高健夫，王培松

（1.廣州市市政工程設計研究總院，廣東 廣州510000；2.南京理工大學專利中心，江蘇 南京210094）

近年來，經濟發(fā)展態(tài)勢穩(wěn)定，國內汽車產業(yè)發(fā)展迅猛。然而，交通基礎設施的建設速度落后于汽車保有量持續(xù)上升的速度，交通供給與交通需求之間的矛盾導致結構性交通擁堵問題在全球的許多大、中型城市蔓延，并日益成為許多城市社會經濟發(fā)展的瓶頸。特別是，城市停車問題是居民出行面臨的最首要的問題，在上海、廣州、北京等地區(qū)，停車難問題已經作為城市交通擁堵的重點整治工程。

當前，國內外許多政府機構和學者針對城市停車問題進行了大量研究，并且已經取得了一定的成果。根據對文獻的歸納可知，既有的城市停車問題研究主要包括城市停車需求、城市停車策略、城市停車區(qū)位等方面。國內，徐雷等根據停車目的的劃分，提出了單車停車泊位需求系數(shù)計算方法，并在此基礎上分別對居住地、工作地、訪問地三大停車需求進行了測算，最后得出該方法能夠較好地對城市停車需求進行評估，具有一定的實際操作性的結論；吳德華等在對比各傳統(tǒng)常用停車需求預測方法優(yōu)缺點的基礎上，利用機動車增長率和停車需求之間的相關性，提出一種基于現(xiàn)狀調查的停車需求預測方法和思路，分析表明該方法在預測可靠性、調查成本和預測停車分布的深度方面比傳統(tǒng)的預測方法具有明顯的優(yōu)勢。國外研究停車問題起步較早，美國交通工程師協(xié)會（ITE）定期更新出版《停車生成率》報告，提出91種不同用地性質的停車生產率指標。此外，國外還對交通需求管理等停車政策對交通需求的影響進行定性和定量研究，在此基礎上對停車需求預測模型進行了修正和改進。

通過對既有研究成果的分析不難看出，對城市停車需求預測的研究主要集中在采用傳統(tǒng)的“四階段法”進行研究，其缺點是需要對城市交通現(xiàn)狀進行大規(guī)模的調查，工作量較大。針對此問題，本文探討了城市停車需求判別指標，采用機器預測方法BP神經網絡對城市停車需求進行預測。

1 城市停車需求判別指標

城市停車主要是指為從事各種活動的社會車輛提供的停車服務。對于一個城市來說，判別停車需求的指標主要有總停車需求、公共停車需求、私人停車需求等，其具體含義如下:

1）總停車需求

總停車需求是指城市根據交通出行需求配建的提供車輛停留服務的交通基礎設施被車輛占用的數(shù)量，其包括私人停車需求和公共停車需求，計算方法如下

式中:C1總停車需求，P城市總車輛出行量，ε停車系數(shù)。

2）公共停車需求

公共停車入口數(shù)是指城市提供給所有民眾的停車服務基礎設施中被車輛占用的數(shù)量，它沒有停車權限限制，可供所有居民使用，計算方法如下

式中:C2公共停車入口數(shù)，β公共停車系數(shù)。

3）私人停車需求

私人停車需求是指城市提供給部分固定民眾的停車服務的停車基礎設施被占用的數(shù)量，它具有最高等級的停車權限，計算方法如下

式中:C3私人停車需求，其它參數(shù)含義同上。

2 城市停車需求神經網絡預測

2.1 神經網絡基本原理

人工神經網絡起源于1943年美國心理學家W.McCulloch和數(shù)學家 W.Pitts提出的一個簡單的神經元模型（MP模型），經過40多年的發(fā)展之后，Rinehart和McClelland團隊于1986年提出一種按誤差逆向傳播算法訓練的多層前饋型神經網絡（Back Propagation Neural Networks，下面簡稱BP神經網絡）。BP神經網絡是通過模仿生物神經系統(tǒng)功能結構處理非線性問題的數(shù)學動力系統(tǒng)，對多輸入與多輸出的數(shù)據具有較良好的擬合能力，其基本組成單元是神經元，主要功能是將輸入經過函數(shù)轉化為期望輸出。BP神經元模型預測機制主要通過三步實現(xiàn):

Step 1.輸入信息融合。

通過輸入信息向量X＝ ｛x1，x2，…，xn｝與其對應的權重向量W＝ ｛w1j，w2j，…，wnj｝乘積得到融合之后的信息pj

Step 2.輸出信息轉化。

pj大于神經元興奮閾值θ時，神經元信息轉換函數(shù)f對pj轉化得到輸出信息yj，可采用Sigmoid函數(shù)作為轉化函數(shù)

式中:表示前層第i個神經元和后層第j個神經元之間第k次修正權值，λ是動量因子，g是梯度誤差修正函數(shù)。

式中:yj是輸出信息；θ是閾值，通常用它來修正神經系統(tǒng)的內部偏差，取值0～1之間，通常建議取值0.01。

Step 3.誤差反向傳播。

根據得到的神經元輸出信息yj與實際期望信息y＊j之間的差值反向修正神經元權重wij，這里采用改進的自適應動量梯度下降法作為權值修正函數(shù)

2.2 停車需求預測模型

城市停車需求預測的原理是以停車場的總車輛入庫數(shù)、公共車輛入庫數(shù)、私人車輛入庫數(shù)的時間序列數(shù)據為樣本。因此，將時間節(jié)點作為輸入條件，將總車輛入庫數(shù)、公共車輛入庫數(shù)、私人車輛入庫數(shù)三個指標作為輸出構建BP神經網絡模型。依據Kolmogorov定理:一個具有n個輸入單元、2n＋1個中間單元和m個輸出單元的三層網絡可以精確地表達任何映射，并且同時可以使中間層容量和訓練時間最優(yōu)，所以確定建立1－3－2的BP神經網絡，如圖1所示。

圖1 基于BP神經網絡的城市停車需求預測模型

3 實例分析

3.1 數(shù)據來源

為驗證上述建立的基于BP神經網絡的城市停車需求預測模型的有效性，以南京理工大學佛山市城市空間發(fā)展與規(guī)劃課題組對于2014年9月—10月期間對佛山市部分停車場的周日早上7:30—10:30的停車情況的調查結果為作為實驗數(shù)據，如表1所示。

3.2 仿真過程

基于上表1中的數(shù)據，采用matlab（R2012）軟件實現(xiàn)BP神經網絡預測模型編程，利用nntool建立的城市停車需求預測模型結果，如圖2所示。

表1 佛山市某停車場停車情況調查結果

圖2 基于NNTOOL工具箱建立的城市停車需求預測模型

在BP神經網絡預測過程中，訓練方法采用基偶對折法，即先以序列編號為基數(shù)的公共入庫停車數(shù)和私人入庫停車數(shù)作為訓練樣本預測序列編號為偶數(shù)的時間段公共入庫停車數(shù)和私人入庫停車數(shù)，然后再以序列編號為偶數(shù)的樣本預測序列編號為基數(shù)項的時間段公共入庫停車數(shù)和私人入庫停車數(shù)，經過多次測試，最終得出預測效果最好的一組BP神經網絡預測模型參數(shù)設定如表2所示。

在BP神經網絡的訓練過程中，數(shù)據樣本被劃分為訓練型（Train）、檢驗型（Validation）、測試型（Test），這三組數(shù)據互不包含。BP神經網絡首先根據訓練型樣本學習得出網絡中各神經元之間的連接權重，然后將檢驗型數(shù)據代入訓練好的網絡模型中測算檢驗型數(shù)據的輸出誤差均方差（Mean Squared Error，簡稱 mse），當均方差保持一個連續(xù)下降步數(shù)的情況下，BP神經網絡認為網絡模型已經達到最優(yōu)，可代入測試型樣本進行訓練，得出最后的預測結果。得到每個路段的仿真過程如圖3所示。

表2 BP神經網絡參數(shù)設置

圖3 BP神經網絡訓練過程

通過圖3的分析可知，訓練收斂在步伐116已經達到檢驗樣本的輸出誤差均方差全局最小，最后得到預測結果如圖4所示。

圖4 BP神經網絡預測結果

3.3 結果分析

為進一步分析BP神經網絡在城市停車需求中的適應性和精度，將總停車需求、公共停車需求、私人停車需求的預測相對誤差統(tǒng)計如表3所示。

表3 基于BP神經網絡的停車入庫相對誤差結果

通過對上表3的分析可知:

1）BP神經網絡預測模型對每組數(shù)據的預測相對誤差最大為18.80%，最小相對誤差為6.21%，平均相對誤差為10.98%。對于神經網絡來說，一般預測精度保持在10%以內預測結果均良好，因此上述神將網絡模型總體上基本符合預測精度要求；

2）BP神經網絡預測模型對總停車需求量、公共停車需求量、私人停車入庫的預測相對誤差精度呈現(xiàn)從小到大的趨勢，這主要是由于總停車需求量和公共停車需求量比私人停車需求量基數(shù)大，最后導致私人停車入庫相對預測大；

3）BP神經網絡在預測過程中第一組數(shù)據的預測相對誤差較大，其中總停車入庫的第一組數(shù)據的相對誤差達到39.78%，公共停車入庫的第一組數(shù)據的相對誤差達到18.23%，私人停車入庫的第一組數(shù)據的相對誤差達到77.82%，其主要原因是由于本預測模型的第二隱層函數(shù)采用的是線性轉換函數(shù)，線性轉換函數(shù)對中間序列項回歸效果較好，而對前序列項數(shù)據項回歸效果稍差，但是對整體預測誤差不產生影響。

4 結 論

本文主要針對當前城市停車需求熱點問題進行了研究。首先，從停車的權限方面將城市停車劃分為公共停車入庫和私人停車入庫兩類，利用總停車需求量、公共入庫停車數(shù)量、私人停車數(shù)量作為城市停車需求的判別指標。然后，建立了基于BP神經網絡的城市停車需求1－3－2預測模型。最后，以佛山市某停車場作為實例，仿真結果表明BP神經網絡預測模型對每組數(shù)據的預測相對誤差最大為18.80%，最小相對誤差為6.21%，平均相對誤差為10.98%，符合預測精度要求。但是需要指出的是，本文僅單純從城市停車數(shù)量與時間規(guī)律方面研究了城市停車預測問題，如何結合城市停車的內部機理，從時間和空間兩個維度對城市停車需求預測，是下一階段研究的重點。

［1］ 徐雷，劉冰，張涵雙.停車需求預測和泊位供給策略分析［J］.交通科技與經濟，2014，17（2）:12.

［2］ 吳德華.基于現(xiàn)狀調查的城市老城區(qū)停車需求預測方法［J］.交 通 運 輸 系 統(tǒng) 工 程 與 信 息，2013，14（1）:235－241.

［3］ Wei L，Chou Y，Chang C.The research on improved parking generation rate forecast model［J］.JOURNALHEBEI UNIVERSITY OF TECHNOLOGY，2007，36（5）:101.

［4］ Ferguson E.Zoning for parking as policy process:A historical review［J］.Transport Reviews，2004，24（2）:177－194.

［5］ Rye T，Ison S.Overcoming barriers to the implementation of car parking charges at UK workplaces［J］.Transport Policy，2005，12（1）:57－64.

［6］ Howard C K，Cayetano K，Omojola O.Parking management systems:U.S.Patent 6，885，311［P］.2005－4－26.

［7］ 魏海坤.神經網絡結構設計的理論與方法［M］.北京:國防工業(yè)出版社，2005.

［8］ Haykin S S，金世偉.神經網絡原理［M］.北京:機械工業(yè)出版社，2004.

［9］ Razavi B S.Predicting the Trend of Land Use Changes Using Artificial Neural Network and Markov Chain Model（Case Study:Kermanshah Urban）［J］.Research Journal of Environmental and Earth Sciences，2014，6（4）:215－226.

［10］Yue H.BP Neural Network［J］.Information Technology Journal，2013，12（19）:5401－5405.

［11］魯娟娟，陳紅.BP神經網絡的研究進展［J］.控制工程，2006，13（5）:449－451.