自适应神经网络在生态交通系统评价中的应用

苏　南，黄　霞

(1.重庆交通大学 交通运输学院，重庆 400074；2.广东财经大学 信息学院，广州 510320)



自适应神经网络在生态交通系统评价中的应用

苏南1，黄霞2

(1.重庆交通大学 交通运输学院，重庆 400074；2.广东财经大学 信息学院，广州 510320)

从以人为本的交通文化、健康协调的交通环境、高效安全的交通网络、畅达完善的综合交通4个方面出发，结合协同理论构建“四位一体”城市生态交通模型和评价指标体系，以神经网络结构为核心，提出一种智能生态交通评价模型，挖掘生态交通系统的客观规律信息，在评价生态交通水平等方面进行探索。

生态交通系统；评价指标体系；自适应神经网络

面对土地资源紧缺、交通拥堵、噪音危害、大气污染等交通问题，寻求一种可持续发展的城市建设之路成为人们聚焦的中心[1]。李智等[2]从环境管理的发展趋势与可持续发展的要求出发，基于 DPS-IR 框架的指标分类选取了交通规划环评指标集。姜玉梅等[3]采用DPSIR模型确定综合评价初始指标，基于城市复合生态系统理论，利用PCA和MDM 解决不同阶段问题的优势，构建城市生态交通系统综合评价模型算法，对系统进行综合量化评价。王钊[4]结合生态综合指数法和层次分析法，基于城市交通环境承载力理论构建生态交通综合评价方法。余跃武[5]从生态城市可持续发展观出发，建立生态交通评价指标体系，运用BP(Back Propagation)神经网络进行预测研究。

现有的生态交通研究侧重于城市交通系统和环境系统的相互影响、相互制约分析，较少从交通活动的安全、健康、和谐等方面进行综合分析，且生态交通评价多采用线性关系处理方法。传统统计方法是建立在多种前提假设和坚实数学理论的基础上，需要充分认识现实生态交通系统和良好的建模能力，否则难以对较复杂的生态交通系统进行深层次的分析以及对评价指标间的非线性关系进行准确刻画。人工神经网络以其强大的非线性逼近能力、泛化能力以及自学习能力在多个科学领域有广泛应用。人工神经网络擅长刻画具有非线性特征的时间序列，挖掘内在隐藏规律。本文针对以上不足，基于协同理论，以神经网络结构为核心，试图从自然资源、外界环境、社会价值、交通网络4个方面挖掘生态交通系统的客观规律信息，在评价生态交通水平等方面进行探索。

1　生态交通评价系统

1.1生态交通的内涵

注重协调交通系统与自然系统、环境资源系统以及社会经济系统的相互作用。构建面向未来城市的结构优化、生态文明、持续发展和系统性的综合交通运输系统。生态交通的内涵具体可划分为以下4个方面：交通文化以人为本，平等公正；交通网络高效安全；交通环境健康、持续协调以及综合交通设施完善。作为复杂的生态城市系统的一个子系统，生态交通是规律协调作用下的综合体。生态交通的发展取决于不同时期，不同条件下相互联系、相互制约的自然资源、文化价值、环境和交通网络等4个方面因素的协调作用。这种长期动态协调关系如图1所示。基于协同理论，提出“四位一体”城市生态交通系统。在“四位一体”的相互作用、相互协调的协同作用下，生态交通才能达到高效、安全、和谐、可持续发展的生态文明协同目标。

图1　城市生态交通动态协调框架

1.2城市生态交通评价

城市生态交通评价是对与交通紧密联系的自然环境、社会经济文化以及交通网络符合系统的生态水平进行定量分析。在一个或多个因素的协同作用下，对人类生存必备的交通条件和交通状态的稳定性及其可能性的严重后果进行评估。生态交通评价是一种相对的、具有一定空间地域性质的系统性评价。通过定性定量预测评价生态方面的交通系统，建立完整、稳定、可持续发展的最优系统状态方案。

为了分析和评价城市生态交通，需要设计评价指标体系。评价指标体系中有3种结构类型分别为：以单个指标进行评价的一元结构、以一组平行或者顺序关系的指标进行评价的线性结构和多影响因素综合评价的塔式结构[6]。城市交通系统的目标区别于单项的局部的指标，指标内容多、涉及面广、呈现相关性、整体性以及抽象性的特征。因此，采用层次性的塔式结构建立生态交通评价指标体系结构。

1.3构建评价指标体系

研究指标体系的方法有基于调查研究、比较归纳以及问卷调查形式收集有关指标的调查研究法；通过具体分析目标和任务逐次分解获得指标的目标分解法；采用聚类分析和主成份分析，简化要素，找出关键性指标的多元统计法[7]。本研究以生态交通的“四位一体”协调机理为主线，以目标分解法为主，其他方法为辅，基于已有的可持续发展的交通系统评价指标[8]，参考国内外生态城市评价指标和园林城市创建指标，结合生态交通现有的部分评价指标体系[4]，构建一套系统的“四位一体”生态交通评价指标体系。具体的生态交通评价指标如表1 所示。

表1　城市生态交通评价指标体系N1

2　自适应神经网络学习算法

计算机模拟人类的神经网络训练主要分3个阶段。第1阶段：学习期，一定的网络初始化的参数条件下网络进行学习训练;第2阶段：调整期，系统根据所处的环境进行自组织，调整神经元中参数进行循环多次学习训练，适应外界变化保持良好性能；第3阶段：工作期，比较分析网络在不同参数条件下的性能，确定合适的参数权值，对测试数据进行评价，具体过程如下[9-13]:

第1步，网络初始化-学习训练。

(1)

第2步，网络自适应学习，随机选择ϑk，wkl(k≤N1,l≤N0)，其中一个参数进行梯度调整，会出现下面3种情况：

每次参数调整随机赋值ε，ε相当于学习的步长，是一个小数字。

第3步，神经元的输出反向传播，重新学习训练调整神经元的激活电位。调整βk时激活电位不发生改变：

(2)

经过上述调整，对神经网络的输出值进行调整

(3)

局部变化对人工神经网络输出层神经元的输出影响为：

(4)

统计参数调整后网络训练误差的变化为：

(5)

第4步，循环进行上述2、3两步，直到网络的训练误差E0满足目标要求，小于特定的值或由于迭代次数达到一定限值网络停止训练，存储神经网络输出yu以及预测值和实际值的误差E0，至此人工神经网络完成一次完整的训练。

3　基于自适应神经网络的城市生态交通评价模型

在“四位一体”生态交通评价指标体系的基础上，试图建立神经网络的科学、合理且完善的城市生态交通评价智能模型，获得待评价城市交通系统生态文明水平，从而客观评价城市生态交通。BP神经网络生态交通评价的步骤为：原始数据采集和归一化处理，建立神经网络、学习训练过程和生态交通评价模型，并将模型应用到实例分析评价来检验模型的有效性。

3.1原始数据的采集和归一化处理

随着城市交通的快速发展，可持续发展的生态交通建设得到人们的普遍重视。在生态城市的背景下，以2015年《GN中国低碳生态城市指标体系》中生态宜居前十的城市交通各项指标数据作为网络学习样本。物理意义不同的生态交通评价指标在数值区间有较大的差别，为避免神经网络在训练过程调整权值时进入误差曲面平坦区，采用mapmin max函数实现训练样本的归一化。调用matlab的函数格式为：

[inputn,inputps]=mapmin max(input_train)

其中，input_train为神经网络输入层的原始向量，inputn是经过归一化处理的输入向量，inputps为存储数据归一化过程的函数结构。

神经网络评价结果的精确度依赖于原始样本的有效性。鉴于此，对行车舒适度、交通科技进步率、交通法规保障能力、事故应对能力、群众对交警工作的满意度、交通管理信息化水平等定性指标，通过征求交通专家或业内人士的意见以及公众意向调查进行量化，定性指标量化如表2所示。

表2　定性指标量化

3.2神经网络的建立

人工神经网络是一种运算模型，试图模仿生物神经元，由多个互连的处理单元(神经元)一起致力于解决具体问题。网络的输出依赖于网络选择，参数设置，随着连接方式、学习函数、权值和激励函数的不同而变化。神经网络按照一定的学习规则调整2个节点间的连接权重，使权值收敛到一定值，然后用生成的神经网络对真实数据挖掘变量间的关系，进而评价分析。

将归一化处理后的评价指标分解为3组数据，训练、验证和测试数据。原始数据集input是 24×10维矩阵，output是1×10维矩阵，从中选择24×8矩阵作为训练样本，24是神经网络中输入层的神经元数，8是神经网络的训练验证样本数。验证数据用于神经网络早期停止，从而防止神经网络过度拟合以及保证它的精度。输入测试矩阵为n×u，n=24(和训练、验证数据一样)，u=2，目标测试矩阵是1×u。设置最大的训练次数为1 000，网络最大的允许误差值设置为10-5。神经网络训练之后用于分析预测城市的生态交通水平，为制定城市生态交通发展战略措施提供依据。

3.3实验仿真

%下载原始输入输出数据：

loaddatainputoutput

%神经网络训练、测试样本数据：

input_train=input[：，1：8]

output_train=output[1：8]

output_test=output[9：10]

input_test=input[：，9：10]

%训练样本输入输出数据归一化：

[inputn,inputps]=mapminmax(input_train)

[outputn,outputps]=mapminmax(output_train)

%BP神经网络仿真：

net=newff(minmax(inputn),[12 1],{‘logsig’,‘purelin’},‘traingda’)

net.trainParam.epochs=1000

net.trainParam.goal=0.00001

net=train(net,inputn,outputn)

y=sim(net,inputn)

Y=mapminmax(‘reverse’,y,outputps)

%待评价城市:

inputn_test=mapminmax(‘apply’,input_test,inputps)

an=sim(net,inputn_test)

Youtput=mapminmax(‘reverse’,an,outputps)

figure(1)

plot(Youtput,‘:og’)

hold on

plot(output_test,‘-*’)

title(‘生态交通评价模型预测输出’,‘fontsize’,12)

ylabel(‘评分’,‘fontsize’,12)

xlabel(‘城市’,‘fontsize’,12)

%预测误差:

error=(BPoutput-output_test)./output_test

figure(2)

plot(error,‘-*’)

title(‘神经网络预测误差’,‘fontsize’,12)

ylabel(‘误差’,‘fontsize’,12)

xlabel(‘城市’,‘fontsize’,12)

运行以上程序，得到神经网络的生态交通评价水平的输出值。表4显示的是网络输出值与2015《GN中国低碳生态城市指标体系》前十宜居城市的评分对比情况表。

通过仿真测试，对信阳、柳州2个城市生态交通水平进行预测评价。得出的城市生态交通水平与GN 生态宜居城市实际评分基本相符，为制定城市生态交通发展战略措施提供依据。信阳市城市交通生态化水平高于柳州市，两者总体水平都处于生态化建设时期，道路通达性及城市绿化建设方面生态化水平较高，而交通网络在高效、安全、舒适等方面生态化水平有待进一步完善。实验结果显示：自适应神经网络通过学习训练，可挖掘城市生态交通评价指标的内在联系，具有良好的预测精度，验证人工神经网络用于城市生态交通评价是可行且有效的。

表3　各城市生态交通评价指标数据

注：以上数据为实验数据，部分数据为估测，仅作为参考。

表4　生态宜居城市评分网络输出值与实际值对比

4　结束语

从城市交通的显性问题出发，根据生态城市发展对城市交通系统的内涵与规律的变革要求，构建基于协同理论的“四位一体”城市生态交通模型及评价指标体系。把自学习人工神经网络评估技术应用于城市生态交通领域有其现实的价值，补充和完善城市生态交通的定量评价思路和方法。验证了该方法能反映城市交通系统生态化建设的基本水平， 全面综合地把握系统，为城市生态交通系统的规划建设提供必要的参考。

[1]胡小军，张希良.走可持续城市交通之路[J].环境保护，2003，12(1):49-50.

[2]李智，鞠美庭.交通规划环境影响评价的指标体系探讨[J].交通环保，2004，25(6):16-19.

[3]姜玉梅，郭怀成.城市生态交通系统综合评价方法及应用[J].环境科学研究，2007，20(6):158-163.

[4]王钊.城市生态交通系统综合评价方法研究[D].合肥:合肥工业大学，2009:.

[5]余跃武.基于BP神经网络的城市生态交通系统评价研究[D].南京:南京林业大学，2013.

[6]王炜，徐吉谦，杨涛，等.城市交通规划理论及其应用[M].南京:东南大学出版社，1998.

[7]王炜，项乔君，常玉林，等.城市交通系统能源消耗与环境影响分析方法[M].北京:科学出版社，2002.

[8]张军.城市交通系统可持续发展综合评价研究[D].成都:西南交通大学，2007.

[9]郑永，陈艳.基于BP 神经网络的高校教师教学质量评价模型[J].重庆理工大学学报(自然科学)，2015，29(1):85-90.

[10]曹红锦，常思江.基于神经网络的弹道修正弹落点预测方法[J].四川兵工学报，2015(1):17-20.

[11]江务学.基于结构优化递归神经网络的网络流量预测[J].西南大学学报(自然科学版)，2016(2):149-154.

[12]李文琴，曾广朴，文俊浩.基于神经网络的人脸识别系统[J].激光杂志，2015，36(3):54-57.

[13]吴闽帆.基于随机变异优化选择规则的神经网络在股指期货价格预测中的应用[D].厦门:厦门大学，2014.

(责任编辑刘舸)

Application of Adaptive Neural Network in Evaluation of Ecological Transport System

SU Nan1， HUANG Xia2

(1.College of Traffic & Transportation, Chongqing Jiaotong University,Chongqing 400074, China; 2.Information Science School，Guangdong University of Finance & Economics, Guangzhou 510320, China)

An intelligent traffic ecological evaluation model, taking neural network structure as the core and being combined with the synergistic the synergistic theory to establish “four in one” eco-city traffic model and evaluation system, from four aspects of the people-oriented traffic culture, healthy and harmonious traffic environment, safety and efficient transportation network and accessible improved integrated transport, to discover the objective laws of ecological information transport systems and to explore ecological evaluation level of traffic.

ecological transport system; evaluation system; adaptive neural network

2016-04-04

苏南(1993—)，男，湖南衡阳人，硕士研究生，主要从事生态交通影响评价，生态交通规划研究,E-mail：sunan5920@126.com。

format：SU Nan，HUANG Xia.Application of Adaptive Neural Network in Evaluation of Ecological Transport System[J].Journal of Chongqing University of Technology(Natural Science)，2016(10):101-107.

10.3969/j.issn.1674-8425(z).2016.10.016

X826

A

1674-8425(2016)10-0101-07

引用格式：苏南，黄霞.自适应神经网络在生态交通系统评价中的应用[J].重庆理工大学学报(自然科学)，2016(10):101-107.