基于交通指數預測的公交發車頻率優化方法研究

吳爍 肖煜 祁東曜 何一鳴

摘要：隨著城市經濟發展，城市出行人口數量急劇上升，交通擁堵現象日益嚴重。由于公眾對城市公共交通認識不足，公共交通使用率較低，無法達到緩解交通擁堵的目的。因此，科學地引導人們選擇公交出行對提高城市道路資源利用率、解決城市交通擁堵等意義重大。基于上述問題，提出基于道路交通擁堵指數預測的公交發車頻率優化的改進方法。將武漢市34路公交車的運營線路作為研究對象，通過百度地圖后臺獲取數據，將數據因素分類，并進行數據集預處理，發現存在多維度因素對交通指數產生影響。根據這一特性，使用神經網絡構造預測模型，該模型能有效預測出未來某時刻交通擁堵指數，通過交通指數預測值，修正公交發車時刻表、優化公交發車頻率，引導私家車通勤者向公交轉移，倡導公眾選擇便捷快速的公交出行，進而很大程度上緩解交通擁堵的問題。

關鍵詞：交通擁堵指數預測；多影響因素集；神經網絡模型；公交時刻表優化

中圖分類號：TP391? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）27-0036-04

開放科學（資源服務）標識碼（OSID）：

1 引言

公交出行是一種便捷快速的共享出行方式，具有載客量大、綠色環保等優點。然而，公交出行存在發車時間不確定性及實時交通擁堵量無法預測的問題，行程時間較長出行體驗較差也亟待解決。因此，積極探索公交車發車頻率和實時交通擁堵指數間的規律、滿足出行者少用時少擁堵需求，是有效提高路網通行效率和安全性、創造良好共享出行環境的關鍵所在。

交通擁堵指數是綜合反映地面道路網暢通或擁堵的概念性數值[1]，國內外諸多學者均有研究。Chin等運用神經元網絡模型進行預測，在必然程度上擺脫了建立精確數學模型的困擾[2]；賀國光等[3]提出基于多分辨率小波分解與重構方法來預測。而針對公交時刻表研究現狀，Furth和Wilson[4]通過社會效益最大化的優化目標對發車間隔和頻率及發車時刻表進行了研究；劉歡[5]用時間控制站點策略對中途站的行車時刻表進行編制。然而，上述方法仍存在一些局限性，正如李香云[6]在文獻中所說“交通擁堵因素的影響，本身就增加了公交車到站時間的不確定性”，上述研究獲得了較好的預測效果，但真正從交通擁堵指數預測來優化公交發車頻率的研究較少。

2 模型介紹

2.1 BP神經網絡模型

為保證交通擁堵指數預測的準確性與可靠性，筆者引用具有強大信息處理能力的BP神經網絡模型，其是一種前饋神經網絡，特點在于：信號向前傳遞，而誤差是反向傳遞的，如圖1所示。

圖中，[x1～xm]表示神經網絡的輸入變量；隱含層兩端[wij、wki]表示各節點間的連接權值，如[wij]表示輸入層第j個節點和隱含層第i個節點之間的連接權值；隱含層某一層內[φi～φq]表示隱含層節點的閾值；輸出層內[ak～al]表示輸出層各節點間的閾值；[O1～Ol]表示神經網絡的輸出變量。

2.2 歷史數據獲取、預處理與分析

通過百度地圖開發者權限獲取后臺數據，選取符合本文研究線路的數據作為原始數據，以五分鐘為周期實時記錄2021年4月01日至4月21日三周時間，武漢市34路公交車從始發站麗水南路東瀾岸到終點站友誼大道沙湖沿線的交通擁堵指數及實時車速等信息，本文基于此進行研究探討。

篩選出地點、時間、天氣、周次與星期為影響交通擁堵指數的四個特征因素。并將上述數據進行預處理，合并成適應監督學習的數字序列數據集，取序列中99.9％的數據為訓練集，隨機剩余0.1％的數據為驗證集。

（1）地點因素的處理：將所得數據剔除錯誤數據后，選出符合34路車行車路線的擁堵點并參考下圖實際考察情況，用1-3表示出極其擁堵的三段站點，作為研究對象。

（2）時間因素的處理：所得數據記錄為以5分鐘為間隔連續三周的交通指數，結合34路公交車行駛時間段選取早上“6小時05分鐘至晚上21小時40分鐘”，匯總3個地點交通擁堵指數形成數據集。

（3）天氣因素的處理：查閱武漢市2021年4月01日-4月21日的歷史天氣預報，將天氣分為小雨、多云、中雨、晴天，以1-4的數值賦值四類天氣。具體信息如表2所示。

（4）周次與星期因素的處理：以周日為每周第一天，查閱日歷得2021年4月1日星期四到4月21日星期三分別為第13～16周。具體信息如表2所示。

根據所得圖a、b、c可看出：工作日出現早高峰的時間較非工作日（節假日）提前，節假日晚高峰過后返程歸家擁堵情況仍較高，符合日常生活習慣；不同地點同一天內擁堵情況稍有區別，相比位置偏遠的白沙洲大道，中山路集武昌火車站、商場、醫院于一處的地理位置使其在各階段擁堵程度均更大，尤其早晚高峰；天氣對于交通擁堵影響不算顯著，在一定程度上雨天較之多云擁堵指數高。

2.3 模型預測與實例驗證

整個BP神經網絡預測過程為[7]：

（1）首先構建區域交通指數BP神經網絡預測模型。

（2）隨機初始化模型中的權值與偏置，學習速率η。

（3）輸入訓練數據并進行預測。

（4）計算BP神經網絡預測值與實際值的誤差平方和：

（5）根據誤差和修正ωij、ωjk。

（6）當誤差達到期望值或迭代次數過大時停止迭代，當前參數值即為最優值。

（7）根據訓練得到的權值與偏置，計算預測值，并輸出預測結果。

在交通指數預測過程中，日期、星期、時間、天氣均對交通指數變化起關鍵作用，選取上述4個參數作為輸入層向量，輸入層神經元個數為4；輸出層神經元個數為1。本文選擇基于L-M算法的BP神經網絡，現利用試湊法確定隱含層節點數量。

基于Matlab 2016b的神經網絡工具箱所提供模型，對交通指數進行預測，調用Matlab神經網絡工具箱中的Neural Net Fitting（神經網絡擬合）App 建立網絡，最大迭代次數為5000，最大迭代誤差設置為0.001。初始權值和閾值隨機，對比迭代結束時算法的均方誤差、回歸系數，采用逐步增長法確定隱含層節點數。經多次訓練測試，筆者發現在隱含層為25個結點時，其訓練級和測試級較接近，模型擬合度最高，達到算法回歸系數最高為0.8957，此模型具有較高的可靠性和準確性。

為驗證預測精度，在預留隨機驗證集中選取第一個地點的9行數據進行預測分析檢驗。

由上可知，預測值與實際值相對誤差均在8%以內，預測結果較好，使用BP神經網絡可以滿足對多種因素共同影響的區域交通指數變化情況靈敏反應，準確預測，具有重要的理論意義和現實意義。

3 公交時刻表優化

公交時刻表（Timetable）是按照線路當前客流量變化的情況，投入使用的車輛數量以及預訂服務水平指標等因素確定的線路發車間隔。常規的公交運行時刻表根據規劃周期內的客流總量、采用等長間隔制定[8]。參考公交調度中心所采用的人工調度動態運行時刻表，調度流程如圖所示：

對于34路公交車（麗水南路東瀾岸—友誼大道沙湖）通過實地考察得知此公交的運營時間是6：05～21：40，該公交車以人工調度為主，結合乘客需求量與時間段來協調發車，司機根據車內顯示屏上所給的時間來安排發車與到站時間，如圖10。

結合實際，現有的公交時刻表大多側重于以客流量為參考的人工調度制度，而本文提出公交運行動態時刻表的概念，利用上文道路擁堵指數預測模型所預測的道路實時信息，修正公交發車頻率，擁堵指數大即較擁堵時采用較小發車間隔，擁堵指數相對較小時采用較大發車間隔，從而優化公交時刻表，這樣的動態調整方法有利于城市公共交通系統對整個城市的交通管理，在優化城市交通出行結構，解決城市交通擁堵上有較大的優勢。

4 結論與展望

本文的主要內容是基于交通指數預測的公交發車頻率優化方法的研究。綜合使用理論推導、BP神經網絡預測模型等，完成了交通擁堵指數預測的模型確定、相關數據分析等工作，并基于此修正以武漢市34路公交車為例的城市公交時刻表，得到以下幾點研究成果和結論：

（1）根據對交通指數歷史數據的統計分析，得出了交通擁堵指數及擁堵時車速與地點、周次、星期、時間、天氣等因素有較大關聯，存在著近似多元線性回歸的關系。

（2）采用Matlab中的神經網絡工具箱，試湊出隱含層節點數，不斷加強迭代次數提升模型精度，從而構建出最佳神經網絡預測模型，利于后續研究。

（3）使用所得預測模型隨機預測交通指數，并與實際的交通指數進行比較，從而分析預測效果，有效驗證了模型的精準性與可靠性。

（4）根據預測結果及結合實際擁堵情況，對公交時刻表進行優化，對公交發車頻率進行修正，提出優化后的公交發車頻率，講解其合理性、正確性。

本文對交通擁堵指數預測方法和公交發車頻率修正優化的研究還不夠全面，故結合城市快速公交系統（Bus Rapid Transit）、潮汐車道等對此提出前景展望：在便捷快速上，設置公共交通專用道路，能否讓公交成為路面地鐵，實現軌道交通式運營服務是未來考量的重點。在居民出行上，使公交成為擁堵時最佳出行方式，鼓勵市民選擇公交出行。在政府調控上，促使未來公交系統有關管理部門能提升公交出行體驗，將科技與實際相結合，智創美好未來。

參考文獻：

[1] 楊大為.基于多目標的地下物流系統應急資源儲備站選址研究[D].武漢：武漢理工大學，2019.

[2] 高為，陸百川，贠天鸝，等.基于時空特性和RBF神經網絡的短時交通流預測[J].交通信息與安全，2011，29（1）：16-19，24.

[3] 賀國光，馬壽峰，李宇.基于小波分解與重構的時間序列預測法[J].自動化學報，2002，28（6）：1012-1014.

[4] Furth P G，Wilson N.Setting frequencies on bus routes：theory and practice. Transportation Research board，1981.

[5] 劉歡.公交線路行車時刻表編制技術[D].南京：東南大學，2009.

[6] 李香云，任帥，張衛鋼，等.基于高斯過程回歸的公交到站預測方法[J].計算機技術與發展，2019，29（10）：21-25.

[7] 馬丹輝.居住區停車泊位共享意愿與開放規則研究[D].西安：長安大學，2019.

[8] 崔文.基于短時客流預測的公交區域調度優化研究[D].哈爾濱：哈爾濱工業大學，2015.

【通聯編輯：王力】