本發(fā)明屬于交通規(guī)劃與管理領域，具體涉及一種基于mnl和bp神經網絡的接駁方式選擇預測方法。

背景技術：

1、近年來，隨著城市化與機動化進程的加快，各大中城市的交通擁堵問題越來越突出，由于城市軌道交通“大運量”“準時性高”“可靠性高”的特點，城市軌道交通已經成為緩解世界各大城市交通擁堵的一種有效手段。然而，也正是“大運量”“定線路”的屬性決定了它并不能為乘客提供“門到門”的交通服務，因此，合理促進城市軌道交通與其他交通方式的接駁是促進我國城市交通良好發(fā)展所必須關注的重要問題。

2、2016年，共享單車開始在國內城市大規(guī)模發(fā)展，其“隨用隨騎”“廣泛分布”的特點，極大地滿足了居民們短途出行的需求，也自然而然地成為了城市軌道交通最為靈活的接駁選擇。它不僅為解決城市軌道交通的“最后一公里”難題提供了很好的解決思路，也在一定程度上拓寬了軌道交通站點的影響范圍。機遇與挑戰(zhàn)并存，在早晚高峰地鐵站周圍，供需不平衡和停車點堆積問題尤為嚴重。因此，如何準確得到軌道站點騎行接駁需求，進而恰當?shù)乜刂乒蚕韱诬嚨耐斗帕?，進一步提高其接駁服務水平，成為政府和運營企業(yè)面臨的重大考驗。當前，預測軌道交通站點騎行接駁需求的方法主要分為兩類，一類是先通過機器學習的方法探究影響騎行接駁的因素，再通過神經網絡或是回歸模型進行騎行接駁需求的預測，另一類是根據(jù)接駁方式選擇的影響因素建立相關數(shù)學模型(如多項logit模型，mnl模型)并且進行參數(shù)的辨識，以獲得不同接駁方式的選擇概率，從而預測不同接駁方式的需求量。只利用神經網絡或者回歸模型直接對不同接駁方式的選擇概率進行預測容易出現(xiàn)過擬合的現(xiàn)象，導致預測的數(shù)據(jù)甚至有可能和實際情況相差甚遠造成嚴重的供需不平衡，預測數(shù)據(jù)缺乏魯棒性；只根據(jù)接駁方式選擇的影響因素建立相關數(shù)學模型雖然可以大大提高預測數(shù)據(jù)的魯棒性，但是實際情況的復雜性以及數(shù)學模型考慮的全面性一定會受到一定的限制，這會導致預測的數(shù)據(jù)雖然不會和實際數(shù)據(jù)之間產生極大的偏差，但是依舊會存在一定的偏差。此外，之前的研究中所考慮的影響因素往往忽略了舒適度這一點，然而本發(fā)明通過前期問卷調查得知舒適度也是影響接駁方式選擇的一個主要因素。因此，一種考慮舒適度因素并且同時兼顧魯棒性以及精確度的接駁方式選擇預測方法是有必要實現(xiàn)的。

技術實現(xiàn)思路

1、針對上述問題，本發(fā)明的目的在于提供一種基于mnl和bp神經網絡的接駁方式選擇預測方法，在建立軌道交通站點接駁方式選擇模型時，除了考慮接駁距離、接駁時間、經濟成本這三大因素外，還額外考慮了舒適度這一關鍵因素，并對使用mnl模型得到的概率計算值通過bp網絡進行了誤差修正，進而實現(xiàn)對接駁方式選擇概率的魯棒并且精確的估計。

2、實現(xiàn)本發(fā)明目的的具體技術方案為：

3、一種基于mnl和bp神經網絡的接駁方式選擇預測方法，包括以下步驟：

4、步驟1、根據(jù)確定的待預測接駁方式選擇的區(qū)域，獲取該區(qū)域的poi數(shù)據(jù)，確定出行需求點，并獲取該區(qū)域的真實出行數(shù)據(jù)，構建數(shù)據(jù)集；

5、步驟2、基于隨機森林模型，對接駁舒適度的主要影響因素進行篩選分析；

6、步驟3、基于mnl對接駁方式選擇進行建模，并采用極大似然估計法對mnl模型參數(shù)進行辨識，確定接駁方式選擇概率；

7、步驟4、基于bp神經網絡構建誤差修正模型，并基于mnl模型確定的數(shù)據(jù)以及數(shù)據(jù)集對誤差修正模型進行訓練；

8、步驟5、基于bp神經網絡的誤差修正模型以及mnl模型，獲取該區(qū)域的接駁方式選擇預測結果。

9、相比于現(xiàn)有技術，本發(fā)明的有益效果在于：

10、(1)本發(fā)明的預測方法，在建立軌道交通站點接駁方式選擇模型時，除了考慮接駁距離、接駁時間、經濟成本這三大因素外，還額外考慮了舒適度這一關鍵因素，通過隨機森林模型，能夠全面地考慮接駁舒適度的主要影響因素；

11、(2)本發(fā)明的預測方法構建基于bp神經網絡的誤差修正模型，將mnl模型計算值與bp網絡誤差修正模型的誤差修正值進行疊加，得到了接駁方式選擇的預測模型，既能夠保證接駁方式選擇概率預測數(shù)據(jù)的魯棒性，也可以保證預測數(shù)據(jù)具有更高的精確度，為共享單車接駁需求預測提供了條件。

12、下面結合具體實施方式對本發(fā)明做進一步的說明。

技術特征：

1.一種基于mnl和bp神經網絡的接駁方式選擇預測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的基于mnl和bp神經網絡的接駁方式選擇預測方法，其特征在于，所述步驟3中的基于mnl模型對接駁方式的選擇進行建模，具體為：

3.根據(jù)權利要求2所述的基于mnl和bp神經網絡的接駁方式選擇預測方法，其特征在于，所述影響因素包括接駁距離xd、接駁時間xt、接駁費用xc、接駁舒適度xs。

4.根據(jù)權利要求2所述的基于mnl和bp神經網絡的接駁方式選擇預測方法，其特征在于，所述步驟3中的采用極大似然估計法對mnl模型參數(shù)進行辨識，具體為：

5.根據(jù)權利要求2所述的基于mnl和bp神經網絡的接駁方式選擇預測方法，其特征在于，所述步驟4中的訓練過程中，將步驟2篩選出的影響因素作為網絡輸入，將基于mnl模型確定的選擇各接駁方式的概率和基于真實出行數(shù)據(jù)確定的選擇各接駁方式的實際概率之差作為輸出，對bp神經網絡進行訓練，輸出bp神經網絡預測的概率誤差修正值。

6.根據(jù)權利要求2所述的基于mnl和bp神經網絡的接駁方式選擇預測方法，其特征在于，所述步驟5中的接駁方式選擇預測結果，具體為：

7.一種基于mnl和bp神經網絡的接駁方式選擇預測系統(tǒng)，其特征在于，包括以下步驟：

8.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權利要求1-6中任一項所述方法的步驟。

9.一種計算機可存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1-6中任一項所述的方法的步驟。

技術總結
本發(fā)明公開了一種基于MNL和BP神經網絡的接駁方式選擇預測方法，根據(jù)確定的待預測接駁方式選擇的區(qū)域，獲取該區(qū)域的POI數(shù)據(jù)，確定出行需求點，并獲取該區(qū)域的真實出行數(shù)據(jù)，構建數(shù)據(jù)集，基于隨機森林模型，對接駁舒適度的主要影響因素進行篩選分析，基于MNL對接駁方式選擇進行建模，并采用極大似然估計法對MNL模型參數(shù)進行辨識，確定接駁方式選擇概率，基于BP神經網絡構建誤差修正模型，并基于MNL模型確定的數(shù)據(jù)以及數(shù)據(jù)集對誤差修正模型進行訓練；最后基于BP神經網絡的誤差修正模型以及MNL模型，獲取該區(qū)域的接駁方式選擇預測結果。本發(fā)明的預測方法構建基于BP神經網絡的誤差修正模型，將MNL模型計算值與BP網絡誤差修正模型的誤差修正值進行疊加，得到了接駁方式選擇的預測模型，既能夠保證接駁方式選擇概率預測數(shù)據(jù)的魯棒性，也可以保證預測數(shù)據(jù)具有更高的精確度，為共享單車接駁需求預測提供了條件。

技術研發(fā)人員：李建平,侯楚焓,周鳳琦,陳韻如,陳新
受保護的技術使用者：南京理工大學
技術研發(fā)日：
技術公布日：2024/12/17