基于交通指数预测的公交发车频率优化方法研究

吴烁 肖煜 祁东曜 何一鸣

摘要：随着城市经济发展，城市出行人口数量急剧上升，交通拥堵现象日益严重。由于公众对城市公共交通认识不足，公共交通使用率较低，无法达到缓解交通拥堵的目的。因此，科学地引导人们选择公交出行对提高城市道路资源利用率、解决城市交通拥堵等意义重大。基于上述问题，提出基于道路交通拥堵指数预测的公交发车频率优化的改进方法。將武汉市34路公交车的运营线路作为研究对象，通过百度地图后台获取数据，将数据因素分类，并进行数据集预处理，发现存在多维度因素对交通指数产生影响。根据这一特性，使用神经网络构造预测模型，该模型能有效预测出未来某时刻交通拥堵指数，通过交通指数预测值，修正公交发车时刻表、优化公交发车频率，引导私家车通勤者向公交转移，倡导公众选择便捷快速的公交出行，进而很大程度上缓解交通拥堵的问题。

关键词：交通拥堵指数预测；多影响因素集；神经网络模型；公交时刻表优化

中图分类号：TP391        文献标识码：A

文章编号：1009-3044（2022）27-0036-04

开放科学（资源服务）标识码（OSID）：

1 引言

公交出行是一种便捷快速的共享出行方式，具有载客量大、绿色环保等优点。然而，公交出行存在发车时间不确定性及实时交通拥堵量无法预测的问题，行程时间较长出行体验较差也亟待解决。因此，积极探索公交车发车频率和实时交通拥堵指数间的规律、满足出行者少用时少拥堵需求，是有效提高路网通行效率和安全性、创造良好共享出行环境的关键所在。

交通拥堵指数是综合反映地面道路网畅通或拥堵的概念性数值[1]，国内外诸多学者均有研究。Chin等运用神经元网络模型进行预测，在必然程度上摆脱了建立精确数学模型的困扰[2]；贺国光等[3]提出基于多分辨率小波分解与重构方法来预测。而针对公交时刻表研究现状，Furth和Wilson[4]通过社会效益最大化的优化目标对发车间隔和频率及发车时刻表进行了研究；刘欢[5]用时间控制站点策略对中途站的行车时刻表进行编制。然而，上述方法仍存在一些局限性，正如李香云[6]在文献中所说“交通拥堵因素的影响，本身就增加了公交车到站时间的不确定性”，上述研究获得了较好的预测效果，但真正从交通拥堵指数预测来优化公交发车频率的研究较少。

2 模型介绍

2.1 BP神经网络模型

为保证交通拥堵指数预测的准确性与可靠性，笔者引用具有强大信息处理能力的BP神经网络模型，其是一种前馈神经网络，特点在于：信号向前传递，而误差是反向传递的，如图1所示。

图中，[x1～xm]表示神经网络的输入变量；隐含层两端[wij、wki]表示各节点间的连接权值，如[wij]表示输入层第j个节点和隐含层第i个节点之间的连接权值；隐含层某一层内[φi～φq]表示隐含层节点的阈值；输出层内[ak～al]表示输出层各节点间的阈值；[O1～Ol]表示神经网络的输出变量。

2.2 历史数据获取、预处理与分析

通过百度地图开发者权限获取后台数据，选取符合本文研究线路的数据作为原始数据，以五分钟为周期实时记录2021年4月01日至4月21日三周时间，武汉市34路公交车从始发站丽水南路东澜岸到终点站友谊大道沙湖沿线的交通拥堵指数及实时车速等信息，本文基于此进行研究探讨。

筛选出地点、时间、天气、周次与星期为影响交通拥堵指数的四个特征因素。并将上述数据进行预处理，合并成适应监督学习的数字序列数据集，取序列中99.9％的数据为训练集，随机剩余0.1％的数据为验证集。

（1）地点因素的处理：将所得数据剔除错误数据后，选出符合34路车行车路线的拥堵点并参考下图实际考察情况，用1-3表示出极其拥堵的三段站点，作为研究对象。

（2）时间因素的处理：所得数据记录为以5分钟为间隔连续三周的交通指数，结合34路公交车行驶时间段选取早上“6小时05分钟至晚上21小时40分钟”，汇总3个地点交通拥堵指数形成数据集。

（3）天气因素的处理：查阅武汉市2021年4月01日-4月21日的历史天气预报，将天气分为小雨、多云、中雨、晴天，以1-4的数值赋值四类天气。具体信息如表2所示。

（4）周次与星期因素的处理：以周日为每周第一天，查阅日历得2021年4月1日星期四到4月21日星期三分别为第13～16周。具体信息如表2所示。

根据所得图a、b、c可看出：工作日出现早高峰的时间较非工作日（节假日）提前，节假日晚高峰过后返程归家拥堵情况仍较高，符合日常生活习惯；不同地点同一天内拥堵情况稍有区别，相比位置偏远的白沙洲大道，中山路集武昌火车站、商场、医院于一处的地理位置使其在各阶段拥堵程度均更大，尤其早晚高峰；天气对于交通拥堵影响不算显著，在一定程度上雨天较之多云拥堵指数高。

2.3 模型预测与实例验证

整个BP神经网络预测过程为[7]：

（1）首先构建区域交通指数BP神经网络预测模型。

（2）随机初始化模型中的权值与偏置，学习速率η。

（3）输入训练数据并进行预测。

（4）计算BP神经网络预测值与实际值的误差平方和：

（5）根据误差和修正ωij、ωjk。

（6）当误差达到期望值或迭代次数过大时停止迭代，当前参数值即为最优值。

（7）根据训练得到的权值与偏置，计算预测值，并输出预测结果。

在交通指数预测过程中，日期、星期、时间、天气均对交通指数变化起关键作用，选取上述4个参数作为输入层向量，输入层神经元个数为4；输出层神经元个数为1。本文选择基于L-M算法的BP神经网络，现利用试凑法确定隐含层节点数量。

基于Matlab 2016b的神经网络工具箱所提供模型，对交通指数进行预测，调用Matlab神经网络工具箱中的Neural Net Fitting（神经网络拟合）App 建立网络，最大迭代次数为5000，最大迭代误差设置为0.001。初始权值和阈值随机，对比迭代結束时算法的均方误差、回归系数，采用逐步增长法确定隐含层节点数。经多次训练测试，笔者发现在隐含层为25个结点时，其训练级和测试级较接近，模型拟合度最高，达到算法回归系数最高为0.8957，此模型具有较高的可靠性和准确性。

为验证预测精度，在预留随机验证集中选取第一个地点的9行数据进行预测分析检验。

由上可知，预测值与实际值相对误差均在8%以内，预测结果较好，使用BP神经网络可以满足对多种因素共同影响的区域交通指数变化情况灵敏反应，准确预测，具有重要的理论意义和现实意义。

3 公交时刻表优化

公交时刻表（Timetable）是按照线路当前客流量变化的情况，投入使用的车辆数量以及预订服务水平指标等因素确定的线路发车间隔。常规的公交运行时刻表根据规划周期内的客流总量、采用等长间隔制定[8]。参考公交调度中心所采用的人工调度动态运行时刻表，调度流程如图所示：

对于34路公交车（丽水南路东澜岸—友谊大道沙湖）通过实地考察得知此公交的运营时间是6：05～21：40，该公交车以人工调度为主，结合乘客需求量与时间段来协调发车，司机根据车内显示屏上所给的时间来安排发车与到站时间，如图10。

结合实际，现有的公交时刻表大多侧重于以客流量为参考的人工调度制度，而本文提出公交运行动态时刻表的概念，利用上文道路拥堵指数预测模型所预测的道路实时信息，修正公交发车频率，拥堵指数大即较拥堵时采用较小发车间隔，拥堵指数相对较小时采用较大发车间隔，从而优化公交时刻表，这样的动态调整方法有利于城市公共交通系统对整个城市的交通管理，在优化城市交通出行结构，解决城市交通拥堵上有较大的优势。

4 结论与展望

本文的主要内容是基于交通指数预测的公交发车频率优化方法的研究。综合使用理论推导、BP神经网络预测模型等，完成了交通拥堵指数预测的模型确定、相关数据分析等工作，并基于此修正以武汉市34路公交车为例的城市公交时刻表，得到以下几点研究成果和结论：

（1）根据对交通指数历史数据的统计分析，得出了交通拥堵指数及拥堵时车速与地点、周次、星期、时间、天气等因素有较大关联，存在着近似多元线性回归的关系。

（2）采用Matlab中的神经网络工具箱，试凑出隐含层节点数，不断加强迭代次数提升模型精度，从而构建出最佳神经网络预测模型，利于后续研究。

（3）使用所得预测模型随机预测交通指数，并与实际的交通指数进行比较，从而分析预测效果，有效验证了模型的精准性与可靠性。

（4）根据预测结果及结合实际拥堵情况，对公交时刻表进行优化，对公交发车频率进行修正，提出优化后的公交发车频率，讲解其合理性、正确性。

本文对交通拥堵指数预测方法和公交发车频率修正优化的研究还不够全面，故结合城市快速公交系统（Bus Rapid Transit）、潮汐车道等对此提出前景展望：在便捷快速上，设置公共交通专用道路，能否让公交成为路面地铁，实现轨道交通式运营服务是未来考量的重点。在居民出行上，使公交成为拥堵时最佳出行方式，鼓励市民选择公交出行。在政府调控上，促使未来公交系统有关管理部门能提升公交出行体验，将科技与实际相结合，智创美好未来。

参考文献：

[1] 杨大为.基于多目标的地下物流系统应急资源储备站选址研究[D].武汉：武汉理工大学，2019.

[2] 高为，陆百川，贠天鹂，等.基于时空特性和RBF神经网络的短时交通流预测[J].交通信息与安全，2011，29（1）：16-19，24.

[3] 贺国光，马寿峰，李宇.基于小波分解与重构的时间序列预测法[J].自动化学报，2002，28（6）：1012-1014.

[4] Furth P G，Wilson N.Setting frequencies on bus routes：theory and practice. Transportation Research board，1981.

[5] 刘欢.公交线路行车时刻表编制技术[D].南京：东南大学，2009.

[6] 李香云，任帅，张卫钢，等.基于高斯过程回归的公交到站预测方法[J].计算机技术与发展，2019，29（10）：21-25.

[7] 马丹辉.居住区停车泊位共享意愿与开放规则研究[D].西安：长安大学，2019.

[8] 崔文.基于短时客流预测的公交区域调度优化研究[D].哈尔滨：哈尔滨工业大学，2015.

【通联编辑：王力】