基于T- S 模糊神經網絡公交線路速度等級評價

張順風 李培慶*

（浙江科技學院 機械與能源工程學院，浙江 杭州310023）

目前，針對公交線路評價方法較多，譚英嘉等[1]利用AHP 方法構建城市常規公交線路網評價指標體系。黃婷[2]等從乘客立場評價公交的時效性、安全性和舒適性等。吳瑤等[3]對西安、寶雞和咸陽3 個城市的公共交通進行了適應性評價。季玨等[4]使用了數據包絡法分析了北京市六區交通綜合效率。但是很少有專門針對公交線路速度等級的研究，同時為了解決公交線路等級評價中指標值與評價等級之間的非線性關系導致的評價不完善和評價整體性不強的問題[5]，本文提出了T-S 模糊神經網絡速度等級評價方法，并以杭州市28 條公交線路為例對T-S模糊神經網絡評價方法進行實例分析。證明了所提方法的準確性。

1 T-S 模糊神經網絡

T-S 模糊神經網絡結構是由前件網絡和后件網絡兩部分組成。前件網絡包括輸入層、模糊化層、模糊規則計算層、歸一化層[6-7]。后件網絡又分為r 個結構相同的子網，第一層為輸入層，該層中第0 個節點的輸入值為1，提供模糊規則后件中的常數項。第二層為隱含層，其共有m 個節點，每個節點對應一條規則。第三層是輸出層，用來計算網絡的輸出值，即公交線路速度等級評價值。

T-S 模糊神經網絡算法原理[8]：

2 基于T-S 模糊神經網絡的評價實驗

2.1 數據采集與處理

本文分別取了2019 年4 月26 日、8 月9 日和10 月31 日為基準日，每條線路抽查12 輛車，其中早中晚上下行各選2 輛車，測算全線路全程運行速度，共采集到1008 條數據，異常數據27條，有效數據981 條。公交線路等級評價數據均來自實際測得數據，保證了原始數據的真實性。為了消除樣本數據相差太大對網絡訓練造成影響，采用公式x'j=（xj-xj，min）/（xj，max-xj，min）對輸入數據進行歸一化處理[9]，式中xj為輸入變量，x'j是變量歸一化值，xj，min是變量中的最小值，xj，max是變量中的最大值。

2.2 網絡構建、訓練和測試

綜合考慮公交線路速度等級指標的影響因素，選用早高峰上/下行速度（V1/V2）、晚高峰上/下行速度（V3/V4）和平峰上/下行速度（V5/V6）6 項指標速度作為評價因子，對杭州市公交線路速度等級進行評價。在公交線路評價標準中，通過大量實測數據求平均值后，將速度等級從低到高分為5 類，并分別給出了相應的速度臨界值。如表1 所示。

在本研究中，以公交線路指標等級標準限值為依據，采用線性內插的方法擴充訓練樣本，進行網絡訓練和測試，設置網絡訓練次數為1000 次，使用均方誤差（MSE）表示網絡誤差值，設定期望誤差值為0.01，當訓練結果均方誤差小于該值時，認為網絡訓練效果較好，達到要求。誤差變化趨勢如圖1。

表1 公交線速度路等級評價劃分標準限值

圖1 誤差變化趨勢圖

根據圖1 所示，在網絡訓練過程中，隨著迭代次數的增加，網絡誤差逐漸減小，在完成1000 次迭代后，均方誤差為0.0066，小于0.01，證明該T-S 模糊神經網絡訓練結果較好，構建的評價模型準確可用，可以準確評價出公交線路速度等級。

2.3 實例驗證

采通過訓練好的T-S 模糊神經網絡，評價杭州市主城區28條公交線路速度等級。當評價值小于1 時，速度等級為Ⅰ級；當評價值大于1 小于2 時，速度等級為Ⅱ級；當評價值大于2 小于3 時，速度等級為Ⅲ級；當評價值大于3 小于4 時，速度等級為Ⅳ級；當評價值大于4 時，速度等級為Ⅴ級。評價結果中有10 條公交線路為Ⅳ級，12 條公交線路為Ⅲ級，6 條公交線路為Ⅱ級。具體分析等級較低的6 條線路，為后續線路優化調整提速參考。

通過T-S 模糊神經網絡評價結果可知，28 條線路中55 路、20 路、86 路、17 路、290 路和10 路六條線路評價等級是Ⅱ級。實地研究考察等級較低的線路，發現55 路、86 路和290 路因軌道建設使專用車道長度縮短，車道數量減少，最終導致公交車輛運行速度下降；20 路公交因軌道建設使部分公交站點被圍擋，從而出現車輛進站出現列車化、上下客擁堵現象，導致公交車輛運行速度降低；17 路和10 路因軌道建設使運行線路出現大量曲線路段，線路非直線系數增加，導致公交車輛運行速度降低。

3 結論

隨著城市的快速發展和軌道交通的規劃建設，公交線路運行速度受到極大影響，所以準確對公交線路速度等級進行評價，為后續優化提速奠定基礎。因此提出一種基于T-S 模糊神經網絡的公交線路速度等級評價方法，實例驗證表明該方法能快速準確的評價公交線路運行速度等級，為后期公交線路的優化提速提供理論支撐，也為一些城市快速評價公交線路速度等級提供了新的思路和方法。