高速公路收购价值研究

刘凯峥 王振国

[摘要]文章分析了高速公路价值评估的关键点在于交通量预测，在介绍非线性主成分分析及RBF神经网络模型预测高速公路车流量原理的基础上，通过湖南某高速公路实证分析得出该模型具有一定参考价值。

[关键词]高速公路;交通量RBF主成分;神经网络;价值评估

[DOI]1013939/jcnkizgsc201930159

1引言

正式的高速公路项目收购程序中，一般需要专业机构出具相应的OD交通量调查报告，该报告的出具需要采集大量的现场数据，成本高、周期长，不适用于早期对项目的考察判断。因此，如何在可获得的数据和信息资料范围内获得尽可能准确的交通量预测值，从而得出相应的收购价值是文章论述的关键。

2交通量预测模型

由于高速公路交通量受多种因素影响，这些影响因素存在一些高度重叠的指标，使RBF神经网络的神经元对高度重叠的输入量不能做出有效响应，如果直接运用RBF模型进行预测，其预测结果较差。为了提高高速公路交通量预测精度，使用主成分分析法对影响指标进行降维和去相关性处理，再利用RBF神经网络对高速公路交通量进行预测，可有效提高预测精度。

因此文章基于非线性主成分分析和 RBF神经网络的高速公路交通量预测方法，切实提高高速公路交通量预测精度，从而满足高速公路收购价值测算以及客观的管理需求。

RBF神经网络是一种应用较为广泛的典型预测模型，通过构建三层前向RBF神经网络来预测高速公路交通量。

令x∈Rm为正实数输入向量，为m个影响交通量的指标值，令输入层节点数与影响交通量的指标数相同，均为m;y^∈R为正实数输出向量，即高速公路交通量预测值。选用高斯函数作为径向量基函数，则高速公路交通量RBF神经网络输出表达式为：

y^=∑bk=1wkexp（-‖x-ck‖2σ2k）-θk

式中：wk为第k个隐含层至输出层的连接权值，k=1，2，…，b;θk为第k个隐含层至输出值的阈值;ck为第k个隐含层径向基函数的中心;σk为第k个隐含节点的宽度。一般使用RBF神经网络预测交通量时，其输入层神经元数取m，隐含层神经元数b取经验值2m+1。

3湖南某高速实证分析

31项目概况

项目路全长111129千米，收费里程12796千米。2009年11月30日建成通车，特许经营期为30年，收费期间2009年11月至2039年11月，收费基准费率为04元/车·千米。根据项目路自通车以来的通行费和车流量情况分别对入口车流量、出口车流量、断面年、月平均车流量以及标准车流量与收入的拟合程度进行回归分析，发现标准车流量拟合程度最优，相关性如下：

y=12129x-108236

也就是说，根据归回方程，交通量每增加1万辆，通行费收入即增加12129万元。

32交通量影响因子及主成分

区域高速公路交通量受较多因素影响，包括国内生产总值、规模以上工业企业利润、固定资产投资、户籍人口、从业人员、社会消费品零售额、汽车保有量、客运量、货运量等，限于数据获得便利性约束，文章所选影响因子历史数据均选自统计局官方公布数据。

设国内生產总值、规模以上工业企业利润、固定资产投资、户籍人口、从业人员、社会消费品零售额、汽车保有量、客运量、货运量分别对应x1、x2、…、x10，上述数据可以用7×10矩阵表示，通过SPSS软件对10个影响因素矩阵进行主成分分析，提取出2个主成分，特征值分别为7478和187，合计解释10个影响因素93477%的部分，因此可以作为10个因素矩阵的替代公因子矩阵。分别用F1和F2替代该2个独立成分，根据分析结果得出：

33RBF神经网络训练

设计一个三层RBF神经网络，输入层两个神经元（F1、F2），若干个隐层单元，一个输出单元（交通量）。

在Matlab的神经网络工具箱中用Neural Network函数设计这个函数网络，用其做函数逼近时，可以自动增加径向基网络隐层神经元，通过对两个神经元进行训练，结果如下：

通过SIM函数对其进行检验，结果和原始函数相同，证明该神经网络可用，将主成分公因子向量输入该网络得出相应预测交通量（表中交通量为标准车）。

由前述折算交通量和通行费收入的相关性y=12129x-108236可得预测通行费收入，由该通行费收入预测值，以及运营、养护及财务管理等费用的固定增长算出项目未来现金流现值1037亿，表明项目路在不高于1037亿的水平具有一定收购价值，为项目路收购提供了准确的价格参考。

4结论

本文通过研究国内外相关理论，比较了适用于交通量预测的多种模型，通过非线性主成分分析以及RBF神经网络模型对高速公路收购价值的核心指标——交通量进行了估计，并结合湖南某高速的案例进行了实证分析。表明在实际项目过程中NCPA-RBF神经网络模型的运用具有一定参考价值。

参考文献：

[1] 童小龙，巴可伟，张腾高速公路运营交通量预测方法研究[J].交通科技与经济，2017，19（5）：52-55

[2]李庆瑞公路交通量预测理论与方法综述中外公路[J].2005，23（6）：151

[3]陈海华基于神经网络模型的高速公路交通量短时预测方法[J].中国交通信息化，2017，8（9）.

[4]李松江基于数据融合的高速公路短时交通量预测模型[J].计算机工程与设计，2018，39（10）.

[5]刘洁基于遗传——神经网络的交通量预测[J].长安大学学报，2003，23（1）.

[6]罗忠燕高速公路通行费收入预测方法及应用研究[D].重庆：重庆交通大学，2012

[7]郁麒昌 高速公路项目运营效益评价研究[D].武汉：武汉理工大学，2008