基于邊緣計(jì)算的道路行程時(shí)間預(yù)測(cè)

黃相銘 祝嘉輝 祝富鍇 高巖

摘? 要：為了解決目前市面上的導(dǎo)航軟件無法針對(duì)用戶個(gè)性化預(yù)測(cè)的問題，本文提出了基于邊緣計(jì)算的道路行程時(shí)間預(yù)測(cè)的預(yù)測(cè)思想，并在之后就系統(tǒng)架構(gòu)和預(yù)測(cè)過程進(jìn)行了詳細(xì)論述。為了實(shí)現(xiàn)個(gè)性化預(yù)測(cè)，本文根據(jù)速度變化特征將用戶的行為模式分成了三類，并對(duì)每一類行為模式構(gòu)建了對(duì)應(yīng)的數(shù)據(jù)集。在基于用戶行為模式的預(yù)測(cè)算法方面，本文對(duì)每一類數(shù)據(jù)集分別應(yīng)用了ELM模型和LSTM模型，通過對(duì)模型的預(yù)測(cè)表現(xiàn)進(jìn)行對(duì)比確定了最優(yōu)模型，并將模型及其參數(shù)裝載到邊緣端。

最終，本文通過大量的實(shí)驗(yàn)，將該研究所提供的時(shí)間預(yù)測(cè)和百度地圖提供的時(shí)間預(yù)測(cè)進(jìn)行對(duì)比，驗(yàn)證了本文研究?jī)?nèi)容的可行性和準(zhǔn)確性;以實(shí)例證明了本文設(shè)計(jì)并實(shí)現(xiàn)的道路行程時(shí)間預(yù)測(cè)原型系統(tǒng)的實(shí)用性和有效性。

關(guān)鍵詞：道路行程時(shí)間預(yù)測(cè)方法;邊緣計(jì)算;行為模式分類

中圖分類號(hào)：TP391? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： This paper first proposes a framework of road travel time prediction based on edge computation， and then elaborates its system architecture and prediction process. The navigation software in current market does not make personalized prediction for users. In order to achieve personalized prediction， users' behavior patterns will be classified into three categories based on characteristics of driving speed changes. For each of these three categories， the corresponding data sets are collected. With regard to prediction algorithm based on users' behavior patterns， the optimal model is determined by comparing the prediction performance of ELM and LSTM models， which are trained with data sets separately. And then， the optimal model and its parameters are loaded to the ends of edge computing. Finally， a large number of experiments are conducted by comparing the time prediction presented in this research with that of Baidu Map so to verify the feasibility and accuracy of this framework. The prototype system of road travel time prediction designed and implemented in this paper is proved to be practical and effective with real cases.

Keywords： road travel time prediction method; edge computing; classification of behavior patterns

1? ?引言（Introduction）

一直以來，城市道路交通所追求的是人、車、路的密切配合與和諧統(tǒng)一，因此盡可能地提高道路交通運(yùn)行的效率、確保交通運(yùn)行的安全度、提高能源的利用率并且改善環(huán)境成為人類的共同目標(biāo)。一種能夠?qū)崿F(xiàn)準(zhǔn)確、實(shí)時(shí)、高效率地對(duì)城市道路交通信息進(jìn)行大范圍處理的智能交通系統(tǒng)便成了時(shí)代發(fā)展所需。邊緣計(jì)算指的是在網(wǎng)絡(luò)的邊緣來處理數(shù)據(jù)，這樣能夠減少請(qǐng)求響應(yīng)時(shí)間、提升電池續(xù)航能力、減少網(wǎng)絡(luò)帶寬同時(shí)保證數(shù)據(jù)的安全性和私密性[1-4]。邊緣計(jì)算模型框架示意圖如圖1所示。

相關(guān)研究表明，與云計(jì)算模型相比，邊緣計(jì)算的優(yōu)勢(shì)主要體現(xiàn)在幾個(gè)方面。

在文獻(xiàn)[5]的實(shí)驗(yàn)中，研究人員將人臉識(shí)別的計(jì)算過程從云端移動(dòng)到邊緣端，響應(yīng)時(shí)間由900毫秒縮減到169毫秒。

在文獻(xiàn)[6]中，實(shí)驗(yàn)人員在研究可穿戴的認(rèn)知輔助設(shè)備時(shí)，將部分計(jì)算任務(wù)從云端卸載到邊緣端，整個(gè)系統(tǒng)對(duì)資源的消耗減少了30%—40%。

文獻(xiàn)[7]提出的Clone Cloud模型，將部分處理任務(wù)從云端轉(zhuǎn)移到邊緣端，使得數(shù)據(jù)在分區(qū)、遷移與合并等方面減少了20倍的時(shí)間。

綜上所述，邊緣計(jì)算模型更適合在移動(dòng)邊緣端處理用戶所產(chǎn)生的數(shù)據(jù)，低延遲和高效率更加契合了當(dāng)今人們?cè)诳旃?jié)奏時(shí)代的日常所需。對(duì)于本就強(qiáng)調(diào)實(shí)時(shí)性的“智慧交通”的分支——道路行程時(shí)間預(yù)測(cè)，邊緣計(jì)算無疑是一個(gè)與之最為匹配的計(jì)算模型。

2? 基于邊緣計(jì)算的道路行程時(shí)間預(yù)測(cè)框架（Framework of road travel time prediction based on edge computing）

2.1? ?預(yù)測(cè)過程及研究架構(gòu)

預(yù)測(cè)過程主要分為兩大部分，即云端處理部分和邊緣端預(yù)測(cè)部分。本小節(jié)將分別闡述兩部分的運(yùn)作過程。研究架構(gòu)如圖2所示。

云端：我們將搜集到的不同行人的步行GPS數(shù)據(jù)在云端進(jìn)行數(shù)據(jù)預(yù)處理，將經(jīng)緯度坐標(biāo)值序列根據(jù)前述方法轉(zhuǎn)換為速度序列，去掉了無效數(shù)據(jù);其次基于用戶的速度變化情況，對(duì)不同行為模式進(jìn)行了分析和分類，基于不同的速度變化方式來構(gòu)建數(shù)據(jù)集;之后主要采用ELM模型和LSTM模型對(duì)不同的行為模式所對(duì)應(yīng)的數(shù)據(jù)集進(jìn)行訓(xùn)練，通過調(diào)參和模型評(píng)判，得到了每種模式所對(duì)應(yīng)的最優(yōu)速度預(yù)測(cè)模型，并保存下來，裝載到邊緣端。

邊緣端：用戶首先需要選定出發(fā)點(diǎn)和終點(diǎn)，一旦選定，路徑規(guī)劃將自動(dòng)完成。用戶的初始道路總剩余時(shí)間將由冷啟動(dòng)機(jī)制下的初始速度和路徑總長(zhǎng)度計(jì)算得來。冷啟動(dòng)過程中，邊緣端將實(shí)時(shí)接收用戶的GPS軌跡點(diǎn)，并根據(jù)前述方法計(jì)算用戶的實(shí)時(shí)速度。冷啟動(dòng)結(jié)束后，邊緣端將基于之前搜集到的速度，判斷用戶的行為模式，調(diào)用預(yù)先訓(xùn)練好的模型來預(yù)測(cè)下一階段的速度，再結(jié)合剩余路徑距離預(yù)測(cè)出剩余行程時(shí)間，從而實(shí)現(xiàn)基于邊緣計(jì)算的道路行程時(shí)間預(yù)測(cè)的實(shí)時(shí)周期更新。當(dāng)發(fā)現(xiàn)用戶行為模式改變，邊緣端將調(diào)用與新模式對(duì)應(yīng)的預(yù)測(cè)模型;當(dāng)預(yù)測(cè)值和真實(shí)值有較大偏差時(shí)，邊緣端將做適當(dāng)調(diào)整。

2.2? ?基于行為模式的速度預(yù)測(cè)方法

2.2.1? ?基于ELM模型的速度預(yù)測(cè)建模和預(yù)測(cè)過程

ELM預(yù)測(cè)模型整體需要輸入的數(shù)據(jù)為，

如果分段表示的話即為，其中表示整個(gè)訓(xùn)練數(shù)據(jù)集的長(zhǎng)度，表示步長(zhǎng)。基于ELM模型的速度預(yù)測(cè)方法網(wǎng)絡(luò)圖如圖3所示，其中為輸入數(shù)據(jù)，是輸入權(quán)重，為偏置，為輸出偏重，為要預(yù)測(cè)的速度，通過訓(xùn)練得出輸入和輸出之間的關(guān)系，其中和可以隨機(jī)輸入。

根據(jù)圖3可知，基于ELM的速度預(yù)測(cè)方法的訓(xùn)練過程包括以下幾個(gè)步驟：

輸入訓(xùn)練集數(shù)據(jù)、選定激活函數(shù)和隱藏層節(jié)點(diǎn)個(gè)數(shù)。不同的激活函數(shù)可能會(huì)造成不同的預(yù)測(cè)結(jié)果，所以要選定激活函數(shù)。ELM模型中隱含層神經(jīng)元個(gè)數(shù)和預(yù)測(cè)步長(zhǎng)均會(huì)影響ELM的預(yù)測(cè)效果，本文會(huì)通過大量的實(shí)驗(yàn)來找到最優(yōu)的神經(jīng)元個(gè)數(shù)和預(yù)測(cè)步長(zhǎng)。

隨機(jī)設(shè)置輸入權(quán)值和隱藏層節(jié)點(diǎn)偏置。在ELM模型的學(xué)習(xí)過程中，輸入權(quán)值矩陣和隱含層偏置矩陣是隨機(jī)生成的，這樣學(xué)習(xí)訓(xùn)練的結(jié)果很快。

當(dāng)ELM模型中所需要的預(yù)測(cè)步長(zhǎng)、參數(shù)節(jié)點(diǎn)個(gè)數(shù)、輸入權(quán)值和均確定后即可根據(jù)訓(xùn)練集進(jìn)行訓(xùn)練，首先計(jì)算出輸入矩陣的廣義逆矩陣。

計(jì)算ELM預(yù)測(cè)模型中隱含層到輸出層的輸出權(quán)值。將確定后，整個(gè)模型最終確定。因?yàn)檩斎霗?quán)值矩陣和隱含層偏置矩陣是隨機(jī)生成的，多試驗(yàn)幾次，并且用測(cè)試集對(duì)其進(jìn)行測(cè)試，計(jì)算預(yù)測(cè)誤差，選取最優(yōu)的預(yù)測(cè)模型。

將訓(xùn)練模型用的輸入權(quán)值，隱藏節(jié)點(diǎn)偏置，隱藏層節(jié)點(diǎn)個(gè)數(shù)，預(yù)測(cè)步長(zhǎng)和隱藏層到輸出層的權(quán)值保存下來，以便以后進(jìn)行預(yù)測(cè)使用。

2.2.2? ?基于LSTM模型的速度預(yù)測(cè)建模和預(yù)測(cè)過程

LSTM預(yù)測(cè)模型整體需要輸入的數(shù)據(jù)為，如果分段表示的話即為

，其中表示整個(gè)訓(xùn)練數(shù)據(jù)集的長(zhǎng)度，表示單詞輸入的數(shù)據(jù)維度。基于LSTM模型的速度預(yù)測(cè)方法網(wǎng)絡(luò)圖如圖4所示，其中為輸入數(shù)據(jù)，為輸出結(jié)果，表示時(shí)序，代表輸入權(quán)重，代表輸出權(quán)重，代表上一個(gè)時(shí)刻的輸出值在下一次輸入之中的權(quán)重，是LSTM層與全連接層之間的權(quán)重。

根據(jù)圖4可知，基于LSTM的速度預(yù)測(cè)方法的訓(xùn)練過程包括以下幾個(gè)步驟：

輸入訓(xùn)練集數(shù)據(jù)、選定激活函數(shù)和隱藏層節(jié)點(diǎn)個(gè)數(shù)。不同的激活函數(shù)可能會(huì)造成不同的預(yù)測(cè)結(jié)果，LSTM模型中默認(rèn)的激活函數(shù)是tanh函數(shù)。

LSTM模型中預(yù)測(cè)步長(zhǎng)、層數(shù)、神經(jīng)元個(gè)數(shù)均會(huì)影響預(yù)測(cè)效果，本文會(huì)通過大量的實(shí)驗(yàn)來找到最優(yōu)的參數(shù)選擇。

隨機(jī)設(shè)置權(quán)重值、、。在LSTM模型的學(xué)習(xí)過程中，權(quán)值矩陣、、的值均是隨機(jī)生成的，隱藏層神經(jīng)元的個(gè)數(shù)決定了初始化多少組參數(shù)矩陣，因此參數(shù)的設(shè)置至關(guān)重要。

當(dāng)LSTM模型中所需要的預(yù)測(cè)步長(zhǎng)，層數(shù)，隱藏層神經(jīng)元個(gè)數(shù)，輸入權(quán)重、、均確定后即可根據(jù)訓(xùn)練集進(jìn)行訓(xùn)練，首先計(jì)算出輸入矩陣的廣義逆矩陣。

計(jì)算LSTM預(yù)測(cè)模型中全連接層到輸出層的輸出權(quán)值。將確定后，整個(gè)模型最終確定。因?yàn)闄?quán)重值、、是隨機(jī)生成的，需進(jìn)行多次實(shí)驗(yàn)，選取最優(yōu)的預(yù)測(cè)模型。

將整個(gè)訓(xùn)練模型及其權(quán)重參數(shù)以.h5的格式保存下來，以便將來進(jìn)行預(yù)測(cè)和調(diào)整。

2.3? ?用戶行為模式的分類

我們的預(yù)測(cè)希望能夠?yàn)椴煌腥说牟煌袨槟Ｊ教峁└_的個(gè)性化服務(wù)。因此，對(duì)行人的用戶行為模式規(guī)律性的挖掘具有必要性。本節(jié)將結(jié)合生活實(shí)際的經(jīng)驗(yàn)，對(duì)用戶行為模式進(jìn)行分類。由于在道路行程時(shí)間預(yù)測(cè)的問題中，對(duì)速度的預(yù)測(cè)是至關(guān)重要的一個(gè)環(huán)節(jié)，因此我們對(duì)步行者的行為模式進(jìn)行分類是基于用戶的速度特征。

根據(jù)我們收集到的用戶步行數(shù)據(jù)信息，我們發(fā)現(xiàn)均可以用三種基于速度變化特征的行為模式來描述用戶的整個(gè)步行過程。

2.3.1? ?用戶行為模式的分類

模式一：速度平穩(wěn)模式。

該步行模式下，行人的速度較為穩(wěn)定，其速度值并非完全與X軸水平，只是其Y軸上的波動(dòng)較小。該種模式多出現(xiàn)在行人在某段路程的步行過程中途，因?yàn)樾腥艘呀?jīng)達(dá)到了由起步到加速，且對(duì)路況和目的地都有了一定的了解，因此會(huì)保持自己的一種最舒適的狀態(tài)，不會(huì)輕易過分改變現(xiàn)有的速度。這一點(diǎn)與日常生活經(jīng)驗(yàn)也是相吻合的。

模式二：速度勻變模式。

該步行模式下，行人的速度會(huì)改變，但是改變方式呈勻速變化，即其加速度穩(wěn)定在一定的區(qū)間內(nèi)。當(dāng)時(shí)，步行者的速度呈勻速上升趨勢(shì);當(dāng)時(shí)，步行者的速度呈勻速下降趨勢(shì)，此兩種情況均可視為勻速變化模式。此種步行模式可能出現(xiàn)在行人跑步健身過程中，其速度在開始時(shí)由慢速逐漸加快，在臨近結(jié)束時(shí)又由快速勻速減慢;或者是行人在行走過程中心里想到了其他事務(wù)，速度會(huì)不自覺逐漸下降。這與日常生活經(jīng)驗(yàn)也是相吻合的。

模式三：速度突變模式。

該步行模式下，行人的速度也會(huì)改變，但是改變方式并非呈勻速狀態(tài)，而是劇烈突變，即其加速度并非穩(wěn)定在一定的區(qū)間內(nèi)。當(dāng)時(shí)，步行者的速度會(huì)突然加快;當(dāng)時(shí)，步行者的速度會(huì)突然減慢，此兩種情況均可視為速度突變模式。在生活中，這樣的速度變化方式是常見的，比如當(dāng)一個(gè)行人在行進(jìn)過程中突然發(fā)現(xiàn)前方有一位熟人，于是快速提速并趕上，之后和熟人談?wù)摚⒁煌偾靶小Ｔ谏鲜鏊枋龅那榫持校謩e發(fā)生了速度突然變快和速度突然變慢的情況。這與生活實(shí)際經(jīng)驗(yàn)相符，也同時(shí)印證了上一節(jié)所論述的行人步行過程的非均質(zhì)性和弱規(guī)則性。

上述的基于用戶速度變化的分類方式具有可行性和合理性，與實(shí)際生活經(jīng)驗(yàn)相符，能夠合理刻畫出用戶的步行過程。

2.3.2? ?用戶行為模式的判別

在實(shí)際預(yù)測(cè)過程中，當(dāng)用戶行為模式發(fā)生改變時(shí)，邊緣端需要更換對(duì)應(yīng)的裝載好的模型去做預(yù)測(cè)。這就為我們判斷用戶行為模式的改變提出了要求。本文擬采用最小二乘法直線擬合方式來判斷用戶的行為模式。

在每次判斷用戶的行為模式是否發(fā)生改變之前，邊緣端會(huì)收集行人的個(gè)GPS軌跡數(shù)據(jù)，并計(jì)算出速度值序列。簡(jiǎn)便起見，不妨設(shè)此時(shí)得到個(gè)速度值分別為：，為了應(yīng)用最小二乘法，我們將其轉(zhuǎn)換成坐標(biāo)格式，即為：。

假設(shè)我們需要擬合的直線方程為，根據(jù)最小二乘法的原理，我們需要讓總的最小平方誤差盡可能小，的計(jì)算方法如公式（1）所示。

我們最終可以推導(dǎo)出直線方程的斜率的值如公式（2）所示。

在確定了直線公式后，我們?cè)賹牍剑?）計(jì)算出對(duì)應(yīng)的，然后我們對(duì)和分別設(shè)置閾值和，并據(jù)此得出三類行為模式的判別方式。行為模式判別的流程圖如圖5所示。

在實(shí)際預(yù)測(cè)過程中，閾值和通過大量的實(shí)驗(yàn)數(shù)據(jù)得來。本文研究中分別將上述兩個(gè)閾值設(shè)置為，。于是每當(dāng)邊緣端收集到個(gè)GPS軌跡點(diǎn)計(jì)算出速度值序列之后，便依據(jù)上述方法判斷用戶所處的行為模式，之后調(diào)用對(duì)應(yīng)的已裝載的模型對(duì)用戶接下來的速度做預(yù)測(cè)。

3? ?實(shí)驗(yàn)與分析（Experiment and analysis）

3.1? ?實(shí)驗(yàn)環(huán)境與數(shù)據(jù)

本文的實(shí)驗(yàn)環(huán)境是安裝Windows 10操作系統(tǒng)的工作站，具體軟硬件配置如表1所示。

實(shí)驗(yàn)數(shù)據(jù)是準(zhǔn)確地驗(yàn)證道路行程時(shí)間預(yù)測(cè)模型的關(guān)鍵，實(shí)驗(yàn)數(shù)據(jù)對(duì)于實(shí)驗(yàn)結(jié)果的客觀性、準(zhǔn)確性、真實(shí)性的影響尤為重要。本文所使用的數(shù)據(jù)主要是通過發(fā)動(dòng)周圍同學(xué)而得來，通過讓他們下載我們的APP，我們能夠收集到他們?cè)谛@內(nèi)步行時(shí)的GPS數(shù)據(jù)。當(dāng)數(shù)據(jù)量不足時(shí)，我們使用數(shù)據(jù)擾動(dòng)的方式圍繞已有數(shù)據(jù)上下波動(dòng)生成足量數(shù)據(jù)，以便后續(xù)實(shí)驗(yàn)所需。單次的數(shù)據(jù)量大小約為8kB—38kB不等。GPS數(shù)據(jù)采集頻率，也即定位時(shí)間間隔為1秒。

在這些原始數(shù)據(jù)的基礎(chǔ)上，為了更好地實(shí)現(xiàn)用戶模式的個(gè)性化預(yù)測(cè)，本文根據(jù)用戶行為模式分類重新構(gòu)建了新的數(shù)據(jù)集，用于對(duì)預(yù)測(cè)方法進(jìn)行驗(yàn)證。

3.2? ?評(píng)價(jià)標(biāo)準(zhǔn)

本文選取的評(píng)價(jià)指標(biāo)有以下三種，這些客觀的統(tǒng)計(jì)學(xué)評(píng)價(jià)指標(biāo)能夠較為準(zhǔn)確地評(píng)價(jià)本文實(shí)驗(yàn)的結(jié)果。

如表2所示，就速度平穩(wěn)模式而言，LSTM模型的預(yù)測(cè)MAPE誤差指標(biāo)更小，表明其預(yù)測(cè)更為精確，但是其每次的迭代時(shí)間較長(zhǎng)。雖然ELM模型的預(yù)測(cè)誤差MAPE較LSTM稍大，但仍在較好的可接受范圍內(nèi)，因此對(duì)于速度平穩(wěn)模式，我們最終確定選用ELM模型。

就速度勻變模式而言，ELM模型無論是在MAPE誤差還是在用時(shí)方面都較LSTM模型更優(yōu)，因此在該種模式下，我們選用ELM模型。

就速度變模式而言，雖然LSTM模型每迭代一次的時(shí)間較長(zhǎng)，但是其MAPE誤差指標(biāo)較ELM模型顯著更小，表明其預(yù)測(cè)值顯著更優(yōu)。因此在該種模式下，我們擬采用LSTM模型來做預(yù)測(cè)。

3.4.6? ?實(shí)驗(yàn)方案六

為了將本文研究模型與百度地圖預(yù)測(cè)模型進(jìn)行對(duì)比，我們隨機(jī)選取了五位行人，記錄他們?cè)谛谐痰闹虚g一半處時(shí)，百度地圖提供的道路剩余時(shí)間和本文模型預(yù)測(cè)的道路剩余時(shí)間;同時(shí)用秒表記錄下了他們實(shí)際行走后半程的用時(shí)。由于五位行人在行程中的行為模式不固定，因此作出的時(shí)間預(yù)測(cè)并不十分穩(wěn)定;此外，百度地圖的預(yù)測(cè)時(shí)間精度只能精確到分鐘，而本文研究?jī)?nèi)容所提供的時(shí)間預(yù)測(cè)能夠精確到秒，這可能也是本文的預(yù)測(cè)結(jié)果更加精確的原因之一。具體的統(tǒng)計(jì)和對(duì)比結(jié)果如表3所示。

由表3可以看出，本文提出的基于邊緣計(jì)算的道路行程時(shí)間預(yù)測(cè)方法與百度地圖內(nèi)嵌的導(dǎo)航時(shí)間預(yù)測(cè)相比，本文提出的預(yù)測(cè)模型在實(shí)際行人道路行程中預(yù)測(cè)誤差更小，證明了該方法的可行性和準(zhǔn)確性。

針對(duì)邊緣端APP的測(cè)試，首先對(duì)參數(shù)進(jìn)行設(shè)置，然后對(duì)原始GPS軌跡數(shù)據(jù)進(jìn)行處理，按照前文所述三種用戶行為模式類別分別構(gòu)建數(shù)據(jù)集，處理結(jié)果保存在對(duì)應(yīng)路徑下的文件內(nèi)。之后針對(duì)不同行為模式在云端對(duì)模型進(jìn)行訓(xùn)練，將選出的最優(yōu)模型利用tensorflow lite等工具轉(zhuǎn)換格式并裝載到邊緣端APP。

完成云端的數(shù)據(jù)和模型處理后，針對(duì)邊緣端Android APP進(jìn)行測(cè)試，初始定位在東北大學(xué)渾南校區(qū)五舍，如圖14（a）所示;之后可以鍵盤輸入出發(fā)地點(diǎn)和目的地，也可在界面上觸屏點(diǎn)擊，如圖14（b）所示;系統(tǒng)以紅色標(biāo)注提示目的地所在位置，如圖14（c）所示;路徑生成并顯示在APP上，然后界面下方會(huì)顯示當(dāng)前路程剩余距離、當(dāng)前路程剩余時(shí)間、當(dāng)前速度和下一階段預(yù)測(cè)速度，如圖14（d）所示。

5? ?結(jié)論（Conclusion）

為了解決目前百度地圖的道路行程時(shí)間預(yù)測(cè)無法很好地針對(duì)步行用戶個(gè)性化的速度模式進(jìn)行預(yù)測(cè)的問題，本文提出了一種基于邊緣計(jì)算的道路行程時(shí)間預(yù)測(cè)的框架，旨在根據(jù)用戶前一階段的速度值序列來預(yù)測(cè)該用戶在下一階段的速度，從而實(shí)現(xiàn)對(duì)于不同用戶的個(gè)性化預(yù)測(cè)。

在云端處理方面，明確了研究思路之后，本文首先對(duì)用戶的行為模式基于速度變化特征分成了三類，分別是：速度平穩(wěn)模式、速度勻變模式和速度突變模式;之后通過對(duì)GPS軌跡數(shù)據(jù)進(jìn)行預(yù)處理，就每一類行為模式構(gòu)建了對(duì)應(yīng)的數(shù)據(jù)集。在具體的模型方面，本文對(duì)每一類數(shù)據(jù)集分別應(yīng)用了ELM模型和LSTM模型，通過對(duì)模型的預(yù)測(cè)表現(xiàn)進(jìn)行對(duì)比確定了最優(yōu)模型及其參數(shù)選擇。之后通過隨機(jī)選取的行人數(shù)據(jù)，將本文研究所提供的時(shí)間預(yù)測(cè)和百度地圖所提供的時(shí)間預(yù)測(cè)進(jìn)行對(duì)比，驗(yàn)證了本文研究?jī)?nèi)容的可行性和準(zhǔn)確性。

在邊緣端部分，本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)Android APP，在將云端預(yù)訓(xùn)練好的模型裝載到APP中之后，系統(tǒng)會(huì)在判別用戶行為模式之后調(diào)用對(duì)應(yīng)的模型對(duì)用戶速度進(jìn)行預(yù)測(cè)。

此外，本文就用戶行為模式的判別和系統(tǒng)冷啟動(dòng)處理等關(guān)鍵問題做了闡述，并給出了可行的解決方案。

參考文獻(xiàn)（References）

[1] Shi W， Fellow， IEEE， et al. Edge Computing： Vision and Challenges[J]. IEEE Internet of Things Journal， 2016， 3（5）： 637-646.

[2] 施巍松，孫輝，曹杰，等.邊緣計(jì)算：萬物互聯(lián)時(shí)代新型計(jì)算模型[J].計(jì)算機(jī)研究與發(fā)展，2017，54（05）：907-924.

[3] 李子姝，謝人超，孫禮，等.移動(dòng)邊緣計(jì)算綜述[J].電信科學(xué)，2018，34（01）：87-101.

[4] 施巍松，張星洲，王一帆，等.邊緣計(jì)算：現(xiàn)狀與展望[J].計(jì)算機(jī)研究與發(fā)展，2019，56（01）：69-89.

[5] Yi S， Hao Z， Qin Z ， et al. Fog computing： Platform and applications[C]. 2015 Third IEEE Workshop on Hot Topics in Web Systems and Technologies， 2015： 73-78.

[6] Ha K， Chen Z， Hu W， et al. Towards wearable cognitive assistance[C]. Proceedings of the 12th annual international conference on Mobile systems， applications， and services， 2014： 68-81.

[7] Chun B G， Ihm S， Maniatis P， et al. Clonecloud：elastic execution between mobile device and cloud[C]. Proceedings of the sixth conference on Computer systems， 2011： 301-314.