本發明涉及城市建設，特別是縣城建成區道路交通能耗預測方法。

背景技術：

1、當前城市技術研究主要集中在兩個層面：宏觀層面和微觀層面。宏觀層面的研究嘗試通過綜合考慮多種相關因素來預測城市整體的交通能耗，但目前的預測精度尚有待提高，難以準確反映城市空間的實際能耗狀況。在微觀層面，研究通常聚焦于道路條件、車輛速度、汽車性能和行駛工況等因素，利用交通仿真技術來評估特定車輛或交通方式在單位時間內的燃油消耗。然而，這些研究往往缺乏與城市具體空間特征的緊密聯系。無論是宏觀還是微觀層面的交通能耗模型，目前都較少涉及將城市街區層級規劃要素納入考量，這限制了模型在城鄉規劃實踐中的應用潛力。

技術實現思路

1、有鑒于此，本發明的目的在于提供一種縣城建成區道路交通能耗預測方法，提高預測的準確性和實用性，更好地服務于城鄉規劃和交通管理決策。

2、為實現上述目的，本發明采用如下技術方案：縣城建成區道路交通能耗預測方法，包括以下步驟：

3、步驟1：構建道路交通能耗模擬模型；

4、步驟2：構建道路交通能耗預測模型對道路交通能耗進行預測。

5、在一較佳的實施例中，所述步驟1具體包括：

6、步驟11：劃分交通能耗分析區；將縣城建成區劃分為若干分區；劃分時需遵循道路形狀對整體街區進行劃分；

7、步驟12：確定縣城中心區；

8、步驟13：確定城市形態變量指標；選擇對城市道路交通量影響最大的城市形態指標人口密度和poi設施點作為交通能耗模擬模型的城市形態輸入變量；

9、步驟14：計算區位優勢度；

10、步驟15：測算交通能耗；

11、步驟16：出行權重poi計算；

12、步驟17：分析區交通能耗分布；

13、步驟18：在計算得出各分區的能耗分值之后，將值分配到路網中，得出每一路段的交通能耗值；

14、步驟19：采用道路交通量實地測量來驗證模型的準確性。

15、在一較佳的實施例中，所述步驟14具體包括：引入地塊可達性修正指標來完善地塊單元的交通生成量計算；定義地塊單元可達性由地塊周邊規劃路網密度及地塊與規劃范圍內中心節點的空間距離確定，具體如下式所示：

16、

17、式中：ki為分析區i的可達性；pi為分析區i的周邊路網密度，根據分析區的尺度適當選定周邊分析區計算其路網密度；pmax為研究范圍內最大路網密度的分析區的路網密度值；li為分析區i的質心與中心點的空間距離，中心點已在上文通過poi點標準橢圓差分析可得出；lmin為研究范圍內所有分析區與中心點距離中的最小值。

18、在一較佳的實施例中，所述步驟15具體包括：設計基于區位優勢度、人口密度、停車位數量、poi設施點的出行量預測模型如下：

19、

20、其中，ai為分析區i的交通出行量；m代表除住宅、公司類的poi類別數量；aq代表類別為q的poi點的出行權重；sq代表分析區i內類別為q的poi點的數量；oi代表分析區i的poi出行生成率；l代表研究區域的常住人口數量；n代表分析區i內住宅小區數量；ar代表基于住宅小區的出行發生率；lr代表分析區內第r個住宅小區的居住人數；aj代表基于辦公公司的出行發生率；lj代表分析區內第j個公司的辦公人數規模；ki為分析區i的區位優勢度；

21、由于交通能耗生成量與出行量正相關，那么分析區的交通能耗吸引權重表達為如下：

22、

23、其中，ti為分析區i的交通能耗吸引權重，ai為分析區i的交通出行量，n為分析區的數量；

24、采用成品油銷售數據作為縣城路網交通能耗的總值，那么分區的交通能耗生成量為以下公式：

25、pi＝p×ti??(4)

26、其中，pi為分析區i的交通能耗生成量，p為成品油銷售總量，ti為分析區i的交通能耗吸引權重。

27、在一較佳的實施例中，所述步驟16具體包括：每個分析區的poi設施點對于建成區內交通量的吸引比例，在這里將其定義為poi出行生成率，其公式可以表達為下式：

28、

29、其中，oi代表分析區i的poi出行生成率；m代表除住宅、公司類的poi類別數量；aq代表類別為q的poi點的出行權重；sq代表分析區i內類別為q的poi點的數量；n代表分析區的數量。

30、在一較佳的實施例中，所述步驟2具體包括：

31、步驟21：確定神經網絡的輸入變量和輸出變量；

32、步驟22：預測模型變量選取，輸入層包含了poi點數量、區位優勢數值和道路等級三個變量；

33、步驟23：在輸入變量前需要對異常值進行處理，確保數據保持在合適的范圍內；

34、步驟24：選擇三層bp神經網絡滿足模型需求，選擇的隱含層層數為1；

35、步驟25：選擇激勵函數；

36、步驟26：選擇最速下降bp算法來優化模型。

37、在一較佳的實施例中，所述步驟21具體包括：bp神經網絡的算法公式涉及到兩個過程：正向傳播和反向傳播。

38、在一較佳的實施例中，在正向傳播過程中，數據從輸入層經過隱藏層到達輸出層；設節點i和節點i之間的權值為wij，節點的閥值為bj，每個節點的輸出值為xj，則對于每個神經元，其輸出是通過以下公式計算的：

39、

40、xj＝f(sj)??(6)

41、其中，其中f為激活函數。

42、在一較佳的實施例中，反向傳播過程基于梯度下降法，通過逐層反向傳播誤差來更新網絡的權重和偏置，從而逐步減小預測誤差；在這個過程中，誤差信號從輸出層開始，逐層逆向傳播至輸入層，同時根據這些誤差信號調整網絡中的權重和偏置。

43、在一較佳的實施例中，定義一個損失函數e，用于量化網絡預測輸出與實際輸出之間的差異；均方誤差mse是損失函數的一種常用形式，通過計算預測值與實際值之差的平方，并求其均值，從而得到一個反映預測準確性的數值指標，能夠有效衡量預測值與實際值之間的偏差程度；對于單個樣本而言，均方誤差損失函數可以具體定義為：

44、

45、其中，m是輸出層神經元的數量；是網絡輸出層第j個神經元的實際輸出；yj是對應的目標輸出；

46、計算損失函數關于權重和偏置的偏導數，即梯度；對于輸出層的權重和偏置，采用特定的算法來計算這些梯度值：

47、

48、其中，l表示輸出層的層數；

49、

50、是輸出層第j個神經元的加權輸入；

51、是輸出層第j個神經元的輸出，其中f是激活函數；

52、權重和偏置的更新公式表示為：

53、

54、其中，是權重w的更新值；是偏置b的更新值；η是學習率。

55、與現有技術相比，本發明具有以下有益效果：本發明所構建的道路交通能耗模型，可便于城市規劃及相關領域研究人員在城市街區尺度上進行研究城市交通能耗的研究，也便于城市交通的布局優化。該模型的顯著優勢包括：1)直觀展示：通過結合城市形態要素，模型能夠直觀地展示不同區域的交通能耗分布，讓研究者和決策者能夠迅速識別能耗熱點和潛在的優化區域。2)快速預測：利用先進的bp神經網絡技術，模型能夠實現僅通過輸入城市形態的相關數值，即可迅速預測出特定位置的能耗值，大大提高了研究和規劃的效率。3)布局優化：模型的輸出結果有助于指導城市交通布局的優化，通過精確預測不同規劃方案下的能耗情況，支持更加科學和可持續的城市發展策略。4)決策支持：為政策制定者和城市規劃師提供基于數據的決策支持，幫助他們制定有效的節能減排措施，推動城市交通系統的綠色轉型。5)研究深化：模型的應用不僅促進了對城市交通能耗影響因素的深入理解，也為探索城市空間形態與能耗關系的復雜性提供了新的視角。