CN108446784A - 一种高速公路与城市化发展协调水平预测方法 - Google Patents
一种高速公路与城市化发展协调水平预测方法 Download PDFInfo
- Publication number
- CN108446784A CN108446784A CN201810095887.5A CN201810095887A CN108446784A CN 108446784 A CN108446784 A CN 108446784A CN 201810095887 A CN201810095887 A CN 201810095887A CN 108446784 A CN108446784 A CN 108446784A
- Authority
- CN
- China
- Prior art keywords
- urbanization
- development
- index
- highway
- level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011161 development Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000018109 developmental process Effects 0.000 claims abstract description 104
- 230000033772 system development Effects 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 51
- 230000008878 coupling Effects 0.000 claims description 14
- 238000010168 coupling process Methods 0.000 claims description 14
- 238000005859 coupling reaction Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高速公路与城市化发展协调水平预测方法:分别建立高速公路系统发展水平模型与城市化系统发展水平模型;建立高速公路与城市化发展协调水平预测模型;建立高速公路与城市化水平耦合协调水平评价标准体系;设计BP神经网络,采用BP神经网络对CCI指数预测值进行误差分析,并预测未来年高速公路与城市化发展的关系。本发明为高速公路的规划布局以及城市化发展决策提供技术支撑,以保证高速公路系统内部相互协调、高速公路的服务能力与特定阶段的城市化水平相适应。
Description
技术领域
本发明涉及交通运输行业的预测方法,更具体的说,是涉及一种高速公路与城市化发展协调水平预测方法。
背景技术
传统的设计理念认为高速公路与城市化是相对独立的两个系统,但随着城市化进程的加快,原本促进城市发展的高速公路系统逐渐被城市包围,变成了阻碍城市化发展的瓶颈。城市化发展与高速公路的建设存在着一定的耦合机理,但目前相关研究较少,大多是将二者独立研究,很少有研究将两系统进行耦合,从系统论的角度研究二者间的协调作用关系。
发明内容
本发明的目的是为了克服现有技术中的不足,提供了一种涉及交通运输行业的高速公路与城市化协调水平的预测方法,即一种利用高速公路与城市化系统发展协调水平模型预测二者协调程度的方法,为高速公路的规划布局以及城市化发展决策提供技术支撑,以保证高速公路系统内部相互协调、高速公路的服务能力与特定阶段的城市化水平相适应。
本发明的目的是通过以下技术方案实现的。
一种高速公路与城市化发展协调水平预测方法,包括以下步骤:
一,分别建立高速公路系统发展水平模型与城市化系统发展水平模型:通过计算高速公路系统发展指数以及城市化系统发展指数,分别评价历年高速公路系统与城市化系统的发展水平;
二,建立高速公路与城市化发展协调水平预测模型:采用高速公路与城市化发展耦合协调指数CCI、综合评价指数CEI以及平衡指数BI,定量分析历年高速公路与城市化发展协调关系;
三,建立高速公路与城市化水平耦合协调水平评价标准体系:根据CEI指数计算结果,将综合评价指数分为四个等级,构成CEI指数分级评价标准体系;根据CCI指数计算结果,将高速公路与城市化发展协调水平划分为10个等级,其中,CCI∈[0,0.50)为高速公路与城市化发展失调,CCI∈[0.50,1.00]为高速公路与城市化发展协调,将“协调”与“失调”均进一步划分为5个等级,构成CCI指数分级评价标准体系;
四,设计BP神经网络,采用BP神经网络对CCI指数预测值进行误差分析,并预测未来年高速公路与城市化发展的关系。
步骤一中高速公路系统发展水平模型与城市化系统发展水平模型的建立过程为:
(1)特征评价指标选取
建立两级评价指标体系,分别选取高速公路系统评价指标uij、城市化系统评价指标vij对高速公路发展指数以及城市化发展指数进行评价,
式中,ui、vi(i=1,2,...,n)分别为高速公路系统、城市化系统的第i项一级评价指标;uij、vij(i=1,2,...,n;j=1,2,...,m)分别为高速公路系统、城市化系统第i项一级评价指标的第j项二级评价指标;
(2)特征评价指标的标准化处理
将特征评价指标分为正向指标与逆向指标,具体处理方法见下式:
①当uij、vij为正向指标时:
②当uij、vij为负向指标时:
式中,分别为高速公路系统、城市化系统第i项一级评价指标的第j项二级评价指标标准化处理结果;
(3)分别建立高速公路系统发展水平模型与城市化系统发展水平模型
采用高速公路系统发展水平指数HC与城市化系统发展水平指数CC分别对高速公路系统、城市化系统发展水平进行评价:
其中,
λi为第i项一级评价指标权重,μj为第j项二级评价指标权重,均通过熵值赋权法获取。
步骤二中高速公路与城市化发展协调水平预测模型的建立过程:
(1)建立高速公路与城市化相互作用的原始耦合度模型
式中,CI为高速公路系统与城市化系统发展协调度,U(t,uij)为高速公路系统发展水平指数HC,V(t,uij)为城市化系统发展水平指数CC;
(2)建立高速公路与城市化发展协调水平预测模型
采用高速公路与城市化发展耦合协调指数CCI、综合评价指数CEI以及平衡指数BI,定量分析综合评价历年高速公路与城市化发展协调关系:
CEI=αU(t,uij)+βV(t,vij)
CCI=(CI·CEI)θ
式中,CEI为高速公路与城市化发展综合评价指数,CEI指数越大,表明高速公路系统与城市化系统发展水平越高;CCI为高速公路与城市化发展耦合协调指数,CCI指数越大表明高速公路系统与城市化系统越协调;BI为高速公路与城市化发展平衡指数;BI>0表明城市化系统发展滞后于高速公路系统发展,BI<0表明高速公路系统发展滞后于城市化系统发展,|BI|越大,表明高速公路系统与城市化系统发展越不平衡;α、β、θ为耦合协调参数。
5.步骤四中BP神经网络的实现过程:
(1)正向传递子过程为:
式中:为m节点标准化处理后产生的结果;ωmn为m节点与n节点的权值,初始化产生,[-1,1]之间随机拟定;θn为m节点与n节点的阀值,初始化产生,[-1,1]之间随机拟定;xn为n节点的输出值;
(2)反向传递子过程:
式中:x′n为n节点的期望输出值;Δωmn为m节点与n节点的权值误差;η为动量因子;
(3)修正权值
利用步骤(2)权值误差计算结果Δωmn,输入到步骤(1)中对n节点的输出值xn重新进行计算,直至输出精度满足要求。
与现有技术相比,本发明的技术方案所带来的有益效果是:
本发明分别建立高速公路系统发展水平模型与城市化系统发展水平模型,通过计算高速公路系统发展指数以及城市化系统发展指数,分别预测历年高速公路与城市化发展水平;建立高速公路与城市化发展协调发展预测模型,以及CCI指数、CEI指数分级评价标准体系,定量分析历年高速公路与城市化发展协调关系;采用BP神经网络对CCI指数预测值进行误差分析,并预测未来年高速公路与城市化发展的关系、趋势,为优化高速公路区位布局、协调区域高速公路与城市化发展提供了量化的决策依据、技术支撑;保证了高速公路规划与区域发展规划形成一个有机的整体,有效地促进区域社会经济快速、协调发展。
附图说明
图1是北京市CCI指数预测曲线;
图2是天津市CCI指数预测曲线;
图3是河北省CCI指数预测曲线。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明的高速公路与城市化发展协调水平预测方法,通过高速公路与城市化发展协调水平预测模型,分析某一特征区域高速公路与该区域城市化发展协调水平;采用人工神经网络判断模型精度,并对该区域未来发展趋势进行预测,具体包括以下步骤:
S1,分别建立高速公路系统发展水平模型与城市化系统发展水平模型:通过计算高速公路系统发展指数以及城市化系统发展指数,分别评价历年高速公路系统与城市化系统的发展水平。
S1.1特征评价指标选取
从高速公路布局与城市综合运输、经济发展、社会发展相互影响等几个方面,建立两级评价指标体系,分别选取若干高速公路系统评价指标uij、城市化系统评价指标vij对高速公路发展指数以及城市化发展指数进行评价,
式中,ui、vi(i=1,2,...,n)分别为高速公路系统、城市化系统的第i项一级评价指标;uij、vij(i=1,2,...,n;j=1,2,...,m)分别为高速公路系统、城市化系统第i项一级评价指标的第j项二级评价指标。
S1.2特征评价指标的标准化处理
由于所选取的特征评价指标量纲或测度量级不相同,为消除由此产生的误差,对特征评价指标进行标准化处理。将特征评价指标分为正向指标与逆向指标,具体处理方法见下式:
①当uij、vij为正向指标时:
②当uij、vij为负向指标时:
式中,分别为高速公路系统、城市化系统第i项一级评价指标的第j项二级评价指标标准化处理结果。
S1.3分别建立高速公路系统发展水平模型与城市化系统发展水平模型
高速公路系统与城市化系统是两个独立而又相互影响的子系统,可首先采用高速公路系统发展水平指数HC与城市化系统发展水平指数CC分别对高速公路系统、城市化系统发展水平进行评价:
其中,
λi为第i项一级评价指标权重,μj为第j项二级评价指标权重。高速公路系统与城市化系统一级评价指标权重λi、二级评价指标权重μj均可通过熵值赋权法获取,该方法依据客观环境的原始信息,通过分析各评价指标间的关联程度以及各评价指标所提供的信息量来确定评价指标的权重,这在一定程度上能够避免主观因素所带来的偏差。
S2,建立高速公路与城市化发展协调水平预测模型:采用高速公路与城市化发展耦合协调指数CCI、综合评价指数CEI以及平衡指数BI,定量分析历年高速公路与城市化发展协调关系。
S2.1建立高速公路与城市化相互作用的原始耦合度模型
式中,CI为高速公路系统与城市化系统发展协调度,U(t,uij)为高速公路系统发展水平指数HC,V(t,uij)为城市化系统发展水平指数CC。
虽然利用CI可预测高速公路与城市化之间的协调程度,然而这个模型在某些特定情况下很难反映出高速公路与城市化的真实水平和协调关系,如:当U(t,uij)=V(t,vij)=0.5时,计算出CI=1.00;当U(t,uij)=0.7,V(t,vij)=0.9时,计算出CI=0.992。前者的计算结果虽然优于后者,但前者的HC指数与CC指数均较小,是属于低水平耦合,并不能全面客观地反映高速公路与城市化协调发展水平。
S2.2建立高速公路与城市化发展协调水平预测模型
采用高速公路与城市化发展耦合协调指数CCI、综合评价指数CEI以及平衡指数BI,定量分析综合评价历年高速公路与城市化发展协调关系:
CEI=αU(t,uij)+βV(t,vij) (11)
CCI=(CI·CEI)θ (12)
式中,CEI为高速公路与城市化发展综合评价指数,CEI指数越大,表明高速公路系统与城市化系统发展水平越高。CCI为高速公路与城市化发展耦合协调指数,CCI指数越大表明高速公路系统与城市化系统越协调。BI为高速公路与城市化发展平衡指数;BI>0表明城市化系统发展滞后于高速公路系统发展,BI<0表明高速公路系统发展滞后于城市化系统发展,|BI|越大,表明高速公路系统与城市化系统发展越不平衡。α、β、θ为耦合协调参数。
S3,建立高速公路与城市化水平耦合协调水平评价标准体系
根据CEI指数计算结果,将综合评价指数分为四个等级,构成CEI指数分级评价标准体系,详见下表1。
表1 CEI指数分级评价标准体系
根据CCI指数计算结果,将高速公路与城市化发展协调水平划分为10个等级,其中,CCI∈[0,0.50)为高速公路与城市化发展失调,CCI∈[0.50,1.00]为高速公路与城市化发展协调;将“协调”与“失调”均进一步划分为5个等级,构成CCI指数分级评价标准体系。I级为程度最深,V级为程度最浅,如:协调-I级为最协调,失调-I级为最不协调。详见下表2。
表2 CCI指数分级评价标准体系
S4,设计BP神经网络,采用训练好的BP神经网络对CCI指数预测值进行误差分析,并预测未来年高速公路与城市化发展的关系。
为了可以更好预测高速公路与城市化的协调发展,提高两者的耦合水平,得到未来两者的协调发展程度。由于二者交互耦合具有明显的阶段性、动态性和复杂性,如果用一般的线性或非线性模型来预测其发展可能会产生较大的误差。因此选用人工神经网络中自动学习、联想存储和平行处理数据较强、应用较广泛的BP反馈模型来预测耦合度动态变化情况。为了提高网络的性能和收敛速度,减少其陷入局部极小的可能性,在算法上采用了动量法来实现。设节点n为节点m的后一节点,概括来讲,BP神经网络的实现包含以下三个步骤:
S4.1正向传递子过程为:
式中:为m节点标准化处理后产生的结果;ωmn为m节点与n节点的权值,初始化产生,[-1,1]之间随机拟定;θn为m节点与n节点的阀值,初始化产生,[-1,1]之间随机拟定;xn为n节点的输出值。
S4.2反向传递子过程:
式中:x′n为n节点的期望输出值;Δωmn为m节点与n节点的权值误差;η为动量因子。
S4.3修正权值
利用步骤S4.2权值误差计算结果Δωmn,输入到S4.1中对n节点的输出值xn重新进行计算,直至输出精度满足要求。
实施例:
以预测京津冀三个地区高速公路与城市化发展协调水平为实例来进一步说明本发明,下述实例仅用于说明本发明而非对本发明的限制。
以《北京市统计年鉴》、《天津市统计年鉴》、《河北省统计年鉴》和国家数据库为数据基础,高速公路系统选取3项一级评价指标,12项二级评价指标;城市化系统选取4项一级评价指标,10项二级评价指标,如下表3和表4所示:
表3高速公路系统评价指标
表4城市化系统评价指标
采用熵值赋权法计算高速公路系统一级评价指标的综合权重分别为λh=(0.267,0.467,0.266),城市化系统的综合权重分别为λc=(0.134,0.182,0.356,0.328)。为简化模型,二级评价指标采用等权重计算,分别计算了2006年~2015年CEI指数与CCI指数。
为了预测的简易性以及准确性,通过MATLAB来实现BP神经网络的预测,分别从拟定的高速公路系统指标表、城市化系统指标表选取2006~2015年度权重较大的六项指标作为控制因子:高速公路路网密度、交通运输增加值、公路就业人员数、人均GDP、第三产业占GDP比重、人口城市化率,将计算得出的CCI指数作为输出因子,进行神经网络建模并训练。为了保证隐含层的神经元个数较少,便于网络较快收敛,高预测结果的稳定性,我们进行人工赋值,然后递加并进行调节。
北京、天津、河北分别经过2997、2797、1634次迭代,网络基本稳定;再将2006~2015年京津冀地区CCI指数的各项计算值作为检验样本,参与模拟。结果发现预测值与实际值较为吻合,误差较小,模型确实可行。见表5以及图1至图3所示。
表5京津冀地区高速公路与城市化协调水平评价结果
可以看出:京津冀三地由协调指数模型预测的CCI与人工神经网络预测CCI′的相差较小;综合评价指数CEI大体上由“较低水平”向“较高水平”发展,相同年度,北京的综合评价指数优于其他两地,但“高速公路系统”与“城市化系统”的发展不平衡也越明显,如:2015年度平衡指数BI北京=-1.59,明显高于其他两个地区(BI天津=-0.41、BI河北=-0.21),亟需采取相应措施,提高高速公路系统水平以满足城市化需求。
利用已经建好的神经网络模型,将2011~2015年的京津冀地区的高速公路与城市化序参量的实际值、规划值及推算值作为网络输入,模拟得到未来五年间二者的耦合度值,如下表6所示。
表6京津冀高速公路与城市化2015~2019年CCI指数预测值
2016~2020年京津冀地区高速公路与城市化之间的耦合度呈现下降的趋势,基本以中低度耦合为主,表明该地区高速公路与城市化水平依然处在中期过渡的时期。并且高速公路与城市化发展速率较慢,该结果符合如今京津冀地区的发展现状。可见今后随着京津冀地区城市的不断扩张,城市化水平的迅速发展,高速公路的服务水平将面临巨大的压力,基于城市化要求下的高速公路改建布局研究已刻不容缓。
尽管上面结合附图对本发明的功能及工作过程进行了描述,但本发明并不局限于上述的具体功能和工作过程,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护之内。
Claims (4)
1.一种高速公路与城市化发展协调水平预测方法,其特征在于,包括以下步骤:
一,分别建立高速公路系统发展水平模型与城市化系统发展水平模型:通过计算高速公路系统发展指数以及城市化系统发展指数,分别评价历年高速公路系统与城市化系统的发展水平;
二,建立高速公路与城市化发展协调水平预测模型:采用高速公路与城市化发展耦合协调指数CCI、综合评价指数CEI以及平衡指数BI,定量分析历年高速公路与城市化发展协调关系;
三,建立高速公路与城市化水平耦合协调水平评价标准体系:根据CEI指数计算结果,将综合评价指数分为四个等级,构成CEI指数分级评价标准体系;根据CCI指数计算结果,将高速公路与城市化发展协调水平划分为10个等级,其中,CCI∈[0,0.50)为高速公路与城市化发展失调,CCI∈[0.50,1.00]为高速公路与城市化发展协调,将“协调”与“失调”均进一步划分为5个等级,构成CCI指数分级评价标准体系;
四,设计BP神经网络,采用BP神经网络对CCI指数预测值进行误差分析,并预测未来年高速公路与城市化发展的关系。
2.根据权利要求1所述的高速公路与城市化发展协调水平预测方法,其特征在于,步骤一中高速公路系统发展水平模型与城市化系统发展水平模型的建立过程为:
(1)特征评价指标选取
建立两级评价指标体系,分别选取高速公路系统评价指标uij、城市化系统评价指标vij对高速公路发展指数以及城市化发展指数进行评价,
式中,ui、vi(i=1,2,...,n)分别为高速公路系统、城市化系统的第i项一级评价指标;uij、vij(i=1,2,...,n;j=1,2,...,m)分别为高速公路系统、城市化系统第i项一级评价指标的第j项二级评价指标;
(2)特征评价指标的标准化处理
将特征评价指标分为正向指标与逆向指标,具体处理方法见下式:
①当uij、vij为正向指标时:
②当uij、vij为负向指标时:
式中,分别为高速公路系统、城市化系统第i项一级评价指标的第j项二级评价指标标准化处理结果;
(3)分别建立高速公路系统发展水平模型与城市化系统发展水平模型
采用高速公路系统发展水平指数HC与城市化系统发展水平指数CC分别对高速公路系统、城市化系统发展水平进行评价:
其中,
λi为第i项一级评价指标权重,μj为第j项二级评价指标权重,均通过熵值赋权法获取。
3.根据权利要求1所述的高速公路与城市化发展协调水平预测方法,其特征在于,步骤二中高速公路与城市化发展协调水平预测模型的建立过程:
(1)建立高速公路与城市化相互作用的原始耦合度模型
式中,CI为高速公路系统与城市化系统发展协调度,U(t,uij)为高速公路系统发展水平指数HC,V(t,uij)为城市化系统发展水平指数CC;
(2)建立高速公路与城市化发展协调水平预测模型
采用高速公路与城市化发展耦合协调指数CCI、综合评价指数CEI以及平衡指数BI,定量分析综合评价历年高速公路与城市化发展协调关系:
CEI=αU(t,uij)+βV(t,,vij)
CCI=(CI·CEI)θ
式中,CEI为高速公路与城市化发展综合评价指数,CEI指数越大,表明高速公路系统与城市化系统发展水平越高;CCI为高速公路与城市化发展耦合协调指数,CCI指数越大表明高速公路系统与城市化系统越协调;BI为高速公路与城市化发展平衡指数;BI>0表明城市化系统发展滞后于高速公路系统发展,BI<0表明高速公路系统发展滞后于城市化系统发展,|BI|越大,表明高速公路系统与城市化系统发展越不平衡;α、β、θ为耦合协调参数。
4.根据权利要求1所述的高速公路与城市化发展协调水平预测方法,其特征在于,步骤四中BP神经网络的实现过程:
(1)正向传递子过程为:
式中:为m节点标准化处理后产生的结果;ωmn为m节点与n节点的权值,初始化产生,[-1,1]之间随机拟定;θn为m节点与n节点的阀值,初始化产生,[-1,1]之间随机拟定;xn为n节点的输出值;
(2)反向传递子过程:
式中:x'n为n节点的期望输出值;Δωmn为m节点与n节点的权值误差;η为动量因子;
(3)修正权值
利用步骤(2)权值误差计算结果Δωmn,输入到步骤(1)中对n节点的输出值xn重新进行计算,直至输出精度满足要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810095887.5A CN108446784A (zh) | 2018-01-31 | 2018-01-31 | 一种高速公路与城市化发展协调水平预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810095887.5A CN108446784A (zh) | 2018-01-31 | 2018-01-31 | 一种高速公路与城市化发展协调水平预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108446784A true CN108446784A (zh) | 2018-08-24 |
Family
ID=63191429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810095887.5A Pending CN108446784A (zh) | 2018-01-31 | 2018-01-31 | 一种高速公路与城市化发展协调水平预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446784A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880058A (zh) * | 2018-09-06 | 2020-03-13 | 兰州交通大学 | 高速铁路通达度与城市驱动力的时空耦合关系 |
-
2018
- 2018-01-31 CN CN201810095887.5A patent/CN108446784A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880058A (zh) * | 2018-09-06 | 2020-03-13 | 兰州交通大学 | 高速铁路通达度与城市驱动力的时空耦合关系 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN109272170B (zh) | 一种基于Louvain算法的交通小区划分系统 | |
CN110176141B (zh) | 一种基于poi及流量特征的交通小区划分方法和系统 | |
CN106875060A (zh) | 一种基于全局自动优化算法的洪水实时校正方法 | |
CN101807222A (zh) | 基于站点的城市公交线网优化配置方法 | |
CN103049829B (zh) | 城乡客运线网与枢纽场站一体化融合方法 | |
CN104504280B (zh) | 电动汽车充电桩集群管理系统通信方式综合评价方法 | |
CN102867217A (zh) | 基于投影寻踪的设施农业气象灾害风险评价方法 | |
CN109389825A (zh) | 基于最短路径的消防救援路线最优化方法 | |
CN108090624B (zh) | 一种改进元胞自动机的城市生态安全模拟与预测的方法 | |
CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
CN104933474B (zh) | 危险化学品运输的模糊双层优化方法 | |
CN107527133A (zh) | 城市群国土空间利用质量提升辅助决策系统 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN104363104A (zh) | 一种面向用户需求的海量多元数据态势显示系统与方法 | |
Wang et al. | An Integrated Approach for Assessing the Impact of Large‐Scale Future Floods on a Highway Transport System | |
Gulyás et al. | Assessment of transport connections based on accessibility | |
CN112884208A (zh) | 一种城市街区智能划分方法 | |
CN101739614A (zh) | 层级组合预测通信业务的方法 | |
CN109829607A (zh) | 一种城市交通可持续发展的综合评价方法 | |
CN117407470A (zh) | 基于大数据的绿色空间生态优化决策辅助系统及方法 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN108446784A (zh) | 一种高速公路与城市化发展协调水平预测方法 | |
Yang | Analysis of the Impacts of Open Residential Communities on Road Traffic Based on AHP and Fuzzy Theory. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |
|
RJ01 | Rejection of invention patent application after publication |