區不同交通方式的平均出行時耗：步行18.83分鐘/次，公交車26.16分鐘/次，出租車9.9分鐘/次，自行車21.63分鐘/次，摩托車16.95分鐘/次，私家車19.87分鐘/次，電動車14.52分鐘/次；南平市現狀公交分擔率為11.31%。對于公交綜合評價，目前主要是采用層次分析法、專家咨詢法或模糊理論方法建立非線性模型來求解。但是，層次分析法、專家咨詢法受主觀因素影響較大，一旦有些評價因素發生變化時，就會產生較大的誤差，必須重新建立模型，以往的一些經驗性知識也得不到充分利用。而BP神經網絡具有自學習、自適應能力和強容錯性，是一種多層次反饋型網絡，能較好地模擬評價專家進行綜合評價的過程，因而具有廣泛的應用前景。本文利用人工神經網絡的理論，結合南平公交規劃，篩選出10項相對重要的評價指標，利用神經網絡自組織、自學習的能力，在評價指標和評價結果之間建立了一定關系，從而實現了基于神經網絡的南平公交綜合評價模型。實例預測結果，精度誤差都在較為理想的范圍內，因此，針對南平得到的預測結果是可以接受的，從而，也為南平交通的發展提供參考的依據。

圖1 南平中心城區交通總體層面評價指標Figure 1 Evaluation index of nanping city traffic center overall level

1 BP人工神經網絡的介紹[1]

反向傳播（Back Propagation，BP）神經網絡是由Rumelhart等人于1985年提出的一種具有自學習、自組織的神經元模型，它是一種多層次反饋型網絡，所使用的是有“導師”的學習算法。BP神經網絡是一種具有三層或三層以上的層次結構網絡，相鄰上、下層之間各神經元實現全連接，即下層的每個神經元與上層的每個神經元都實現權相連，而每層神經元之間無連接。BP算法不僅具有輸入層節點、輸出層節點，還可有一個多個隱含層節點。典型的3層BP神經網絡模型如圖2。

圖2 3層BP神經網絡結構圖Figure 2 Structure of three layers of BP neural network

對于輸入信號，要先向前傳播到隱含層節點，經作用函數后，再把隱節點的輸出信號傳播到輸出節點，最后給出輸出結果。在BP算法中，節點的作用的激勵函數通常選取S型函數。對于BP模型的輸入層神經元，其輸出與輸入相同。中間隱含層和輸出層的神經元的操作規則如下：

式中：Yk-li是k-1層第i個神經元的輸出，也是第k層神經元的輸入；

Wk-li,kj是k-1層第i個元素與k層第j個元素的連接權值；

Ykj是k層第j個神經元的輸出，也是第k+1層神經元的輸出；

f是Sigmoid 函數。 F（μ）=1/（1+e-μ）。

2 南平中心城區公交系統評價的BP網絡模型設計

2.1 評價指標的選取

2000年，公安部和建設部制定《城市道路交通管理評價體系》，對公共交通評價指標作出了系統的歸納，筆者結合南平中心城區公共交通發展規劃的項目，從2007年“暢通工程”評價指標體系中提煉了10項相對重要的評價指標作為模型的輸入項目。評價指標的選取與設置直接影響評價結果，對評價指標的選取遵循兩個原則：

①站在交通專家的角度來考慮是否能全面有效地反映公交系統的效率；

②站在南平政府的角度來考慮能否對南平公共交通的發展有推動作用。

根據以上原則建立的南平中心城區公交評價體系如圖3。

2.2 構建評價模型

應用BP神經網絡對南平中心城區公交系統進行綜合評價的基本研究思路是：將反映公交系統的各種評價指標作為輸入向量，將綜合評價結果作為神經網絡的輸出，從而建立了一個BP神經網絡模型。將國內主要城市的評價指標和綜合評價結果作為訓練網絡的樣本，從而使網絡通過自主學習建立正確的內部關系。訓練好的神經網絡可用于城市公交系統評價的預測和平時的自我測試。

圖3 南平中心城區公交評價體系層次結構示意圖Figure 3 Structure schematic drawing of bus evaluation system in the nanping city

我們將模型的輸出結果分為5個評價等級：極差、較差、一般、良好、高。評價集與評語集對應對應表如表1。因為神經元作用函數值域為[0，1]，所以評價集采用[0，1]數值。

表1 評價集與評語集對應表Table 1 Corresponding table of evaluation set and comments set

隱含層的單元數目的選擇可以參考公式（2）選取[2]。

式中：m為輸出神經元數，n為輸入單元數，a為 [1，10]之間的常數。根據公式（2），并經過反復測試，最終確定隱含層數目為8。綜合評價模型的結構為10-8-1，如圖4所示。

圖4 綜合評價模型Figure 4 Comprehensive evaluation model

3 綜合評價模型的BP網絡模型實現和應用

3.1 樣本和輸入數據的規范化處理

對國內主要城市公交評價指標數據（共14個樣本），其中8個樣本作為學習樣本，5個樣本作為測試樣本，用來進行精度的檢驗，從而得到可靠的模型。最后輸入南平數據進行綜合評價。

由于轉移函數值域為[0，1]，因此必須先對數據進行歸一化處理[1]。公交評價指標一般有以下幾種類型：成本型、效益型、適度型和區間型。

對于X中的n個指標，

①成本型標準化函數（其值越小越好）

②效益型標準化函數（其值越大越好）

③適度型標準化函數（指標值以穩定再某一固定值為佳）

式中：Xmid為最合適值。

④區間型標準化函數，（其值以落在某個區間為最佳的指標）

式中：[q1，q2]為該指標的最佳穩定區間。

3.2 BP網絡學習算法的Matlab實現

構建的神經網絡[2]模型輸入層有10個神經元，隱含層有8個神經元，隱含層傳輸函數為tansig，輸出層是傳輸函數采用logsig；同時為了提高學習效率，將學習速度設置為0.2；而訓練步數的大小將在一定程度上影響學習的效果，故設置訓練步數為 10，20，40，50，80，100，200，400，500，…，分別觀察其擬合效果，發現，當訓練步數為500時，能較好地擬合數據，繼續增大步數，數據又會產生較大的震蕩，擬合精度也較低，因此，訓練步數采用500。目標誤差為0.00001。

通過建立的網絡模型，將測試樣本的輸入值代入模型，得到的預測值與專家的評價值對比表如表2。

表2 模型測試結果比較及預測Table 2 compare and prediction of model test results

圖5 訓練結果（訓練函數：traingd）Figure 5 Training results（training function:traingd）

圖6 模型預測值Figure 6 Model prediction

4 結果與討論

（1）根據《華普城市暢行指數-中國城市暢行指數2006年度報告》[3]，國內城市的平均得分為54.1，根據預測得到的數據，南平中心城區公交水平的綜合得分為43.81，評價結果為一般，與全國的平均水平還是有很大的差距。

（2）公交綜合評價是一個復雜的非線性問題，而神經網絡具有較強的的自組織、自適應和自學習能力，對南平公交的綜合評價效果良好，不但客服了人工評價的主觀性及模糊隨機性的影響，也具有較強的動態性，可以進一步的跟蹤學習。

（3）由于受資料來源的限制，本文所采用的指標為國內主要城市的數據，樣本容量也不夠大，雖然不影響網絡的理論應用，神經網絡也有較強的容錯性，但不同類型的城市指標數據還是會對模型的自主學習產生一定影響。因此，在運用神經網絡進行城市類型的聚類分析與指標的選擇上還有待于進一步研究。

（4）人工神經網絡作為一種新興的理論，具有運算速度快、求解問題的效率高、自主學習能力強、適應面寬等優點，能較好地模擬專家進行綜合評價的過程，在實際中得以大量的應用，解決了很多利用傳統方法難于解決的問題[4]。但目前總體而言其在城市公共交通綜合評價領域的研究還處于起步狀態，仍有許多問題需要進一步研究。

［1］杜棟，龐慶華.現代綜合評價模型方法與案例精選[M].北京:清華大學出版社，2005:86-110.

［2］葛哲學，孫志強.神經網絡理論與MATLAB R2007[M].北京:電子工業出版社，2007:111-112.

［3］百度文庫.2012-5-26.華普城市暢行指數-中國城市暢行指數2006年度報告.http://wenku.baidu.com/view/6d91662de2bd960590c67778.html.

［4］陳桂福，陳丹妮.基于VISSIM的山區高速公路隧道入口段行車安全分析[J].江西建材，2014（22）：178-180.