覃 矞， 宗傳苓

(深圳市城市交通規(guī)劃設(shè)計(jì)研究中心有限公司， 廣東 深圳 518034)

換乘方式選擇預(yù)測(cè)是進(jìn)行綜合客運(yùn)樞紐詳細(xì)規(guī)劃設(shè)計(jì)的基礎(chǔ)性工作，一般借鑒交通方式劃分模型分析思路建立換乘方式選擇預(yù)測(cè)的非集計(jì)模型[1～3]。雖然，非集計(jì)模型建立在換乘效用最大化行為假說(shuō)的基礎(chǔ)上，具有較強(qiáng)的邏輯性。但是，人的決策過(guò)程是一個(gè)非常復(fù)雜的過(guò)程，簡(jiǎn)單的效用函數(shù)難以準(zhǔn)確衡量人的價(jià)值取向。因此，不同乘客對(duì)不同選擇肢的換乘效用是很難確定的[4]。模糊模式識(shí)別與模糊人工神經(jīng)網(wǎng)絡(luò)等人工智能方法為這一問(wèn)題解決提供了良好的途徑，兩者結(jié)合所構(gòu)造的模型，不僅具有處理不精確性和不確定性的能力，還具備學(xué)習(xí)和記憶的能力，用來(lái)模擬換乘方式選擇行為是非常合適的。

根據(jù)人的決策思維過(guò)程，將換乘方式選擇行為分為兩個(gè)階段，一是需求特性識(shí)別階段，即根據(jù)個(gè)體屬性與出行換乘特性找出乘客對(duì)換乘方式服務(wù)屬性的要求；二是換乘方式識(shí)別階段，即根據(jù)需求特性與各方式的服務(wù)屬性尋找最佳匹配的換乘方式。在此基礎(chǔ)上，建立基于模糊神經(jīng)網(wǎng)絡(luò)的需求特性識(shí)別以及基于模糊模式識(shí)別的換乘方式識(shí)別的兩階段換乘方式選擇預(yù)測(cè)模型。

1 模型建立思路

具有不同個(gè)體屬性與出行換乘特性的乘客對(duì)換乘方式服務(wù)屬性的需求是不相同的，而不同的個(gè)體需求特性必定對(duì)應(yīng)于一個(gè)與其匹配度最高的換乘方式。

1.1 資料調(diào)查

調(diào)查內(nèi)容包括乘客個(gè)體特性與出行換乘特性問(wèn)卷調(diào)查、乘客對(duì)換乘方式服務(wù)屬性需求意向調(diào)查以及換乘方式服務(wù)屬性調(diào)查等內(nèi)容。

1.2 調(diào)查資料整理

首先將乘客的個(gè)體特性及出行換乘特性調(diào)查資料與服務(wù)屬性需求意向調(diào)查資料配對(duì)，并將有效調(diào)查數(shù)據(jù)分成學(xué)習(xí)樣本集與檢驗(yàn)樣本集，分別用于網(wǎng)絡(luò)模型的學(xué)習(xí)和檢驗(yàn)。

其次將個(gè)體特性和出行換乘特性中的連續(xù)性變量模糊化，建立相應(yīng)模糊集的隸屬函數(shù)[5]。

再是將個(gè)體特性和出行換乘特性中的選擇性變量進(jìn)行二進(jìn)制編碼。假設(shè)共有n種可供選擇的情形，則編碼位數(shù)為int[log2(n-1)+1]。

再次是建立各種服務(wù)屬性的模糊集，并對(duì)每個(gè)乘客的服務(wù)屬性需求意向模糊化，確定各個(gè)需求意向?qū)ο鄳?yīng)模糊集的隸屬度。

最后建立各換乘方式與服務(wù)屬性模糊特征的對(duì)應(yīng)規(guī)則，確定各換乘方式各種服務(wù)屬性對(duì)相應(yīng)模糊集的隸屬度。

1.3 模型構(gòu)造

首先，構(gòu)造需求特性識(shí)別的模糊神經(jīng)網(wǎng)絡(luò)模型，用學(xué)習(xí)樣本對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，用檢驗(yàn)樣本對(duì)完成學(xué)習(xí)后的模型進(jìn)行檢驗(yàn)。

其次，構(gòu)造換乘方式模糊識(shí)別模型，將模糊神經(jīng)網(wǎng)絡(luò)個(gè)體需求特性的輸出與各換乘方式的服務(wù)屬性相比較，求得相互之間的接近度，接近度歸一化即可得到選擇某種換乘方式的概率。

1.4 模型檢驗(yàn)與修正

利用調(diào)查數(shù)據(jù)對(duì)模型的命中率和相對(duì)誤差進(jìn)行檢驗(yàn)，并對(duì)模型進(jìn)行修正，即可用于預(yù)測(cè)。

2 模型構(gòu)造

2.1 需求特性識(shí)別模型

需求特性識(shí)別是根據(jù)乘客的個(gè)體屬性與出行換乘特性，尋找換乘需求特性，即乘客對(duì)換乘方式服務(wù)屬性的要求，可利用模糊自適應(yīng)控制神經(jīng)網(wǎng)絡(luò)建立需求特性識(shí)別模型。

2.1.1網(wǎng)絡(luò)結(jié)構(gòu)

模糊自適應(yīng)控制神經(jīng)網(wǎng)絡(luò)是一種前向多層網(wǎng)絡(luò)，它把一個(gè)傳統(tǒng)的模糊邏輯控制器的基本元件與具有分布學(xué)習(xí)能力的連接式結(jié)構(gòu)結(jié)合在一起。其中，輸入和輸出節(jié)點(diǎn)分別代表輸入狀態(tài)和輸出控制信號(hào)，隱含層節(jié)點(diǎn)產(chǎn)生隸屬函數(shù)和模糊邏輯規(guī)則。本文所采用的網(wǎng)絡(luò)是一個(gè)五層前向網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 模糊自適應(yīng)控制網(wǎng)絡(luò)結(jié)構(gòu)

2.1.2節(jié)點(diǎn)定義

第一層：輸入節(jié)點(diǎn)，接收乘客個(gè)體屬性與出行換乘特性變量。節(jié)點(diǎn)數(shù)與所采用的個(gè)體屬性及出行換乘特性的個(gè)數(shù)之和相等。該層節(jié)點(diǎn)只與第二層中代表與輸入特性相對(duì)應(yīng)的模糊集或二進(jìn)制編碼位的節(jié)點(diǎn)連接，連接權(quán)均為1.0。

第二層：術(shù)語(yǔ)節(jié)點(diǎn)，代表輸入特性的模糊集或二進(jìn)制編碼的位，對(duì)輸入進(jìn)行模糊化或二進(jìn)制編碼。節(jié)點(diǎn)數(shù)為各輸入特性模糊集的個(gè)數(shù)或二進(jìn)制編碼的位數(shù)之和。節(jié)點(diǎn)激活閾值為0.0，激活函數(shù)為相應(yīng)模糊集的隸屬度函數(shù)，或進(jìn)行二進(jìn)制編碼和取位運(yùn)算。該層節(jié)點(diǎn)與第三層中所有的節(jié)點(diǎn)連接，連接權(quán)值通過(guò)學(xué)習(xí)確定。

第四層：術(shù)語(yǔ)節(jié)點(diǎn)，代表服務(wù)屬性需求意向模糊集，實(shí)現(xiàn)自上而下與自下而上兩種運(yùn)算模式。節(jié)點(diǎn)數(shù)與各種服務(wù)屬性模糊集個(gè)數(shù)之和相等，且只與第五層中相對(duì)應(yīng)的服務(wù)屬性需求意向輸出節(jié)點(diǎn)連接，連接權(quán)值為1.0。自上而下運(yùn)算是為了在監(jiān)督學(xué)習(xí)階段服務(wù)屬性理想輸出的模糊化；自下而上運(yùn)算用于網(wǎng)絡(luò)的學(xué)習(xí)和預(yù)測(cè)階段，學(xué)習(xí)階段利用其實(shí)際輸出值與理想輸出值的誤差來(lái)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，預(yù)測(cè)階段用來(lái)輸出乘客對(duì)換乘方式服務(wù)屬性需求意向模糊集的隸屬度。節(jié)點(diǎn)激活函數(shù)仍采用Sigmoid型函數(shù)，激活閾值通過(guò)學(xué)習(xí)確定。

第五層：輸出節(jié)點(diǎn)，代表乘客對(duì)服務(wù)屬性的需求意向，節(jié)點(diǎn)數(shù)目與所采用的服務(wù)屬性的數(shù)目相等。也有自上而下與自下而上兩種運(yùn)算模式，自下而上的傳輸為決策信號(hào)輸出，自上而下傳輸訓(xùn)練樣本的理想輸出數(shù)據(jù)。該層節(jié)點(diǎn)主要用于網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)階段，預(yù)測(cè)階段已不再需要。

2.1.3學(xué)習(xí)過(guò)程算法

網(wǎng)絡(luò)模型的學(xué)習(xí)過(guò)程就是訓(xùn)練第二、四層之間的連接權(quán)值以及第三、四層節(jié)點(diǎn)激活閾值，可采用誤差反向傳播算法(Error Back-Propagation Algorithm，簡(jiǎn)稱(chēng)BP算法)[2,7]。

2.2 換乘方式識(shí)別模型

換乘方式識(shí)別是根據(jù)換乘需求特性，計(jì)算與各換乘方式服務(wù)屬性的接近度，從而得到乘客選擇某種換乘方式的概率，可利用模糊模式識(shí)別技術(shù)建立換乘方式識(shí)別模型。

2.2.1換乘方式與服務(wù)屬性的特征對(duì)應(yīng)關(guān)系

換乘方式與服務(wù)屬性的特征對(duì)應(yīng)關(guān)系，就是通過(guò)專(zhuān)家調(diào)查或旅客問(wèn)卷調(diào)查確定各換乘方式的服務(wù)屬性對(duì)相應(yīng)模糊集的隸屬度。如采用換乘時(shí)間以及換乘方式的運(yùn)營(yíng)速度、費(fèi)用、方便性、準(zhǔn)時(shí)性等服務(wù)屬性作為模式識(shí)別特征，可相應(yīng)地劃分為5個(gè)模糊集。

2.2.2換乘方式模糊識(shí)別模型

(1)

2.2.3換乘方式選擇概率

(2)

3 模型檢驗(yàn)

可以引入命中率和相對(duì)誤差兩個(gè)指標(biāo)對(duì)模型進(jìn)行檢驗(yàn)[9]。

3.1 命中率

從非集計(jì)角度考察模型的符合程度。如果選擇概率最大的換乘方式與其實(shí)際選擇的換乘方式相同，則稱(chēng)模型對(duì)觀測(cè)值是命中的。

Hi=card(Ci∩Oi)/card(Oi)×100%

(3)

式中：Hi為換乘方式i的命中率；Ci為模型測(cè)算換乘方式i概率最大的乘客個(gè)體構(gòu)成的集合；Oi為觀測(cè)樣本中選擇換乘方式i的乘客個(gè)體構(gòu)成的集合；card為集合中的元素個(gè)數(shù)。

3.2 相對(duì)誤差

從集計(jì)角度考察模型的符合程度：

(4)

4 實(shí)例分析

廈深鐵路深圳東站是集準(zhǔn)高速鐵路、軌道交通、常規(guī)公交、出租、私人小汽車(chē)等多種交通方式于一體的綜合客運(yùn)樞紐(圖2)[10]，現(xiàn)利用所建模型研究鐵路旅客選擇軌道交通(metro)、常規(guī)公交(bus)、出租(taxi)、私人小汽車(chē)(car)以及步行(walk)等換乘方式的概率。

圖2 廈深鐵路深圳東站綜合樞紐總體布局

深圳東站尚未建成，因此利用與深圳東站相似的廣深準(zhǔn)高速鐵路羅湖站進(jìn)行現(xiàn)狀調(diào)查。從需求意向調(diào)查可知，乘客選擇換乘方式主要考慮換乘時(shí)間(T)以及換乘方式的運(yùn)營(yíng)速度(V)、費(fèi)用(M)、方便性(C)和準(zhǔn)時(shí)性(R)等五種服務(wù)屬性，經(jīng)統(tǒng)計(jì)分析其權(quán)重約為wT=0.26、wV=0.14、wM=0.22、wC=0.17、wR=0.21。將上述服務(wù)屬性劃分為五個(gè)模糊集，利用調(diào)查數(shù)據(jù)進(jìn)行需求特性識(shí)別網(wǎng)絡(luò)模型的訓(xùn)練與檢驗(yàn)，并可得到深圳準(zhǔn)高速鐵路旅客的換乘需求特性如表1所示。

表1 深圳準(zhǔn)高速鐵路旅客換乘需求特性

根據(jù)深圳東站樞紐規(guī)劃設(shè)計(jì)方案，通過(guò)專(zhuān)家評(píng)估建立上述五種換乘方式與服務(wù)屬性的特征對(duì)應(yīng)關(guān)系如表2～表6所示。

表2 軌道交通與服務(wù)屬性的特征對(duì)應(yīng)關(guān)系

表3 常規(guī)公交與服務(wù)屬性的特征對(duì)應(yīng)關(guān)系

表4 出租與服務(wù)屬性的特征對(duì)應(yīng)關(guān)系

表5 私人小汽車(chē)與服務(wù)屬性的特征對(duì)應(yīng)關(guān)系

表6 步行與服務(wù)屬性的特征對(duì)應(yīng)關(guān)系

利用換乘方式識(shí)別模型可得到五種換乘方式與換乘需求特性的接近度,分別為N(metro)=0.45、N(bus)=0.43、N(taxi)=0.18、N(car)=0.12、N(walk)=0.27。將接近度歸一化可得到鐵路旅客選擇換乘方式的概率，分別為P(metro)=0.308、P(bus)=0.299、P(taxi)=0.126、P(car)=0.083、P(walk)=0.184，與利用其它方法得到的換乘方式選擇比例(31.7%、30.3%、12.3%、8.0%、17.7%)[10]十分接近，說(shuō)明本文所建立的模型可用于綜合客運(yùn)樞紐的規(guī)劃實(shí)踐。

5 結(jié) 語(yǔ)

本文試圖采用模糊模式識(shí)別與模糊人工神經(jīng)網(wǎng)絡(luò)等人工智能方法，從另一個(gè)角度來(lái)建立一種交通預(yù)測(cè)的非集計(jì)模型，并以廈深鐵路深圳東站綜合樞紐詳細(xì)規(guī)劃為案例，得到了鐵路旅客選擇各種換乘方式的概率。該方法對(duì)換乘方式選擇行為具有較強(qiáng)的解釋性，并可避免傳統(tǒng)非集計(jì)模型效用函數(shù)難以確定的缺點(diǎn)，具有較好的可操作性。但是，該模型需要進(jìn)行大量的數(shù)據(jù)調(diào)查，各種屬性的選取還需根據(jù)規(guī)劃城市的實(shí)際情況進(jìn)行深入的研究。從建模過(guò)程來(lái)看，該模型不僅可以用于換乘方式選擇預(yù)測(cè)，也可用于出行方式劃分預(yù)測(cè)。

[1]陸化普. 交通規(guī)劃理論與方法[M]. 北京:清華大學(xué)出版社, 1998.

[2]覃 矞. 軌道交通樞紐規(guī)劃與設(shè)計(jì)理論研究[D]. 上海: 同濟(jì)大學(xué), 2002.

[3]何 明, 過(guò)秀成, 冉江宇, 等. 基于非集計(jì)MNL模型的軌道交通方式預(yù)測(cè)[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2010, 10(2): 136-142.

[4]David A Hensher, Tu T Ton. A comparison of the predictive potential of artificial neural networks and nested logit models for commuter mode choice[J]. Transportation Research Part E: Logistics and Transportation Review, 2000, 36(3): 155-172.

[5]楊綸標(biāo), 高英儀. 模糊數(shù)學(xué)原理及應(yīng)用[M].廣州: 華南理工大學(xué)出版社, 2001.

[6]趙振宇. 模糊理論和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)和應(yīng)用[M]. 北京: 清華大學(xué)出版社, 1993.

[7]王 旭, 王 宏. 人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用[M]. 沈陽(yáng): 東北大學(xué)出版社, 2000.

[8]Timothy J Ross. 模糊邏輯及其工程應(yīng)用[M]. 錢(qián)同惠譯. 北京: 電子工業(yè)出版社, 2001.

[9]賈俊剛, 楊東援. 基于概率神經(jīng)網(wǎng)絡(luò)的交通方式劃分模型[J]. 上海理工大學(xué)學(xué)報(bào), 1999, 21(1): 9-12.

[10]宗傳苓, 覃 矞, 龍俊仁, 等. 廈深鐵路深圳東站客運(yùn)樞紐綜合規(guī)劃[R]. 深圳: 深圳市城市交通規(guī)劃設(shè)計(jì)研究中心有限公司, 2008.