基于速度矩阵和人工神经网络的行程时间组合离线预测模型,本文是神经网络方面有关专升本论文范文与人工神经网络和速度矩阵和行程有关研究生毕业论文范文.
神经网络论文参考文献：
蔡火荣,何利力
（浙江理工大学信息学院,杭州 310018）
摘 要: 根据行程中车辆运行状态的时空相关性,结合矩阵的空间结构,构建了路段时段平均速度矩阵,以表示车辆在行程中不同时空中的运行状态,并提出了一种基于该矩阵模拟车辆运行的行程时间离线预测模型.在此基础上,为了进一步提高该矩阵预测效果,结合相邻行程间的非线性规律,将路段-时间平均矩阵预测模型与BP神经网络模型相结合,构建出一种行程时间组合预测模型.以湖南中烟工业有限责任公司物流配送数据为数据集进行实验,结果表明：该组合模型的预测效果优于单一模型.
关键词： 行程时间预测；人工神经网络；智能交通；时空相关性
中图分类号： TP183
文献标志码： A
文章编号： 1673\|3851 (2017) 06\|0851\|08
0引言
行程时间是反映交通状况的一个重要因素［1］.准确行程时间预测是构建动态路径诱导系统、动态交通信息服务系统及信号协调控制系统的关键技术［2］.在物流系统中,准确的行程时间预测,可以帮助企业对物流配送各个环节进行高效地协调和规划,从而节约物流成本,提高服务质量.对出行者而言,准确的行程时间预测有助于合理地规划工作和生活.行程中,车辆在行驶时由于受到多种复杂因素的影响,车辆的速度会不断地随之变化,车辆运行速度的变化最终导致了行程时间的变化.行程中影响车辆行驶速度的因素有交通流量、占有率、车辆类型及比例、自然灾害、交通事故等.其中交通流量、占有率、车辆类型及比例为常规因素,自然灾害和交通事故为非常规因素.Xia等［3］也指出,行程中车辆运行状态的动态变化使得行程时间预测的变得困难.因此,通过研究行程中车辆运行速度的变化规律或影响车辆运行速度的相关因素的变化规律可进行行程时间的预测,如：任千里等［4］根据交通断面流量差、断面速度差与行程时间的相关性,分别使用历史平均法、神经网络、支持向量机和非参数回归模型分别对行程时间进行预测,并比较不同预测模型在不同距离行程下的预测效果；丁宏飞等［5］从视频车牌系统中提取与行程中速度相关的交通流量、车辆类型及其比例等数据,并基于这些数据构建BP神经网络和SVM组合行程时间预测模型；姜桂艳等［6］使用悉尼自适应交通控制系统（Sydney soordinated adaptive traffic system,SCATS）及视频检测器收集的交通数据,提出了基于行程特征向量相似度K近邻（Knearest neighbors algorithm,KNN）行程时间预测模型；Li等［7］将KMeans、决策树和人工神经网络三种算法模型相结合,利用KMeans和决策树提取有用特征提出了一种组合预测模型.目前大多数的此类研究都是针对常规因素对行程中车辆运行速度的影响及最终对行程时间的影响,针对非常规因素对行程时间影响研究相对较少.由于这些相关因素的数据只有在行程进行时才能获取,因而以上模型主要用于实时预测或在线预测.而在很多时候人们需要在行程开始之前知道行程将花费的时间,此时需要对行程时间进行离线预测即在行程开始之前预测行程时间.
然而,行程中车辆运行状态在时间和空间上的变化并非毫无规律,如：柏丛等［8］根据路段行程时间与时段的相关性构建SVM模型对行程时间进行预测；Zou等［9］根据行程时间的时空相关性提出了时空昼夜方法（spacetime diurnal method,STD）进行行程时间预测；Yildirimoglu等［10］根据历史行程中拥塞现象在时空上的复发性构建时空拥塞图（spacetime stochastic congestion maps）来进行行程时间预测.由此可见,行程中车辆运行状态具有时空相关性.在现实中不难发现这种相关性,例如：某些路段会在一定的时间段进入“高峰期”［11］,在路段的“高峰期”车辆一般需花费较长的时间才能通过该路段.
为解决行程时间离线预测问题,本文结合这种时空相关性和矩阵的空间结构,提出路段时段平均速度矩阵（sectiontime erage velocity matrix,STM）,并基于该矩阵模型提出一种行程时间离线预测模型.丁宏飞等［5］、Siripanpornchana等［12］及叶创鑫等［13］基于相邻行程之间的非线性关系,结合人工神经网络构建组合模型来对行程时间进行预测,进一步提高预测效果.本文根据相邻行程之间的非线性关系和行程自身的时空相关性,将该矩阵模型与BP神经网络模型相结合,构建了一种新的行程时间离线组合预测模型,并通过实验证明了STM和组合模型的有效性.
1算法及模型介绍
1.1基于时空相关性的STM矩阵构建
行程中车辆运行状态的时空相关性,意味着车辆在行程中的运行状态不仅与车辆所处的路段有关,也与车辆运行的当前时间有关.这种多维的相关性与矩阵的空间结构有共同之处,因此采用矩阵模型来表示这种时空相关性下的车辆运行状态.设整个行程的距离为D,划分行程的单位距离du划分的距离区间数为ds：
ds等于D/du(1)
以同样的方式将一天的时间T等于24 h,按照单位时间tu划分,对应的时间区间数为ts：
ts等于T/tu(2)
根据式(1)和式(2)计算得到路段时段平均速度矩阵STM的行数ds和列数ts.Dsatvm（i）（j）（其中0≤i<ds,0≤j<ts）表示车辆在一天中的第j个时间段内通过第i个路段行的平均速度.
确定了Dsatvm矩阵的结构以后,构建STM矩阵的流程如图1所示.算法伪代码如下：
算法1：STM矩阵构建算法
输入:trelList,du, tu
输出:Dsatvm
1:初始化Dsatvm,Dcount
2:for GPSInfoListofonetrel in trelList do
3:dstart等于GPSInfoListofonetrel［0］.driveDistance
4:tstart等于GPSInfoListofonetrel［0］.GPSTime
5:for GPSinfo in GPSInfoListofonetrel do
6:d等于GPSinfo.driveDist dstart
7:t等于GPSinfo.GPSTime tstart
8:if d>等于du or GPSinfoList.next（）等于等于null then
9:speed等于d / t
10:distKey等于getDistKey（GPSinfo.driveDistance）
11:timeKey等于getTimeKey（GPSinfo.gpstime）
12:Dsatvm［distKey］［timeKey］.totolSpeed+等于speed
13：Dcount［distKey］［timeKey］+等于1
14:dstart等于GPSInfo.driveDist
15:tstart等于GPSInfo.gpsTime
16:end if
17:end for
18:end for
19:for i等于1; i <等于ds do
20:for j等于1; j <等于ts do
21:if Dsatvm［i］［j］ > 0then
22:Dsatvm［i］［j］.gSpeed等于Dsatvm［i］［j］.totalSpeed / Dcount［i］［j］
23: end if
24:end for
25:end for
26:return Dsatvm
相关变量说明：trelList为行程信息列表,Dcount为计数矩阵,dstart为基准距离（路段分界点相对起点的距离）,tstart为基准时刻,d为相对基准距离dstart的距离,t为相对基准时刻tstart的时间.伪代码中第一个for循环对应图1中的①②③步,第二个for循环对应图1中的第④步.
图1路段时间平均速度矩阵流程
1.2基于STM矩阵的行程时间离线预测模型
柏丛等［8］和李进燕等［14］在分时段对行程时间进行预测时,没有考虑车辆在经过某一路段的过程中可能会出现“跨时段”的现象.通过分析实际的行程发现,通常车辆经过一个路段会出现两种情况：第一种情况是车辆在通过某一路段时,始终处于同一时段.第二种情况为车辆在经过某一路段时会经历两个或两个以上的时段（当车辆某一时段的后半段进入新路段时,车辆还未通过该路段而时刻已经进入了新的时段）.针对第二种情况柏丛等［8］和李进燕等［14］在确定车辆通过路段的时间时只选择其中一个时段对应行程时间作为预测值,未考虑跨时段的情况.本文根据路段时段平均速度矩阵模拟车辆运行来进行行程时间预测,当车辆进入新的时段或新的路段时及时修正车辆的运行速度,矩阵预测算法的流程如图2所示.基于STM矩阵的行程时间离线预测算法伪代码如下：
算法2：基于STM矩阵的行程时间离线预测模型
输入:tstart,Dsatvm,dtotal
输出:tpredict
1:初始化ddrive等于0,tdrive等于currentTime（）,tstart等于currentTime（）
2:while ddrive<等于distance do
3:din等于getLeftDistInCurrentRoadSection（driveDist）
4:tin等于getLeftTimeInCurrentTimeSection（currentTime（））
5:distKey等于getDistKey（driveDist）
6:timeKey等于getTimeKey（currentTime（）)
7:speed等于Dsatvm［distKey］［timeKey］.gSpeed
8:d等于speed * tin
9:if din> d then
10: ddrive等于ddrive+tin * speed
11: tdrive等于tdrive+tin
12:else
13：ddrive等于ddrive+din
14:tdrive+等于tdrive+din/ speed
15: end if
16: end while
17: if ddrive>distance then
18: t等于（ddrivedistance） /speed
19: tdrive等于driveTimet
20: end if
21: return tpredict等于tdrivetstart
相关变量说明：tstart为行程开始时刻,tdrive为当前时刻,tpredict为预测的行程时间；Dsatvm为路段时段平均速度矩阵,distance为行程的总距离.伪代码第1步初始化数据,ddrive为累计行驶距离.其中,伪代码3—8行对应图2中的第①步,伪代码9—15行对应图2中的第②步,while循环对应图2中的第③步,伪代码17—21行对应图2中的第④步.
图2基于STM矩阵的行程时间离线预测流程
1.3STM矩阵与BP神经网络组合模型
人工神经网络（artificial neural network,ANN）是一种自适应非线性动态网络结构算法模型［15］.人工神经网络通过模仿人脑的神经元的组织结构和活动机制获得学习能力.丁宏飞等［5］、Siripanpornchana等［12］及叶创鑫等［13］都通过构建神经网络模型学习相邻行程之间非线性规律对行程时间进行预测.其中丁宏飞等［5］先通过SVM模型对行程时间进行初步预测得到行程时间t1,然后通过BP神经网络学习相邻k次SVM模型预测误差之间的关系预测下一次SVM模型的预测误差时间td,最后将t1与td相加得到组合预测时间.
STM矩阵依据行程中车辆运行状态的时空相关性对行程时间进行预测.为了进一步提高预测灵活性和预测精度,同时利用行程中的时空相关性和行程间的非线性规律.本文将这该矩阵预测模型与BP神经网络预测模型相结合,构建一种新的行程时间预测组合模型.模型的组合方式参考丁宏飞等［5］采用的分步预测方式.第一步,使用历史行程数据构建STM矩阵,并使用STM矩阵模拟车辆运行来对行程时间进行初步预测,此时得到的时间为基础时间ts.第二步,计算真实时间与基础时间的差值td如表1所示.差值td代表了行程时间相对基础时间的波动.第三步,使用BP神经网络的学习能力来预测相邻行程时间的这种波动.以相邻的k次的td为BP神经网络模型的输入,预测第k+1次行程时间与基础时间的差值t（k+1）d.最终的行程时间通过式(3)计算:
ti等于tis+tid(3)
其中i为行程编号.
表1真实时间、基础时间及对应的
基础时间与真实时间差
行程
编号真实行
程时间矩阵预测
基础时间基础时间与
真实时间差
1t1t1st1d
2t2t2st1d
………
ntntnstnd
2实验过程及分析
本文以湖南中烟工业有限责任公司物流配送业务中车载GPS设备记录的历史数据为基础数据,数据时间范围为从2016年1月23日到2016年9月29日,选择其中配送较为频繁且数据相对完整的两条运输线路进行实验.运输线路一为从石家庄到长沙,线路二为汉中到长沙.其中线路一行程数为158次,实验中训练集大小为128,测试集为30；线路二的行程数为133次,实验中训练集大小为103,测试集为30.GPS设备定位采集的时间间隔为4 min.实验中假设车辆在这4 min内行驶的线路为直线.采用的距离计算方式为测地距离,该计算方式由Thaddeus Vincenty于1975年提出的,采用Vincenty完全椭球公式［16］进行计算.将经纬度转换为距离后的数据如表2所示.
表2Vincenty完全椭球公式转换后的数据样本
行程编号累计行驶距离/mGPS时间
HGPC6011119.1738362016-05-24 12:29:03
HGPC6011503.0025292016-05-24 12:33:03
HGPC6012726.4841082016-05-24 12:37:03
根据算法1计算得到的STM矩阵,为了直观地显示速度的分布,本文将STM矩阵转化成了在对应时段和路段上的速度热力图,图3为线路一的速度热力图.该图表示的是单位路段长度为80 km、单位时段时长为1 h时对应的热力图,其中横轴表示时段,纵轴表示路段.由于GPS设备精度有限,因此根据GPS数据计算每次行程中车辆行驶的距离并非完全相等.为了让矩阵能够保证所有的历史行程都能完整的映射到STM矩阵中,扩大了STM矩阵在距离上的表示表示范围,因此图3中会出现最上面几行显示的颜色对应的速度为0.STM矩阵的每一列中格子的颜色深浅变化,表示在该路段不同时间段内车辆的平均行驶速度变化.从热力图来看,最下面的一行表示行程开始时不同时间区间内的速度,速度为非0的位置主要集中在中间偏右的位置,且这些色块对应的速度相对较小,与行程开始是车辆在非高速路上行驶时速度相对较低的事实相符.图4为线路二的速度热力图.其中单位路段的长度为75 km、单位时段长为1 h.
图3线路一STM速度热力图
图4线路二STM热力图
将STM预测模型、简单BP神经网络模型和STM与BP神经网络组合模型分别进行实验预测.以均方误差根（root mean squared error,RMSE）和平均绝对误差百分比（mean absolute percentage error, MAPE）为实验结果的评价标准,其计算公式分别为式(4)和式(5)：
RMSE等于∑Ni等于1(treal-tpredict)2N(4)
MAPE等于100N∑treal-tpredicttreal(5)
其中：treal为真实时间；tpredict为模型预测时间；N为测试集的大小.
MAPE可以直观的表现预测值与真实之间偏差的程度,MAPE越小则预测时间与真实时间的误差越小.而RMSE由于对大误差和小误差敏感,所以RMSE可侧重比较不同模型预测的稳定性.经过实验,在线路一中,当单位距离设置为80 km单位时间设置为1 h时得到的RMSE达到最小为4.36.在线路二中,当单位距离为75 km、但那位时间为1 h是得到最小RMSE为4.12.本实验的神经网络模型设计为经典的3层模型,将输入层神经元个数范围设定为［2,15］,隐藏层神经元个数范围设置为［2,30］,通过穷举各层神经元个数的组合设计不同的神经网络模型,然后逐一进行实验.最终的使用结果显示当输入层和隐蔽层的神经元个数均为7时组合模型预测结果的RMSE达到最低为4.03.组合模型输入层神经元个数与其对应的最低RMSE变化过程如图5.柏丛等［8］使用SVM模型对行程时间进行离线预测,作为对比本文以行程进行的时间段及在一周中对应的天构建SVM模型对路段行程时间进行预测.通过交叉验证（cross validation）和grid search进程参数选择,以RMSE为优化目标,线路一最终得到SVM模型的径向基函数惩罚系数C等于3,径向基函数参数γ等于0.07262,线路二最终得到的SVM模型的径向基函数惩罚系数C等于3,径向基函数参数γ等于0.07132.
图5输入层神经元个数与RMSE的对应关系
表3和表4分别为线路一和线路二简单历史平均模型、SVM模型、STM模型、BP神经网络模型和组合模型预测结果.
表3线路一各模型实验结果对应RMSE和MAPE
模型RMSE/hMAPE/%
简单历史平均模型6.3820.47
SVM5.9222.97
STM4.3617.06
BP神经网络6.3222.29
组合模型4.0315.44
表4线路二各模型实验结果对应RMSE和MAPE
模型RMSE/hMAPE/%
简单历史平均模型6.4321.93
SVM6.0321.96
STM4.5218.93
BP神经网络6.4623.71
组合模型3.9916.20
由表3和表4可知,组合模型预测效果优于简单历史平均模型、STM、BP神经网络模型和SVM模型.
在线路一中,从RMSE来看,简单BP神经网络模型、简单历史平均模型和SVM模型的预测效果比较相近,分别为6.32、6.38 h和5.92 h.STM预测模型与以上三种模型的RMSE相比分别降低了1.96、2.02、1.56 h.由此可见STM预测组合模型的有效性.组合模型的RMSE与简单BP神经网络模型、简单历史平均模型、SVM模型和STM模型相比分别降低了2.29、2.35、1.89 h和0.33 h,由此可见组合模型可以进一步提高STM模型预测的稳定性.从MAPE来看,简单BP神经网络模型、简单历史平均模型和SVM模型的预测结果的平均绝对误差百分比分别为22.29%、20.47%和22.97%.STM预测模型MAPE为17.06%,明显低于以三种模型,与以上三种模型相比分别降低了5.23%、3.41%、5.91%.组合模型的MAPE为15.44%,与简单BP神经网络模型、简单历史平均和SVM模型三种模型相比分别降低了6.85%、5.03%和7.53%.与STM模型相比降低了1.62%进一步减少了平均绝对误差,提高了预测效果.
在线路二中,简单BP神经网络模型、简单历史平均模型和SVM模型的RMSE分别为6.46、6.43和6.03.STM预测模型与以上三种模型的RMSE相比分别降低了1.94、1.91、1.51.组合模型的RMSE与简单BP神经网络模型、简单历史平均模型、SVM模型和STM模型相比分别降低了2.47、2.44、2.04和0.53.从MAPE来看,简单BP神经网络模型、简单历史平均模型和SVM模型的预测结果的平均绝对误差百分比分别为23.71%、21.93%和21.96%.STM预测模型MAPE为18.93%,与以上三种模型相比分别降低了4.78%、3.00%、3.03%.组合模型的MAPE为16.20%,与简单BP神经网络模型、简单历史平均和SVM模型三种模型相比分别降低了7.51%、5.73%和5.76%.与STM模型相比降低了2.73%.
通过与简单BP神经网络模型,简单历史平均和SVM模型的预测效果相比较,可见STM模型能够利用了行程时间的时空相关性可以对行程时间进行有效的离线预测,而STM模型和BP神经网络模型的组合模型能够进一步提高对行程时间的离线预测效果.
3结论
本文根据行程中车辆运行状态的时空相关性构建路段时段平均速度矩阵,以此来表示车辆运行状态在整个行程中不同路段和不同时段这个二维空间上的变化规律.并基于该矩阵模型提出一种行程时间预测算法对行程时间进行离线预测.为进一步提高预测效果,结合车辆运行状态的时空相关性和相邻行程的非线性规律构建组合模型对行程时间进行离线预测.并通过实验证明了该组合模型的有效性.该组合模型相对单一模型在准确率上虽然有明显的提升,但依然有大约15%的平均绝对误差,因此还有一定的提升空间.下一步工作将通过扩大数据源的信息维度或进一步优化模型来研究提高预测精度的方法.
参考文献：
［1］ 唐少虎,刘小明,陈兆盟,等.基于计算实验的城市道路行程时间预测与建模［J］.自动化学报,2015,41(8):15161527．
［2］ 于德新,高学英,杨兆升.基于GPS数据及车辆运行特性分析的单车路段行程时间估计［J］.吉林大学学报:工学版,2010,40(4):965970．
［3］ XIA J, CHEN M, HUANG W. A multistep corridor treltime prediction method using presencetype vehicle detector data［J］. Journal of Intelligent Transportation Systems,2011,15(2):104 13．
［4］ 任千里,刘恒,雷晓斌,等.基于车牌照数据的城市快速路行程时间短时预测方法研究［J］.交通与运输,2011,27（B12）:6165．
［5］ 丁宏飞,李演洪,刘博,等.基于BP神经网络与SVM的快速路行程时间组合预测研究［J］.计算机应用研究,2016,33(10):29292932．
［6］ 姜桂艳,李琦,董硕.基于kNN和SCATS交通数据的路段行程时间估计方法［J］.西南交通大学学报,2013,2:025．
［7］ LI C S, CHEN MC. A data mining based approach for trel time prediction in freeway with nonrecurrent congestion［J］. Neurocomputing,2014,133(8):7483．
［8］ 柏丛,彭仲仁.基于动态模型的公交车行程时间预测［J］.计算机工程与应用,2016,52(3):103107．
［9］ ZOU Y, ZHU X, ZHANG Y, et al. A spacetime diurnal method for shortterm freeway trel time prediction［J］. Transportation Research Part C: Emerging Technologies,2014,43:3349．
［10］ YILDIRIMOGLU M, GEROLIMINIS N. Experienced trel time prediction for congested freeways［J］. Transportation Research Part B: Methodological,2013,53(4):4563．
［11］ 许丽,朱庆,陈崇泰,等.自动预测通勤高峰期交通流量的方法［J］.地理信息世界,2016,23(2):1620．
［12］ SIRIPANPORNCHANA C, PANICHPAPIBOON S, CHAOVALIT P. Treltime prediction with deep learning［C］//Region 10 Conference (TENCON).IEEE,2016:18591862．
［13］ 叶创鑫,谭满春.基于SVM与人工神经网络组合模型的物流规划车辆行程时间预测［J］.暨南大学学报(自然科学与医学版),2010,31(5):451456．
［14］ 李进燕,朱征宇,刘琳,等.基于简化路网模型的卡尔曼滤波多步行程时间预测方法［J］.系统工程理论与实践,2013,33(5):12891297．
［15］ 周飞燕,金林鹏,董军.卷积神经网络研究综述［J］.计算机学报,2017,40(6):12291251．
［16］ VINCENTY T. Direct and inverse solutions of geodesics on the ellipsoid with application of nested equations［J］. Survey review,1975,23(176):8893．
A Combined Offline Trel Time Prediction Model Based on
Speed Matrix and Artificial Neural Network
CAI Huorong, HE Lili
(School of Information Science and Technology, Zhejiang SciTech University, Hangzhou 310018, China)
Abstract： According to the temporal and spatial correlation of the driving state of the vehicle in the itinerary and the spatial structure of matrix, a sectiontime erage velocity matrix was proposed to express the driving state of the vehicle at different time and space in the itinerary. Besides, an offline trel time prediction model based on the matrix was presented to simulate the driving of the vehicle. In order to improve the prediction effect of the matrix, the sectiontime erage velocity matrix and BP neural network model were combined to construct a combined trel time prediction model by combining nonlinear rules of adjacent itineraries. The experimental results based on actual logistics system data from China Tobacco Industrial CO., LTD. showed that the predicting effect of the combined model is better than that of single model.
Key words： trel time prediction; artificial neural network; intelligent transportation system; spatial and temporal correlation
(责任编辑： 康锋)
综上所述，此文是一篇关于对写作人工神经网络和速度矩阵和行程论文范文与课题研究的大学硕士、神经网络本科毕业论文神经网络论文开题报告范文和相关文献综述及职称论文参考文献资料有帮助.
神经网络在计算机网络安全评价中的应用
摘 要 计算机网络技术的大量普及,方便了我们的日常生活,并且提高了办公速度,但是广泛应用计算机网络的同时,计算机病毒、……危险因素的存在对计算机网络完全产生一定威胁 而在计算机网络安全评价中应用神经网.
基于遗传算法优化和BP神经网络的中长期负荷联合预测
摘 要 传统的BP 神经网络负荷预测存在学习速度慢、局部极小……缺陷,已无法满足现代电力负荷预测的精度要求 基于此,本文首先在分析了BP 神经网络的预测原理和不足的基础上,阐述了遗传算法的原理及优化步.
基于3s的人工神经网络模型在地质灾害危险性评价中的应用
宋雨濛（成都理工大学地球物理学院 四川 成都 610059）摘 要文章通过3s 技术手段和人工神经网络模型对卧龙大熊猫自然保护区进行了地质灾害危险性评价 包括通过遥感技术获取研究区域的遥感图像,并对图.
基于SPSS和BP神经网络的林产品物流运输需求预测对比
摘要采用SPSS及Matlab软件分别建立多元线性回归模型和BP神经网络预测模型,通过HN省林产品物流运输需求量的算例,对比多元线性回归和BP神经网络预测模型的预测能力得出相应结论 关键词多元线性回归.