基于極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)出租車尋客評(píng)價(jià)系統(tǒng)

吳環(huán)宇　張逸博

摘 要：總結(jié)影響機(jī)場(chǎng)出租車司機(jī)選擇決策的影響的七大因素。采用了司陽(yáng)[1]等基于計(jì)劃行為理論的思路，構(gòu)建基于行為理論出發(fā)的評(píng)價(jià)模型。調(diào)查機(jī)場(chǎng)日均吞吐量以及機(jī)場(chǎng)周邊的出租車等待車輛數(shù)，天氣等環(huán)境因素，通過(guò)蒙特卡洛的思想生成輸入量、輸出量屬性的數(shù)據(jù)。利用評(píng)價(jià)模型參數(shù)，將部分?jǐn)?shù)據(jù)作為訓(xùn)練集，剩余數(shù)據(jù)作為測(cè)試集，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)，使用極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)算法構(gòu)建模型，將評(píng)價(jià)在1.5分以上的出租車認(rèn)為去“蓄車池”排隊(duì)，用數(shù)字1表示，將評(píng)價(jià)在1.5分以下的認(rèn)為離開機(jī)場(chǎng)尋客。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);出租車;尋客評(píng)價(jià)系統(tǒng)

一、行為理論評(píng)價(jià)模型建立

考慮各種因素對(duì)于司機(jī)尋客的影響程度，構(gòu)建行為理論評(píng)價(jià)模型。根據(jù)影響因數(shù)，從司陽(yáng)[1]等對(duì)于司機(jī)尋客行為的研究，將文中的標(biāo)準(zhǔn)化路徑系數(shù)進(jìn)行標(biāo)準(zhǔn)化，得到航班數(shù)量的評(píng)價(jià)因子為0.06，已有車輛數(shù)的評(píng)價(jià)因子為0.25，季節(jié)，天氣，早晚均隸屬于道路通暢環(huán)節(jié)，故而我們均將其因子分別定位0073，0073，0.074，載客收入高低為0.13，尋客時(shí)間長(zhǎng)短為0.34。

在盡量維持輸入量量級(jí)相同基礎(chǔ)上構(gòu)建基于行為理論的評(píng)價(jià)公式（1），同時(shí)，在模型中引入修正因子，即Fi：

S=0.06×n130+0.25×n245+0.073×n3+0.073×n4+0.074×n5+013×n630-0.34×n72+3×Fi（1）

通過(guò)數(shù)據(jù)的代入，得到相關(guān)的評(píng)價(jià)數(shù)據(jù)。

二、BP神經(jīng)網(wǎng)絡(luò)算法求解

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法作為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)算法，每次能根據(jù)訓(xùn)練得到的結(jié)果與預(yù)想結(jié)果進(jìn)行誤差分析，進(jìn)而修改權(quán)值和閾值，一步一步得到能輸出和預(yù)想結(jié)果一致的模型。

將7個(gè)不同數(shù)據(jù)作為輸入量的特征值，將相關(guān)評(píng)價(jià)分?jǐn)?shù)作為輸出量，選取總數(shù)據(jù)中部分?jǐn)?shù)據(jù)作為訓(xùn)練集，將剩余數(shù)據(jù)作為測(cè)試集來(lái)建立一個(gè)BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)體系。經(jīng)過(guò)八輪反饋得出結(jié)果，評(píng)價(jià)分?jǐn)?shù)的預(yù)測(cè)值與真實(shí)值較為接近，R2達(dá)到0.98846，說(shuō)明訓(xùn)練集以及測(cè)試機(jī)的安排較為合適，權(quán)重以及激活函數(shù)的選擇可以基本滿足對(duì)于評(píng)價(jià)分?jǐn)?shù)的預(yù)測(cè)。因?yàn)閭鹘y(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型具有神經(jīng)元較多，模擬時(shí)間較長(zhǎng)，預(yù)測(cè)精度有限的缺點(diǎn)，考慮運(yùn)用極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)算法（ELM）。

三、改進(jìn)模型介紹及求解

極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）是一種新型的快速學(xué)習(xí)算法。運(yùn)用極限學(xué)習(xí)機(jī)算法對(duì)于篩選出的數(shù)據(jù)進(jìn)行求解，計(jì)算后發(fā)現(xiàn)同預(yù)測(cè)結(jié)果對(duì)比，極限學(xué)習(xí)機(jī)的R2達(dá)到了0.992，高于由BP神經(jīng)網(wǎng)絡(luò)計(jì)算得到的R2為0.98846，在后面的研究中主要使用極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)。

將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)保存下來(lái)，作為行為理論評(píng)價(jià)模型來(lái)進(jìn)行調(diào)用，同時(shí)，根據(jù)實(shí)際情況以及經(jīng)驗(yàn)判斷，將評(píng)價(jià)在1.5分以上的確定為出租車司機(jī)需要去“蓄車池”排隊(duì)，用數(shù)字1表示，將評(píng)價(jià)在1.5分以下的確定為需要離開機(jī)場(chǎng)進(jìn)行尋客。

四、仿真與實(shí)踐

我們收集了成都市雙流機(jī)場(chǎng)近500輛出租車一天內(nèi)不同時(shí)間的GPS定位數(shù)據(jù)，和近一年機(jī)場(chǎng)客運(yùn)吞吐量，將代入神經(jīng)網(wǎng)絡(luò)模型中。運(yùn)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，得出司機(jī)的尋客選擇情況。通過(guò)求解單位時(shí)間效益來(lái)評(píng)價(jià)模型的準(zhǔn)確度，同時(shí)根據(jù)神經(jīng)網(wǎng)絡(luò)模型自身的特性來(lái)分析其優(yōu)缺點(diǎn)。

將具有7個(gè)屬性，共計(jì)160個(gè)輸入量代入訓(xùn)練好的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)，得到相關(guān)的評(píng)價(jià)。評(píng)價(jià)分?jǐn)?shù)的計(jì)算機(jī)預(yù)測(cè)值與真實(shí)值較為接近，R2達(dá)到0.98363，保持了極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的精度（下圖），最終部分的結(jié)果在下表中展示，同時(shí)評(píng)價(jià)與單位時(shí)間效益保持了高度的吻合，說(shuō)明了模型的精度較高，極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)因其自身特性，可以確保在進(jìn)行出租車司機(jī)尋客選擇時(shí)保持較高的精度。

其中，表中季節(jié)1，2，3，4代表春夏秋冬。早晚的1，2，3分別代表凌晨3點(diǎn)至上午11點(diǎn)，正午12點(diǎn)至下午7點(diǎn)，傍晚7點(diǎn)至次日凌晨3點(diǎn)。天氣的1，2，3，4，5代表優(yōu)，良，中，差，極差。

參考文獻(xiàn)：

[1]司楊，關(guān)宏志.計(jì)劃行為理論下出租車駕駛員尋客行為研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2016，16（06）：147-152+175.

[2]劉麗，張豐，杜震洪，劉仁義，賈玉杰.基于深圳市出租車軌跡數(shù)據(jù)的高效益尋客策略研究[J].浙江大學(xué)學(xué)報(bào)（理學(xué)版），2018，45（01）：82-91.

作者簡(jiǎn)介：吳環(huán)宇，大連理工大學(xué)過(guò)程控制專業(yè)學(xué)習(xí);張逸博，大連理工大學(xué)過(guò)程控制專業(yè)學(xué)習(xí)。