基于T- S 模糊神经网络公交线路速度等级评价

张顺风 李培庆*

（浙江科技学院 机械与能源工程学院，浙江 杭州310023）

目前，针对公交线路评价方法较多，谭英嘉等[1]利用AHP 方法构建城市常规公交线路网评价指标体系。黄婷[2]等从乘客立场评价公交的时效性、安全性和舒适性等。吴瑶等[3]对西安、宝鸡和咸阳3 个城市的公共交通进行了适应性评价。季珏等[4]使用了数据包络法分析了北京市六区交通综合效率。但是很少有专门针对公交线路速度等级的研究，同时为了解决公交线路等级评价中指标值与评价等级之间的非线性关系导致的评价不完善和评价整体性不强的问题[5]，本文提出了T-S 模糊神经网络速度等级评价方法，并以杭州市28 条公交线路为例对T-S模糊神经网络评价方法进行实例分析。证明了所提方法的准确性。

1 T-S 模糊神经网络

T-S 模糊神经网络结构是由前件网络和后件网络两部分组成。前件网络包括输入层、模糊化层、模糊规则计算层、归一化层[6-7]。后件网络又分为r 个结构相同的子网，第一层为输入层，该层中第0 个节点的输入值为1，提供模糊规则后件中的常数项。第二层为隐含层，其共有m 个节点，每个节点对应一条规则。第三层是输出层，用来计算网络的输出值，即公交线路速度等级评价值。

T-S 模糊神经网络算法原理[8]：

2 基于T-S 模糊神经网络的评价实验

2.1 数据采集与处理

本文分别取了2019 年4 月26 日、8 月9 日和10 月31 日为基准日，每条线路抽查12 辆车，其中早中晚上下行各选2 辆车，测算全线路全程运行速度，共采集到1008 条数据，异常数据27条，有效数据981 条。公交线路等级评价数据均来自实际测得数据，保证了原始数据的真实性。为了消除样本数据相差太大对网络训练造成影响，采用公式x'j=（xj-xj，min）/（xj，max-xj，min）对输入数据进行归一化处理[9]，式中xj为输入变量，x'j是变量归一化值，xj，min是变量中的最小值，xj，max是变量中的最大值。

2.2 网络构建、训练和测试

综合考虑公交线路速度等级指标的影响因素，选用早高峰上/下行速度（V1/V2）、晚高峰上/下行速度（V3/V4）和平峰上/下行速度（V5/V6）6 项指标速度作为评价因子，对杭州市公交线路速度等级进行评价。在公交线路评价标准中，通过大量实测数据求平均值后，将速度等级从低到高分为5 类，并分别给出了相应的速度临界值。如表1 所示。

在本研究中，以公交线路指标等级标准限值为依据，采用线性内插的方法扩充训练样本，进行网络训练和测试，设置网络训练次数为1000 次，使用均方误差（MSE）表示网络误差值，设定期望误差值为0.01，当训练结果均方误差小于该值时，认为网络训练效果较好，达到要求。误差变化趋势如图1。

表1 公交线速度路等级评价划分标准限值

图1 误差变化趋势图

根据图1 所示，在网络训练过程中，随着迭代次数的增加，网络误差逐渐减小，在完成1000 次迭代后，均方误差为0.0066，小于0.01，证明该T-S 模糊神经网络训练结果较好，构建的评价模型准确可用，可以准确评价出公交线路速度等级。

2.3 实例验证

采通过训练好的T-S 模糊神经网络，评价杭州市主城区28条公交线路速度等级。当评价值小于1 时，速度等级为Ⅰ级；当评价值大于1 小于2 时，速度等级为Ⅱ级；当评价值大于2 小于3 时，速度等级为Ⅲ级；当评价值大于3 小于4 时，速度等级为Ⅳ级；当评价值大于4 时，速度等级为Ⅴ级。评价结果中有10 条公交线路为Ⅳ级，12 条公交线路为Ⅲ级，6 条公交线路为Ⅱ级。具体分析等级较低的6 条线路，为后续线路优化调整提速参考。

通过T-S 模糊神经网络评价结果可知，28 条线路中55 路、20 路、86 路、17 路、290 路和10 路六条线路评价等级是Ⅱ级。实地研究考察等级较低的线路，发现55 路、86 路和290 路因轨道建设使专用车道长度缩短，车道数量减少，最终导致公交车辆运行速度下降；20 路公交因轨道建设使部分公交站点被围挡，从而出现车辆进站出现列车化、上下客拥堵现象，导致公交车辆运行速度降低；17 路和10 路因轨道建设使运行线路出现大量曲线路段，线路非直线系数增加，导致公交车辆运行速度降低。

3 结论

随着城市的快速发展和轨道交通的规划建设，公交线路运行速度受到极大影响，所以准确对公交线路速度等级进行评价，为后续优化提速奠定基础。因此提出一种基于T-S 模糊神经网络的公交线路速度等级评价方法，实例验证表明该方法能快速准确的评价公交线路运行速度等级，为后期公交线路的优化提速提供理论支撑，也为一些城市快速评价公交线路速度等级提供了新的思路和方法。