基于BP神經(jīng)網(wǎng)絡(luò)的公交車到站時間預測

邊冰 鄭軍

摘 要：公交車到站時間預測是城市公共交通智能化發(fā)展的首要需求，對公交車到站時間進行準確預測對于市民出行與公交調(diào)研有著重要意義。但是公交車到站時間呈一種非線性變化，它受多方因素的影響，因此很難通過建立數(shù)學模型來解決。為此文中基于BP神經(jīng)網(wǎng)絡(luò)進行公交車到站時間預測，BP神經(jīng)網(wǎng)絡(luò)的自組織、自學習等特點使其可逼近任意非線性映射，以唐山市某線路公交車運行為例進行模擬仿真，試驗結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的公交車到站時間預測具有較高的準確性與可靠性。

關(guān)鍵詞：公交車到站時間;智能化;公交調(diào)研;非線性;數(shù)學模型;BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP183文獻標識碼：A文章編號：2095-1302（2019）10-00-02

0 引 言

隨著人們生活水平的提高，大部分家庭都擁有汽車，汽車的增多無疑加劇了城市的擁堵，汽車尾氣排放量增多也使得空氣質(zhì)量變差，人們的生活環(huán)境受到了很大影響[1]。城市的擁堵問題不能僅靠無限制地增加基礎(chǔ)設(shè)施來解決，再加上近幾年實行的尾號限行規(guī)定，人們的出行受到了限制，市民需要尋找一種更好、更高效的出行方式。由于公交車具有廉價、載客多、舒適等特點，并可減少城市擁堵，因此已成為人們出行的首選交通工具[2]。然而在一些中小城市，公交系統(tǒng)不夠智能化，大部分公交車車站并沒有設(shè)立電子標牌，有電子標牌的大部分也只顯示到站的距離和站數(shù)，并不能為乘客提供確切的等車時間，特別是對于一些對時間要求較高的工作人員來說，在等車期間很容易產(chǎn)生焦慮的情緒，因此準確地預測公交車到站時間是提高城市服務(wù)水平及實現(xiàn)高效公交系統(tǒng)的關(guān)鍵[3]。若系統(tǒng)能預測出公交車到站的確切時間，將為人們的出行提供便利[4]。

由于到站時間受到多種因素影響，呈非線性變化，因此很難用普通的數(shù)學模型來解決[5]。在眾多新型算法中，最經(jīng)典的是GPS定位技術(shù)，它由美國率先提出，已應(yīng)用于汽車領(lǐng)域。國內(nèi)孫棣華[6]等通過GPS定位的數(shù)據(jù)，結(jié)合車速、站點的路程差等因素完成預測。周雪梅[7]等把上一輛車的行駛速度作為路況參照，通過GPS的數(shù)據(jù)建立車輛站點停留時間模型。雖然GPS技術(shù)可實時采集、預報路況，但GPS前期資金投入較大，一些中小城市很難承受。公交車在經(jīng)過高樓、隧道等建筑設(shè)施時，容易導致數(shù)據(jù)不完整，在經(jīng)過信號塔時，也會受到信號干擾，這些因素都會直接影響數(shù)據(jù)采集。本文運用BP算法對公交車到站時間進行預測，它可逼近任意非線性映射，通過仿真學習，能夠較準確地對時間進行預測[8]。

1 BP神經(jīng)網(wǎng)絡(luò)預測模型

BP神經(jīng)網(wǎng)絡(luò)能夠進行誤差反向傳播，其網(wǎng)絡(luò)結(jié)構(gòu)主要包括輸入層、隱藏層、輸出層，如圖1所示。

2 案例研究

本文以唐山市2路汽車到站時間為例，其公交線路經(jīng)過主街道，途徑商業(yè)街、學校、醫(yī)院等，地理環(huán)境復雜。選取第一站婦產(chǎn)醫(yī)院與末站廣場到站時間作為輸入，將兩站的時間差作為輸出，數(shù)據(jù)采集時間為2018年9月1日到2018年10月30日，每天早晨7：30對公交車進行跟車數(shù)據(jù)采集。一共采集了60組數(shù)據(jù)，從中選取50組數(shù)據(jù)作為網(wǎng)絡(luò)訓練樣本，余下的作為檢測使用。因為網(wǎng)絡(luò)的輸入為兩站的到站時間，所以第一層神經(jīng)元數(shù)為2;隱藏層數(shù)定為5;輸出層只有一個結(jié)果，神經(jīng)元數(shù)定為1，其三層神經(jīng)元依次為2-5-1結(jié)構(gòu)。按照上述要求，仿真后所得數(shù)據(jù)見表1所列。

表1是經(jīng)過訓練仿真得出的幾組數(shù)據(jù)，從中可以看出，10組預測值與真實值接近，且相對誤差都在10%以下，最低為0.3%，表明預測效果較好。圖2為BP神經(jīng)網(wǎng)絡(luò)預測曲線，虛線代表真實值，實線代表預測值，預測曲線較接近真實曲線，R2為決定系數(shù)，其值越接近于1，表明預測效果越好。從圖中可以看出，R2為0.987 25，表明基于BP神經(jīng)網(wǎng)絡(luò)的公交車到站時間預測具有較高的準確性。

3 結(jié) 語

本文運用BP神經(jīng)網(wǎng)絡(luò)算法完成對公交車到站時間的預測，通過仿真驗證可知該方法具有較高的準確性。但是BP神經(jīng)網(wǎng)絡(luò)訓練速度較慢，在今后的研究中，應(yīng)考慮天氣與溫度等因素對時間的影響，尋找更好的算法來彌補不足。

參 考 文 獻

[1]向紅燕，彭學文.公交到站時間預測研究現(xiàn)狀與發(fā)展趨勢[J].交通信息與安全，2014，32（4）：57-61.

[2]謝芳，顧軍華，張素琪，等.基于MapReduce 聚類和神經(jīng)網(wǎng)絡(luò)的公交車到站時間預測模型[J].計算機應(yīng)用，2017，37（z1）：118-122.

[3]左忠義，汪磊.公交到站時間實時預測信息發(fā)布技術(shù)研究[J].交通運輸系統(tǒng)工程與信息，2013（1）：63-68.

[4]馬曉敏，王新.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)改進[J].云南大學學報（自然科學版），2013，35（z2）：34-38.

[5]段光忠.基于公交車運行軌跡的到站時間預測系統(tǒng)研究[J].信息技術(shù)，2017，15（9）：23，25.

[6]孫棣華，賴云波，廖孝勇，等.公交浮動車輛到站時間實時預測模型[J].交通運輸工程學報，2011（2）：84-89.

[7]周雪梅，彭昌溆，宋興昊，等.基于前車數(shù)據(jù)的動態(tài)公交車輛到站時間預測模型研究[J].交通與運輸（學術(shù)版），2011（B12）： 52-56.

[8]謝煒.基于BP神經(jīng)網(wǎng)絡(luò)的公交車到站時間預測[J].中國石油大學勝利學院學報，2016（4）：38-40.

[9]史同飛，袁騰飛，時柏營.基于BP神經(jīng)網(wǎng)絡(luò)的公交周轉(zhuǎn)時間預測研究[J].山東建筑大學學報，2015，30（3）：205-210.

[10]彭新建，翁小雄.基于螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的公交行程時間預測[J].廣西師范大學學報（自然科學版），2017，35（1）：28-36.