基于贝叶斯网络的城市居民出行方式研究

第３４卷第３期　２　０　１　５年９月　

计　算技术与　自　动　化　

Ｃｏｍｐｕｔｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ　Ｖｏ１．３４．ＮＯ．３　

Ｓｅｐ．２　０　ｌ　５　

文章编号：１００３—６１９９（２０１５）０３—００７３—０５　

基于贝叶斯网络的城市居民出行方式研究　申　健　，王建锋　（１．长安大学教育技术与网络中心，陕西西安７１００６４；２．长安大学汽车学院，陕西西安７１００６４）　摘　要：以西安市城市居民出行方式为研究对象，收集西安市部分区域城市居民出行的调查数据。利　用获得的调查数据，综合运用相关性分析方法和Ｋ２算法进行贝叶斯网络的结构学习；应用贝叶斯参数估计　方法进行贝叶斯网络的参数学习，建立了应用于西安城市居民出行方式分析的贝叶斯网络。应用所建网络　分析了是否有私家车、居民性别、居民年龄和出行目的对西安城市居民出行方式的影响。研究结果表明，基　于贝叶斯网络建立的西安城市居民出行方式分析模型预测精度较高，具有较高的实用价值。　关键词：交通需求管理；出行方式；贝叶斯网络；城市居民　中图分类号：ＴＰ３９１　文献标识码：Ａ　

Ｂａｙｅｓｉａｎ　Ｎｅｔｗｏｒｋ　Ｍｏｄｅｌｉｎｇ　ｆｏｒ　Ｔｒｉｐ　Ｍｏｄｅ　Ａｎａｌｙｓｉｓ　ｏｆ　Ｕｒｂａｎ　Ｒｅｓｉｄｅｎｔｓ　ＳＨＥＮ　Ｊｉａｎ”．ＷＡＮＧ　Ｊｉａｎ—ｆｅｎｇ　（１．Ｓｃｈｏｏｌ　ｏｆ　Ａｕｔｏｍｏｂｉｌｅ，Ｃｈａｎｇ’ａｎ　Ｕｎｉｖｅｒｓｉｔｙ，ｘｉ’ａｎ，Ｓｈａａｎｘｉ　７１００６４，Ｃｈｉｎａ；　２．Ｓｃｈｏｏｌ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈａｎｇ’ａｎ　Ｕｎｉｖｅｒｓｉｔｙ，ｘｉ’ａｎ，Ｓｈａａｎｘｉ　７１００６４，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｔｒｉｐ　ｍｏｄｅｓ　ｏｆ　ｒｅｓｉｄｅｎｔｓ　ｉｎ　Ｘｉ＇ａｎ　ｃｉｔｙ　ｗｅｒｅ　ｔａｋｅｎ　ａｓ　ｓｔｕｄｙ　ｓｕｂｊ　ｅｅｔ，ａｎｄ　ｔｈｅ　ｓｕｒｖｅｙ　ｄａｔａ　ｏｆ　ｓｏｍｅ　ｒｅｇｉｏｎｓ　ｉｎ　２０１３　ｗｅｒｅ　ｃｏｌｌｅｃｔｅｄ．Ａ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　ｆｏｒ　ｔｒｉｐ　ｍｏｄｅ　ａｎａｌｙｓｉｓ　ｗａｓ　ｄｅｖｅｌｏｐｅｄ　ｂｙ　ｓｔｒｕｃｔｕｒｅ　ａｎｄ　ｐａｒａｍｅｔｅｒ　ｌｅａｒｎｉｎｇ，ｕｓｉｎｇ　ｃｏｒｒｅｌａｔｉｏｎ　ａｎａｌｙｓｉｓ，Ｋ２　ａｌｇｏｒｉｔｈｍ　ａｎｄ　Ｂａｙｅｓｉａｎ　ｍｅｔｈｏｄ．Ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ，ｔｈｅ　ｉｎｆｌｕｅｎｃｅｓ　ｏｆ　ｐｒｉｖａｔｅ　ｃａｒ，ｇｅｎ—　ｄｅｒ，ａｇｅ　ａｎｄ　ｔｒａｖｅｌ　ｐｕｒｐｏｓｅ　ｏｎ　ｔｈｅ　ｃｈｏｉｃｅ　ｏｆ　ｔｒｉｐ　ｍｏｄｅ　ｗｅｒｅ　ａｎａｌｙｚｅｄ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　ｃａｎ　ｅｘ—　ｐｒｅｓｓ　ｔｈｅ　ｃｏｍｐｌｉｃａｔｅｄ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｔｒｉｐ　ｍｏｄｅ　ａｎｄ　ｔｈｅ　ｃａｕｓｅｓ．Ｍｏｒｅｏｖｅｒ，ｔｈｅ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　ｈａｓ　ａ　ｈｉｇｈ　ａｃｃｕｒａ—　ｃｙ．Ｔｈｅ　ｓｔｕｄｙ　ｃａｎ　ｃｏｎｔｒｉｂｕｔｅ　ｔｏ　ｔｈｅ　ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ｔｈｅ　ｔｒｉｐ　ｂｅｈａｖｉｏｒｓ　ｔｈｅｏｒｙ　ｏｆ　ｒｅｓｉｄｅｎｔｓ　ｉｎ　Ｘｉ＇ａｎ　ｃｉｔｙ．　Ｋｅｙ　ｗｏｒｄｓ：ｔｒａｆｆｉｃ　ｄｅｍａｎｄ　ｍａｎａｇｅｍｅｎｔ；ｔｒｉｐ　ｍｏｄｅ；ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋｓ；ｕｒｂａｎ　ｒｅｓｉｄｅｎｔｓ　

１　引　言　随着经济的快速发展和城市规模的不断扩大，　城市居民的出行需求迅速增长，但由于交通设施不　足，道路通行能力提高有限，再加之机动车保有量　的迅速增加，使得城市居民出行困难。公共交通是　目前城市居民出行的主要方式，由于城市居民出行　需求的多样性，公共交通不能完全满足城市居民的　出行需求。同时由于城市居民出行方式的多样性，　各种方式都有其自身的优势，因此如何使各种出行　方式相互协调、合理匹配、发挥其优势，对解决城市　居民出行困难、优化城市交通结构有重要的意义。　由于城市居民出行方式的复杂性，各变量之间　存在大量的依赖和关联关系，因此如何建立合理的　模型对其相互关联进行研究是该领域研究的热点。　对城市居民出行方式研究最初采用集计方法，该方　法只能表现整体的出行方式选择特性，不能表示单　个出行者的出行方式，所以国内外学者开始进行非　集计模型研究。ＭｃＦａｄｄｅｎ在Ｌｕｃｅ和Ｍａｒｓｃｈａｋ　研究的基础上，对非集计模型中的典型模型Ｌｏｇｉｔ　模型进行系统研究，建立了非集计模型的理论体　系　］。Ｄａｎｉｅｌ　Ｍｅｆａｄｄｅｎ将效用表示为出行者出行　选择因素的函数，建立了ＭＮＬ模型＿２］。Ｄａｎｉｅｌ　Ｍｅｆａｄｄｅｎ对ＭＮＬ模型不断优化，提出了混合　

收稿日期：２０１５—０４—１３　基金项目：陕西省自然科学基金项目（２０１２ＪＱ７０３０）；中央高校基本科研业务费专项资金项目（２０１３Ｇ１５０２０７０，２０１３Ｇ１５０２０７１，２０１３Ｇ３２２４０１８）　作者简介：申健（１９８０），男，陕西西安人，工程师，硕士，研究方向：交通运输及网络技术。　十通讯联系人。Ｅ—ｍａｉｌ：ｃｓｆｘｚｘ＠１６３．ＣＯＬＤ．　计算技术与自动化　Ｌｏｇｉｔ模型，该模型对出行者选择出行方式的偏好　表示的更清楚　］。鲜于建川等选择家庭属性、出行　者属性，活动一出行属性，构造了通勤出行方式选　择和出行链模式安排及其相互作用的贝叶斯模型，　利用敏感性分析了在出行者及其家庭的社会经济　属性、活动和出行属性影响下的出行方式　］。唐洁　等提取相关变量，利用ＳＴＡＴＡ９软件分析得出家　庭收入、家庭拥有车辆情况、驾照、是否高峰时段、　月票、性别及退休人数与居民出行有关　］。本文在　借鉴相关参考文献研究成果的基础上，建立城市居　民出行方式分析的贝叶斯网络模型，以此模型研究　西安城市居民的出行方式。　２贝叶斯网络建模方法　２．１贝叶斯网路　贝叶斯网络是基于概率推理的以贝叶斯公式　为基础的图形化网络，是为了解决不定性和不完整　性问题而提出的，对于解决复杂变量问不确定性和　关联性问题有很大的优势，在多个领域中获得广泛　应用。贝叶斯网络的构建通过贝叶斯学习实现，贝　叶斯网络学习就是寻找一个能最好匹配一个给定　数据训练集网络的过程。这个网络包含一个有向　无环图结构和与有向无环图中每个节点相关的条　件概率表，具体包括结构学习和参数学习两个步　骤。结构学习是确定各个节点间的链接关系，得到　贝叶斯网络结构；参数学习是确定贝叶斯网络结构　中的各个节点之间的概率分布。　２．２贝叶斯网络结构学习方法　贝叶斯网络的结构学习过程是结合包含专家　知识在内的先验信息，寻找与样本数据集拟合最好　的网络结构。贝叶斯网络的结构学习方法可以分　成三大类：基于评分搜索的方法、基于依赖分析的　方法和混合方法。基于评分搜索的方法将贝叶斯　网络看成是表示变量之间联合概率分布的拓扑结　构，学习的目的是得到评分最优的网络结构，该方　法一般首先选择网络结构的评分函数，然后通过搜　索算法寻找评分最优的网络结构。基于依赖分析　的结构学习方法把贝叶斯网络结构看作是编码了　变量之间条件独立关系的结构，通过学习变量之问　独立性关系来确定网络结构。混合方法一般先采　用基于依赖分析的方法获得节点序或缩减搜索空　间，然后采用基于评分搜索的方法进行贝叶斯网络　的结构学习ｌ６Ｊ。　评分搜索法应用较多，在定义了评分函数的情　况下，贝叶斯网络的学习问题就变成了一个搜索问　题，通过搜索算法寻找具有最佳评分的网络结构。　常用的搜索算法有Ｋ２算法，爬山法、模拟退火算　法、演化算法以及抽样算法。本文采用Ｋ２算法，　该算法的基本思想是：从一个空网络开始，根据事　先确定的节点次序，选择使后验结构概率最大的节　点作为该节点的父节点，依次遍历完所有的节点，　逐步为每一个变量添加最佳父节点。在结构学习　中，结构学习方法、数据等因素使学习的结果具有　较大的随机性，需要经过多次实验才可能得到满意　的结果。为了提高效率，贝叶斯网络的结构学习不　基于实际数据，而是根据专家意见或经验确定网络　结构，这样必然受主观影响，同时模型不依赖数据，　模型的可移植性差＿７］。因此，为了提高网络结构的　可移植性和效率，本文采用相关分析和Ｋ２算法相　结合的方法。具体过程为：先进行各因素问的相关　性分析，将各变量之间的相关性按大小排序，去掉　与待分析变量相关性较弱的变量；再利用Ｋ２算法　进行网络结构学习，不断调整变量顺序，最终确定　合理的网络结构。　２．３贝叶斯网络参数学习方法　贝叶斯网络参数学习是学习变量相对于其父　节点集的概率依赖程度，进而获得局部的条件概率　分布函数。贝叶斯网络参数学习的基本步骤是先　选择网络参数０的先验分布ｐ（ｅ），再根据贝叶斯　公式（式１）计算参数的后验分布，做出对未知参数　的推断。　舢　一　一　ｐ（Ｏ）ｐ（Ｄ／Ｏ）　㈩　

贝叶斯网络参数学习需要综合先验信息和样　本信息，通常没有先验知识来确定先验分布，针对　该问题Ｒａｉｆｆａ等学者提出了选取Ｄｉｒｉｃｈｌｅｔ分布的　先验分布方法　］。假定参数０的先验分布　（０／Ｇ）　为ＤｉｒｉｃｈＩｅｔ分布。　ｐ（Ｏ　／Ｇ）一Ｄｉｒ（　ｌ，　２，…　，．）一　

ＩＩ　

式（２）中ｒ（）为伽玛函数，　：　，ｉ∈　Ｌ１：　Ｊ，Ｊ∈Ｌ１：ｑ　，五∈Ｌ１：ｒ　。　设数据集为Ｄ，则参数０的后验分布　（　／Ｇ，　Ｄ）为：　

ｐ（０￣ｓ／Ｇ＇Ｄ）＝＝＝　ＩＩ　洳　Ⅱ，（ａ　＋”　）　第３４卷第３期　申　健等：基于贝叶斯网络的城市居民出行方式研究　Ｄ／ｒ（　ｌ＋　１，　２＋　２，…　＋　）　（３）　３．２　结构学习　则参数　的后验估计为：　

一　一　｛　（４）　＞：　ａ驰－９　７　ａ　十咒／ｊ　

２．４　模型有效性验证　通过结构学习和参数学习建立了贝叶斯网络模　型，为了验证模型的有效性，本文从模型结果与试验　数据对比和模型预测命中率两方面验证所建立网络　模型的有效性。模型预测命中率计算方法如下：　记第五条数据中发生第ｉ种出行类型的预测概　率为Ｐ　，ｄ　一ｉ；当Ｐ　是遍历ｉ时的最大值时，即　一ｉ，认为此次命中，否则未命中。记Ｓ　一　

＝ｄｋ财命幛Ｒ一　。　

３西安城市居民出行方式分析的贝叶斯　网络建模　

３．１　建模数据　本研究的数据来源于陕西省科学基金资助课　题“西安市城市居民出行方式选择模糊推理研究”。　在工作日和周末分别针对西安市不同的人群进行　调查，地址选择在城区及近郊内的停车厂、周边小　区、公共车站、大型娱乐场所、高校周边。调查方式　采用问卷调查和与出行者面对面询问的方式。调　查内容主要包括出行目的、年龄、性别、学历、收入、　心情、是否有私家车、支付方式、出行时间等，调查　者并记录当天天气情况。共计１６４７个有效样本。　为了满足建模要求，将属性变量编码为虚拟变量，　将连续变量编码为离散变量，结合相关标准和建模　经验，出行方式分析的各变量设置见表１。　表１变量表　变量名称表示符号　变量取值　均值标准差