基于Matlab的BP神经网络在公交车辆调度中的应用

孙静怡 苏友富

（昆明理工大学交通工程学院 昆明 650224）

公交线路是由一系列公交站点组成的，公交车辆的调度形式取决于公交线路的客流情况.刘翠、张燕青等［1］提出的基于BP神经网络的公交线路站点时段上下客预测模型适合公交车辆实时调度模型的数据准备工作，并且以哈尔滨市八路公交线路为例证明了3层BP神经网络模型在公交站点的上下车人数预测上具有极高的精度.借鉴神经网络预测未来某一时刻的公交线路客流集散量，在此基础上开展公交车辆实时调度模型的研究，利用Matlab中的神经网络工具箱，构建公交车辆的实时调度模型，在一定程度上解决了智能公交调度的算法问题，为智能公共交通系统（APTS）的进一步发展奠定基础.

1 Matlab的神经网络工具箱

1.1 BP神经网络算法原理

BP（back－propagation，误差反传）神经网络算法的主要思想是从后向前（反向）逐层传输输出层误差，以简洁计算出隐层误差.算法分为两个阶段（见图1）：第一阶段（为正向过程），输入信息从输入层经隐层逐层计算各神经元的输出值；第二阶段（为反向传播阶段）从输出误差逐层向前计算出隐层各神经元的误差，并用此误差修正前层权值，使误差函数（E）沿负梯度方向下降，达到最小.

图1 神经网络示意图

输入节点xj和隐节点间的网络权值为ωij，隐节点yi与输出节点Ol间的连接权值为Tli，当期望输出为tl时，BP模型的计算公式如下.

1.1.1 输出节点的输出Ol计算公式

1）输出节点的输入，xj.

2）隐节点的输出

3）输出节点的计算输出

1.1.2 输出层（隐节点到输出节点间）的修正公式

1）输出节点的期望输出为tl.

2）误差控制 单元k的误差为

则输出端的总的平方误差函数为

3）误差公式

4）权值修正

式中：k为迭代次数.

5）阀值修正

1.1.3 隐节点（输入节点到隐节点）的修正

1）误差公式

2）权值修正

3）阀值修正

2 确定车辆调度形式

在公交车辆调度中，一组信息输入对应一种发车形式，需要解决模式识别的问题.神经网络在模式识别问题中的应用，可以有效解决该问题.

2.1 常用车辆调度形式

在公交车辆调度中，常用车辆调度形式见表1.

表1 常用车辆调度形式

2.2 车辆调度形式的计算方法

2.2.1 区间车调度形式的确定［2－3］区间车的调度形式可通过计算路段（断面）客流量差或路段不均系数的方法确定区间车调度形式.

路段不均匀系数Ks，指统计时间内营运线路某路段客流量与平均路段客流量之比，即

当Ksi＞Ks0（一般取值为1.2～1.5），或≥（2～4）q0时应采取开辟区间车的调度措施改善运输服务工作.这里：q0为计划车容量，可按下式确定

式中：q0为车辆额定载客量；r0为车辆满载率定额.

2.2.2 大站快车调度形式的确定 大站快车的调度形式开设可通过计算站点客流集散量不均匀系数或方向不均匀系数确定快车调度形式.

站点集散量不均匀系数Kcj，指统计时间内公交营运线路第j停车站乘客集散量与沿线各停车站平均乘客集散量之比，即

式中：Qcj为统计时间内第j停车站乘客集散量；为统计时间内沿线各停车站平均乘客集散量.

对于Kcj≥（一般取1.4～2.0）的停车站，可考虑开车大站快车，以缓和乘车拥挤，提高运输效率.

方向不均匀系数，指统计时间内某线路高单向客流量与平均单向客流量之比.即

式中：Qa为高单向客运量，即统计时间线路最大单向客流量；为统计时间内线路平均单向客流量.

当Ka≥（一般取1.2～1.4），可以开设大站快车等.

当Kti＜（一般取1.8～2.2）为客流平峰小时，当Kti＜1.0时也称客流低峰小时.当Kti≥，称为客流高峰小时，可以根据要求增加公交车辆投入运营.

2.3 计算结果

计算选取了实测数据.在2008年10月30日对昆明市北京路公交专用道系统运营的K1和23 2条线路在早高峰时段（07：00～10：00）和晚高峰时段（17：00～20：00）进行了跟车调查，其中早高峰调查58车次，晚高峰调查60车次，选取此次调查早高峰期间各站点上下客量的作为原始数据，进行了路段不均匀系数和站点集散量不均匀系数的计算，数据表略.

由北京路路段不均匀系数表可知，在由北向南方向路段i为7，8，9，10，11，12六个路段上，路段不均匀系数Ksi＞Ks0，结合车队现状、路段长度和路段环境分析，为改善高峰时期的公交运输服务质量，需要开设区间车.区间车起止点考虑选择在金星汽车广场和交三桥，但考虑到交三桥附近处于城市中心，用地开发较为密集，不宜设置区间车终点站，而昆明站的客流也比较大，可将区间车终点站顺延至北京路，即起止点分别设在金星汽车广场和昆明站.

采用前文提及的公交线路站点乘客集散量不均匀系数Kcj确定方法，取＝1.4，由表4可知，在站点i＝6，14，15，18四个站点，站点不均匀系数Kcj＞，结合车队情况，考虑开设快车，且起点调整至i为1的公交北市区车场统一调配，即大站快车途径站点为i为1，6，14，15，18.

3 BP神经网络在车辆调度中应用

3.1 系统输入变量

公交车辆实时调度BP神经网络模型中输入量重要的是各站点客流集散量信息.实际应用过程中，客流信息可以来源于基于历史数据的预测，比较常用的客流预测方法主要有回归分析方法、时间序列预测方法、神经网络分析法［4－5］等，前两种不太适用于公交车辆的实时过程分析，神经网络分析法则可较好的应用于各站点检测装置或实时统计获得的客流信息分析.将一天内不同时段客流情况大致分为平峰和早晚高峰几个时段来考虑交叉口延误和车辆满载率情况，结合前文提出的公交线路调度形式的计算方法确定线路相应待选的调度形式.

3.2 系统输入和输出的对应关系

要确定某时刻公交线路客流集散量（即一种输入模式下）对应的发车形式（即输出模式），根据前述全程车、区间车和大站快车等调度形式的计算方法，由一种输入客流数据就可以计算出一种相应的调度形式［6］.应用训练好的BP神经网路在输入客流数据状态下输出的是不同调度形式的相应权重.

3.3 基本步骤

1）通过跟车调查采集原始站点上车人数和下车人数，计算客流集散量和各种站点不均匀系数，确定相应的调度形式，构成BP神经网络的训练集.

2）利用良好的Matlab神经网络设计GUI界面，设置BP神经网络参数，并对其进行训练.

3）依据已有的客流预测理论，实时更新公交线路客流集散，并对下一时刻的不同站点客流集散量做出预测.

4）将3）中的到得客流集散量作为输入量代入2）中已经训练好的网络中去，BP神经网络技能在短时间内自动给出一种最合适的调度形式，从而实现对公交车辆的实时调度.

3.4 实例研究

根据前述调查早高峰期间各站点上下客量作为原始数据，建立了昆明市K1，23路的车辆调度神经网络模型，如图2所示.建立好的网络代入训练集后训练误差收敛曲线（见图3）光滑，收敛良好，在此训练好的网络下进一步带入实测数据的到的3种调度方式的权重分别如表2所列.

图2 K1，23路公交车辆调度神经网络结构

根据以上权重值可以很快确定下一趟公交车辆的调度形式，验证了神经网络方式在公交车辆实时调度过程中的良好应用.实际应用的过程中可以结合现有的公交电子站牌，提前将发车的时间、发车的形式、途径站点等信息告知线路上各站点乘客，方便居民出行.

表2 BP神经网络实测结果

图3 训练误差收敛曲线

4 结束语

本文提出的公交车辆调度的神经网络模型，主要考虑公交线路客流集散量为输入变量，而实际影响公交调度形式的因素还有很多，如公交车辆的型号、天气情况、公交线路运营时间等，因此有必要在今后的研究中进一步增加输入层的节点数.

公交车辆的调度形式的确定是在已训练好的神经网络的基础上，而BP神经网络刚开始建立需要人工干预设置参数，调整输入和输出，给实际应用带来一些不便.同时训练样本的输入和输出的准确性也很关键，文中调度计算方法只确定了几中常见的调度形式，包括全程车、区间车、大站快车等，形式还不够全面，需要进一步的细化.

［1］刘 翠，张艳青，陈洪仁.基于BP神经网络的公交线路站点时段上下车人数预测模型［J］.交通标准化，2008（5）：186－189.

［2］徐远芳，周 旸，郑 华.基于MATLAB的BP神经网络实现研究［J］.微型电脑应用，2006（22）：41－44.

［3］杨兆升.城市职能公共交通系统理论与方法［M］.北京：中国铁道出版社，2004.

［4］白厚义.回归设计及多元统计分析［M］.南宁：广西科学技术出版社，2003.

［5］何书元，应用时间序列分析［M］.北京：北京大学出版社，2007.

［6］陈 鹏.基于BP神经网络的公交智能实时调度模型研究及系统实现［D］.北京：北京交通大学交通运输学院，2008.