基于OSELM 的路段行程時(shí)間預(yù)測(cè)算法仿真實(shí)驗(yàn)和算法評(píng)估

●陽(yáng)敏輝

一、數(shù)據(jù)集的選取

為了驗(yàn)證算法的可行性和準(zhǔn)確性，本文從Regiolab-delft 平臺(tái)上選取了A13 快速路上兩組數(shù)據(jù)集用來(lái)建模：一天的數(shù)據(jù)以及一個(gè)星期的數(shù)據(jù)（7 天數(shù)據(jù)為訓(xùn)練集，另加1 天數(shù)據(jù)為測(cè)試集）。一天的數(shù)據(jù)為2017年7月1日0:00 至24:00 一共476 組行程時(shí)間數(shù)據(jù)，其中前408 組數(shù)據(jù)作為訓(xùn)練集，后面68 組數(shù)據(jù)作為測(cè)試集；一個(gè)星期的數(shù)據(jù)為2017年6月1日到6月8日一共280 組6:00-9:00 早高峰期數(shù)據(jù)，前7 天一共245 組數(shù)據(jù)作為訓(xùn)練集，后面一天35 組數(shù)據(jù)作為測(cè)試集。數(shù)據(jù)集說(shuō)明如表1。

表1 數(shù)據(jù)集說(shuō)明

二、實(shí)驗(yàn)及結(jié)果分析

（一）一天數(shù)據(jù)集實(shí)驗(yàn)及結(jié)果分析

1.三種算法的參數(shù)設(shè)置。數(shù)據(jù)集中共有476 組數(shù)據(jù)，將前408組數(shù)據(jù)作為訓(xùn)練集，后68 組數(shù)據(jù)作為測(cè)試集，三種算法參數(shù)設(shè)置如下：（1）OSELM-TTP：算法中要設(shè)置的參數(shù)為隱層神經(jīng)元個(gè)數(shù)和激勵(lì)函數(shù)，通過(guò)試湊法得到的隱層神經(jīng)元個(gè)數(shù)為8，學(xué)習(xí)函數(shù)設(shè)為sin。（2）OSVR：設(shè)置的核函數(shù)為RBF，參數(shù)C 和ε 分別為0.07 和0.01。（3）BPNN：MATLAB 中用newff()函數(shù)來(lái)建立3 層的BPNN 預(yù)測(cè)算法，在參數(shù)設(shè)置時(shí)，將隱層神經(jīng)元個(gè)數(shù)設(shè)為3，學(xué)習(xí)函數(shù)為learngdm，輸入層、隱層和輸出層的激活函數(shù)分別為：tansig、logsig、tansig。訓(xùn)練函數(shù)設(shè)置為traingd。

2. 實(shí)驗(yàn)及結(jié)果分析。實(shí)驗(yàn)得到的預(yù)測(cè)值與真實(shí)值對(duì)比如圖1、2、3。圖中，橫坐標(biāo)表示預(yù)測(cè)行程時(shí)間值的總數(shù)，而縱坐標(biāo)表示的是預(yù)測(cè)的行程時(shí)間，其單位為m。紅色曲線代表待機(jī)的經(jīng)過(guò)歸一化預(yù)處理之后的真實(shí)數(shù)據(jù)，而藍(lán)色曲線代表預(yù)測(cè)算法得到的行程時(shí)間預(yù)測(cè)值。從圖中可以看出，添加了實(shí)時(shí)序列機(jī)制、自適應(yīng)丟棄機(jī)制和優(yōu)選激勵(lì)函數(shù)機(jī)制的OSELM-TTP 算法，其預(yù)測(cè)結(jié)果基本接近實(shí)際監(jiān)測(cè)數(shù)據(jù)。而基于OSVR 預(yù)測(cè)的數(shù)據(jù)浮動(dòng)比較大，BPNN 預(yù)測(cè)曲線與真實(shí)數(shù)據(jù)之間的誤差較大。三種預(yù)測(cè)算法的評(píng)估指標(biāo)對(duì)比如表2 所示。

表2 一天的數(shù)據(jù)集OSELM-TTP、OSVR、BPNN 評(píng)估指標(biāo)對(duì)比

從表2 分析得到：（1）從MSE 可以看出，OSELM-TTP 得到MSE 比OSVR 和BPNN 小，相比之下，OSELM-TTP 預(yù)測(cè)效果最好。（2）從MAE 和MRE 可以看出，OSELM-TTP 的值比BPNN 要小，兩者相差不大，而B(niǎo)PNN 的值比OSVR 要小，表明OSELM-TTP 預(yù)測(cè)效果最好。而由于OSVR 在預(yù)測(cè)時(shí)波動(dòng)較大，值也就最大，因此得到的效果最差。（3）從EC 可以看出，ELM的EC 值為0.989171566，大于0.9，而SVR 和BPNN 的值分別為0.979352813 和0.807924733，均低于OSELM-TTP 的EC 值。表明OSELM-TTP 得到的預(yù)測(cè)值和真實(shí)值的擬合效果最好，精確度比OSVR 和BPNN 的精確度要高。

（二）一周數(shù)據(jù)集實(shí)驗(yàn)及結(jié)果分析

表3 一周的數(shù)據(jù)集OSELM-TTP、OSVR、BPNN 評(píng)估指標(biāo)對(duì)比

圖1 一天的數(shù)據(jù)集中OSELM-TTP預(yù)測(cè)值與真實(shí)值對(duì)比圖

圖2 一天的數(shù)據(jù)集中OSVR算法預(yù)測(cè)值與真實(shí)值對(duì)比圖

圖3 一天的數(shù)據(jù)集中BPNN算法預(yù)測(cè)值與真實(shí)值對(duì)比

圖4 一周的數(shù)據(jù)集中OSELMTTP 算法預(yù)測(cè)值與真實(shí)值對(duì)比圖

圖5 一周的數(shù)據(jù)集中BPN N 算法預(yù)測(cè)值與真實(shí)值對(duì)比圖

圖6 一周的數(shù)據(jù)集中OSVR算法預(yù)測(cè)值與真實(shí)值對(duì)比圖

1. 三種算法的參數(shù)設(shè)置。數(shù)據(jù)集中共有280 組數(shù)據(jù)，將前245 組數(shù)據(jù)作為訓(xùn)練集，后35 組數(shù)據(jù)作為測(cè)試集，三種算法參數(shù)設(shè)置如下：（1）OSELM-TTP：算法中要設(shè)置的參數(shù)為隱層神經(jīng)元個(gè)數(shù)和激活函數(shù)，通過(guò)試湊法得到的隱層神經(jīng)元個(gè)數(shù)為10，學(xué)習(xí)函數(shù)設(shè)為sin。（2）OSVR：設(shè)置的核函數(shù)為RBF, 參數(shù)C 和ε 分別為0.3 和0.01。（3）BPNN：MATLAB 中用newff()函數(shù)來(lái)建立3 層的BPNN 預(yù)測(cè)算法，在參數(shù)設(shè)置時(shí)，將隱層神經(jīng)元個(gè)數(shù)設(shè)為8，學(xué)習(xí)函數(shù)為learngdm，輸入層、隱層和輸出層的激活函數(shù)分別為：tansig、tansig、tansig。訓(xùn)練函數(shù)設(shè)置為traingdm。

2.實(shí)驗(yàn)及結(jié)果分析。實(shí)驗(yàn)得到的預(yù)測(cè)值與真實(shí)值對(duì)比如圖4、圖5、圖6。橫坐標(biāo)表示預(yù)測(cè)行程時(shí)間值的總數(shù)，而縱坐標(biāo)表示的是預(yù)測(cè)的行程時(shí)間，其單位為m。從圖中可以看出，OSELM-TTP 的預(yù)測(cè)曲線與真實(shí)數(shù)據(jù)曲線的波動(dòng)相似，而OSVR 算法在數(shù)據(jù)出現(xiàn)波動(dòng)時(shí)，預(yù)測(cè)的曲線卻呈現(xiàn)出一個(gè)平滑的狀態(tài)，這說(shuō)明算法時(shí)變性不強(qiáng)，而B(niǎo)PNN 預(yù)測(cè)的曲線波動(dòng)較多，不能體現(xiàn)BPNN 預(yù)測(cè)的穩(wěn)定性，因此，綜合來(lái)看，OSELM-TTP 的預(yù)測(cè)結(jié)果更接近于真實(shí)結(jié)果，預(yù)測(cè)的精度最高。三種預(yù)測(cè)算法的評(píng)估指標(biāo)對(duì)比如表3 所示。

從表3 分析得到：(1)從MSE 可以看出，OSELM-TTP 得到的值為0.005594，而OSVR 和BPNN 得到的值分別為0.008720 和0.030222，相比之下，OSELM-TTP 的誤差最小，預(yù)測(cè)精確度最好。(2) 從MAE 和MRE 可以看出，OSELM-TTP 的值比OSVR 要小，兩者相差不大，而OSVR 的值比BPNN 要小，表明OSELM 預(yù)測(cè)的效果最好。(3) 從EC 可以看出，OSELM-TTP 的EC 值為0.897106，而OSVR 和BPNN 的值分別為0.869912 和0.785791，均低于OSELM-TTP 的EC 值。表明OSELM-TTP 得到的預(yù)測(cè)值和真實(shí)值的擬合效果最好，精確度比OSVR 和BPNN 的精確度要高。

綜合以上兩種數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果，可以表明OSELM-TTP 所得到的預(yù)測(cè)結(jié)果比OSVR 和BPNN 更接近于真實(shí)數(shù)據(jù)。因此OSELM-TTP 在行程時(shí)間預(yù)測(cè)具有實(shí)際應(yīng)用價(jià)值，適用于行程時(shí)間預(yù)測(cè)。