基于GRNN的出租车保有量预测算法的应用

摘要:文章介绍了基于广义回归神经网络(GeneralizedRegressionNeuralNetwork,GRNN)的城市出租车保有量预测算法的特性和优点;并详细给出了其运用到某市的出租车保有量预测中的计算全过程,即出租车保有量的影响因素分析、网络的建立、训练和检测,以及最终模拟出的结果。通过应用表明,在特定条件下该方法可以有效提高预测的精度,为城市交通规划者提供合理的理论支持。

关键词:广义回归神经网络;预测模型;出租车;保有量

中图分类号:U491.14 文献标识码:A 文章编号:1003-5060(2009)06-0876-04

Application of urban taxi inventory forecasting algorithm based on

(1.Dept.of Automobile and Mechanical Engineering, Anhui Communications Vocational and Technical College, Hefei 230051 China; 2. Anhui Communications Planning and Design Institute, Hefei 230041 China)

Abstract: This paper introduces the characteristics and advantages of the urban taxi inventory forecasting algorithm based on the Generalized Regression Neural Network (GRNN). The details of the entire process of its application to taxi inventory forecasting calculation of a certain city are described, including the analysis of factors affecting the taxi inventory, establishing, training and testing of networks, and the final results of the simulation. The practical application shows that under certain conditions the method can effectively improve the forecasting accuracy and provide reasonable, theoretical support for the urban traffic planners.

Key words: generalized regression neural network ; forecasting model; taxi; Inventory

对城市出租车保有量进行预测,是交通规划的一个重要组成部分。当保有量小于需求总量时,城市的交通服务水平降低,对城市的现代化发展不利;当保有量高于需求总量时,城市交通拥挤,空驶率高,造成能源和资源的浪费。因此,作为反映城市公交客运需求的一项重要指标,出租车保有量预测研究和分析具有较强的实际和理论意义[1,2]。对城市出租车不同时期的保有量进行预测,可以制定市场进入的合理依据,同时也给未来持续发展留有足够的空间,因此在城市和区域经济发展规划中具有十分重要的作用。

1预测方法分析

目前,常用的出租车保有量的预测方法主要有:供需平衡法、比例法以及指数平滑法等

[3-6]。

人工神经网络作为一种并行的计算模型,具有传统建模方法所不具备的很多优点,近年来国内才开始应用,主要是应用BP网络进行出租车保有量预测的研究,有关各种预测方法的对比分析见表1所列。

2 GRNN的网络基本结构与算法

GRNN最早是由Sprecht提出的,是神经网络的一个分支,是一种基于非线性回归理论的前馈式神经网络模型。具体理论和公式推导见文献[7,8],网络结构图如图1所示。

GRNN由一个径向基网络层和一个线性网络层组成,a1i表示第一层输出a1的第i个元素,iIW1,1表示第一层权值矩阵IW1,1的第i个元素。P表示输入向量,R表示网络输入的维数,S1、2表示每层网络中的神经元个数,同时还表示训练样本的个数。

表 1 出租车保有量预测方法对比分析表

网络的第一层为径向基隐含层,单元个数等于训练样本数S1,该层的权值函数为欧几里德距离度量函数,其作用是计算网络输入与第一层的权值IW1,1之间的距离,b1为隐含层阈值。符号 表示!dist!的输出与阈值b1的元素与元素之间的乘积关系,并将结果形成净输入n1,传递到传递函数。隐含层的传递函数为径向基函数。常用高斯函数作为网络的传递函数,即

其中, I 决定第i个隐含层位置处基函数的形状. i越大则基函数越平缓,故又被称为光滑因子。 网络的第二层为线性输出层,其权函数为规范化点积权函数,传递函数为a2

=purelin(n2),从而计算网络输出。

GRNN只有一个阈值,人为调节的参数少,网络的学习全部依赖数据样本,这个特点决定了网络得以最大限度地避免人为主观假定对预测结果的影响。

3 出租车保有量预测 G RN N 模型及应用

3.1 影响因素分析

通过调查分析, 影响某市出租车保有量的因素主要有以下几个方面:

( 1) 城市发展总体规模。

( 2) 社会、 经济发展总体状况。

( 3) 公共交通服务和基础设施情况。

( 4) 其他因素, 如城市的重要性、 环境特征及出租车价格等。

3.2 数据样本

以某城市为目标, 根据以上影响因素分析的结果, 取该市以下 5 个历史统计数据: 国内生产总值、 人口、 公交客运量、 公交线路总长度以及居民人均年收入等数据作为影响因子, 其出租车保有量为输出因子, 构建 G RN N 。

网络的样本数据, 以 1990-2003 年数据作为网络的训练样本, 以2003-2007年5个样本进行外推预测检验, 见表 2 所列。

3．3 预测模型的建立

3．3．1 训练和检测1

建立GRNN网络1,以计算第t年的5个影响因素的预测值。将表2中预测年之前连续5年的某一影响因素的数据作为输入样本,以目标年的对应数据作为导师样本,对网络进行训练。

满足精度要求后,再将表2中目标年之前5年的数据作为输入集合,从而得到影响因素的预测值。2003-2007年的5项影响因素值及其与实际值的预测误差,见表3和表4所列。

3．3．2 训练和检测2

对样本数据进行归一化处理,以归一化处理后样本数据创建一个GRNN网络2,以计算第t年的出租车保有量。

将光滑因子分别设置为0.1、0.2、0.3、0.4和0.5,通过训练,检查网络对样本的逼近性能。网络的逼近误差、预测误差如图2和图3所示。

由图3可知,取光滑因子为0.1时,网络逼近性能和预测性能的误差都为最小。因此,将其设定为0.1。将表3中的数据分别输入程序,预测的2003-2007年出租车保有量结果和相对误差见表5所列。由表5可得误差平均值为1.45%。

根据以上训练和外推预测的结果分析,可以看出,网络的拟合值和预测值与实际值比较接近,网络具有较好的推广能力,误差符合预测精度的要求,可以用于出租车保有量预测。

3.4 出租车保有量预测

网络模型训练完毕后,即可用来预测该市2008-2010年的出租车保有量。

先运用训练完毕的网络1,分别对5个影响因素进行预测,当预测年为2008-2010年时,其结果见表6所列。

运用训练完毕的网络2,将表6中的影响因素值作为输入向量,对2008-2010年的出租车保有量进行预测,其结果见表7所列。

4 结束语

经过预测效果的检验和分析,证明了在分析城市出租车保有量影响因素和预测特点的基础上,利用GRNN神经网络进行保有量预测的有效性。

通过实例分析,在应用中还应重视以下问题:影响出租车保有量的因素众多,各城市特点不一样,所以在代表性的样本数据选择上应体现城市的特性;GRNN方法在设定条件的状况下,输入和输出的因果关系明显,模拟结果稳定,由于该方法多适用于直接影响因素数据缺失的条件下,不同条件时,其预测结果需和其他方法对照使用。

参考文献

[1]徐丽娜.神经网络控制[M].北京:电子工业出版社,2003:30-259.

[2]飞思科技产品研发中心.神经网络理论与Matlab7实现[M].北京:电子工业出版社,2005:10-332.

[3]陆建,王炜.城市出租车拥有量确定方法[J].交通运输工程学报,2004,4(1):92-95.

[4]王皓,光洁,孙云峰.城市交通管理中的出租车规划[J].数学的实践与认识,2006,36(7):121-131.

[5]刘科,沈建军,杨长虹.关于城市出租车规划的模型及应用[J].数学的实践与认识,2006,36(7):141-150.

[6]覃运梅,石琴.出租车合乘模式的探讨[J].合肥工业大学学报(自然科学版),2006,29(1):77-80.

[7]陈盛,陆建.出租车交通调查分析及对策[J].交通标准化,2003,117(5):41-44.

[8]周晶,何建敏,盛昭瀚.城市出租车运营系统的随机分析[J].管理工程学报,2000,14(1):63-66.