刘楚妍 霍健瑜 关正奇

摘要：为实现机场出租车司机收益和整体乘车效率最大化，通过分析影响司机决策的各主要因素，构建BP神经网络决策模型，给出司机留下待客还是放空返回市区的决策选择。利用排队论，建立机场整体乘车效率最高的优化模型;并在考虑出租车司机收益均衡模型的情况下，构建优先权目标函数，并利用遗传算法求解。最后演算出满足出租车司机收益最大化的选择策略、“上车点”的设置个数和为达到收益平衡的“优先”安排方案。

Abstract： In order to maximize the income of airport taxi drivers and the overall ride efficiency， by analyzing the main factors that affect the driver's decision-making， a BP neural network decision-making model is constructed to give the driver the decision choice of whether to stay for passengers or return to the city. Using queuing theory， an optimization model with the highest overall ride efficiency at the airport is established; and taking into account the equilibrium model of taxi drivers' income， a priority objective function is constructed and solved by genetic algorithm. Finally， it calculates the selection strategy to maximize the revenue of taxi drivers， the number of "boarding points" and the "priority" arrangement plan to achieve the balance of revenue.

关键词：BP神经网络;排队论;灰色预测;遗传算法

Key words： BP neural network;queuing theory;grey prediction;genetic algorithm

中图分类号：F572;O225                                 文献标识码：A                                  文章编号：1006-4311（2020）30-0060-02

0  引言

机场陆侧交通系统作为连接机场与城市居住区的重要枢纽，需要合理、有效的规划来为乘客及货物进出港提供便利通道。本文将在保证机场陆侧交通畅通和出租车司机收益一定的情况下，对机场出租车的载客问题进行合理规划。相较于现有文献，本文对于解决机场出租车司机的决策和乘客乘车效率问题更具有针对性和完整性。

1  基于BP神经网络的出租车司机决策模型

1.1 出租车司机决策影响因素

①重大活动次数。重大活动次数越多，机场人流量增加，会有更多的人乘坐出租车，机场接客出租车需求量增大。②本月航班次数。每月航班次数正比乘客数量，乘客数增加，选择乘坐出租车乘客基数增加。③各个月份节假日次数。每个月份的节假日天数不同，将会影响出租车司机的决策，如元旦、春节、清明、端午、劳动节、中秋节、国庆等，多数人会在节假日选择出行游玩，机场的人数将会增多，对于出租车的需求量也会增加。④机场日均乘坐出租车人数。机场日均乘坐出租车人数正比于出租车需求量。⑤机场日均等候出租车数量。若在接客区等候出租车数量较多，则司机选择返回市区的可能性较大。因此机场日均等候出租车数量反比于出租车需求量。

1.2 BP神经网络模型

1.2.1 训练集和验证集  现有130组每月重大活动次数、月航班班次、月节假日次数、机场日均乘出租车人数、机场日均等候出租车数量和月份的时间序列数据，将前100组作为训练学习样本，后30的数据做为验证样本。即训练集为前100组数据，后30组为验证集。

1.2.2 BP 神经网络的参数  所设置的BP神经网络预测模型参数如表1所示。

1.2.3 BP 神经网络预测结果  图 1是 BP 神经网络预测模型的回归效果，拟合优度的系数 R 到了 0.96373，说明了 BP 神经网络对于司机决策预测比较准确。即在实际情况下，由乘车人数、航班次数等5个因素的指标，能准确给出司机的选择策略。

2  基于排隊论的最佳“上车点”设置

2.1 基于排队论建立乘车模型

排队模型用四个符号表示，即 X / Y / Z / K 排队系统。其中第一个符号X表示乘客到达流或乘客到达间隔时间的分布;第二个符号Y表示乘车时间的分布;第三个符号 Z 表示上车点数目;第四个符号 K 是排队人数限制。

假设上车点每分钟增加一名乘客，平均每位乘客上车时间为0.5分钟，排队满员数为15人，则可将该系统看作一个 M / M / s / K 混合制排队系统，上车点数s由Lingo软件计算出的等待时间Ws决定。由计算结果可知，当站台个数为3个时，逗留时间约为0.5分钟，继续增加站台逗留时间无明显变化。为了解站台个数更大时，是否会出现逗留时间更短的情况，本文将对站台个数增加时，逗留时间的变化进行灰色预测。

2.2 基于GM（1，1）模型预测乘客逗留时间

最后检验预测值并输出。

由预测结果可知，当站台数目为3～16个时，乘客逗留时间均约为0.5分钟，考虑到设置“上车点”所需费用和占地面积等因素，设置3个站台最为合理。在保证车辆和乘客安全的条件下，此时机场载客区总乘车效率最高。

3  基于遗传算法的“优先权”分配

3.1 模型建立

实现对某些短途载客后再次返回的出租车给予一定的“优先权”，使得这些出租车的收益尽量均衡。基于本文问题分析，记x为出租车行驶里程，s（x）为出租车油费，Y（x）为司机总收入。以下构建出租车司机收益均衡函数：

出租车油费与出租车路程有如下关系，其中K为系数，s（x）=Kx

司机总收入与路程关系如下，

因此，司机收益均衡函数，即出租车油费占司机总收入的比重如下

可知？啄（x）越小，出租车油费占司机总收入的比重越小，司机的收入越理想。

3.2 遗传算法求解模型

根据出租车司机收益的特点，遗传算法中适应度函数值随设置最大迭代次数变化，在有限迭代次数内，迭代次数为100时自适应度函数出现峰值，因此选取迭代次数为100比较合理。根据遗传算法原理利用MATLAB对问题进行仿真分析，分析结果如图2所示。

图2表明司机收益均衡指数随路程的变化规律，易知当路程为15公里时，司机收益均衡值达到最大，即出租车油费占司机总收入比重大，司机平均收入低，根据收敛原则，当司机收益均衡值为0.15时为安排出租车行驶里程远近的临界值，因此应安排载完2.499～26.25公里的出租车返回时享受“优先权”即安排目的地远的乘客，载完目的地里程小于2.449公里或者大于26.25公里的出租车返回时安排目的地近的乘客，确保出租车司机的收益均衡。

4  总结

在保证司机收益的同时，最大限度地提高整体乘车利用率，这是合理安排资源、收益最大化的本质所在。本文通过对所收集的机场与出租车等多方数据进行分析，构建了相关模型。本文首先利用BP神经网络对司机的选择策略构建模型，BP神经网络是一种多层前馈神经网络，在面对本文中的非线性问题时，很好的处理了影响因素与司机决策对应关系，构建出司机选择决策模型，预测值与实际值拟合度较高，具有良好的适应性和分类识别的能力。随后本文利用排队模型解决了乘客和出租车之间的匹配问题，缓解了机场交通枢纽排队的现象。再利用灰色预测理论忽略复杂的客观表象，通过对原始数据的整理来寻求其变化规律，较好的预测了乘客逗留时间随站台数的变化规律。得出在保证车辆和乘客安全的条件下，设置3个站台时，机场载客区总乘车效率最高。最后本文通过构建司机收益均衡函数即司机收益均衡函数即油费占出租车司机收入的百分比，利用遗传算法找出收益平衡函数的最优解。进而分析出出租车司机的优先安排方案，对某些短途载客返回的出租车给予一定的优先权，使得出租车司机的收益尽量均衡。

参考文献：

[1]黄岩，王光裕.虹桥机场T2航站楼出租车上客系统组织管理优化探讨[J].城市道桥与防洪，2014（12）：7-9，35-36.

[2]孙健，丁日佳，陈艳艳.M/M/c型与M/M/1型排队系统对比仿真[J].北京工业大学学报，2016，42（09）：1324-1331.

[3]Hao Wang，Kai Zhang，Junhua Chen，Zhifeng Wang，Guijun Li，Yuqi Yang. System dynamics model of taxi management in metropolises： Economic and environmental implications for Beijing[J]. Journal of Environmental Management，2018，213.

[4]顏超.上海市枢纽机场陆侧公共交通管理研究[D].华东师范大学，2015.

[5]岳喜展.机场陆侧交通需求预测及集散道路方案设计[D].吉林大学，2011.

作者简介：刘楚妍（1999-），女，河北石家庄人，本科，研究方向为信息科学;霍健瑜（通讯作者）（1998-），男，辽宁盘锦人，本科，研究方向为神经网络。