基于极限学习机神经网络的机场出租车寻客评价系统

来源:用户上传      作者:

　　摘 要：总结影响机场出租车司机选择决策的影响的七大因素。采用了司阳[1]等基于计划行为理论的思路，构建基于行为理论出发的评价模型。调查机场日均吞吐量以及机场周边的出租车等待车辆数，天气等环境因素，通过蒙特卡洛的思想生成输入量、输出量属性的数据。利用评价模型参数，将部分数据作为训练集，剩余数据作为测试集，训练BP神经网络和极限学习机神经网络，使用极限学习机神经网络算法构建模型，将评价在1.5分以上的出租车认为去“蓄车池”排队，用数字1表示，将评价在1.5分以下的认为离开机场寻客。
　　关键词：神经网络;出租车;寻客评价系统
　　
　　一、行为理论评价模型建立
　　考虑各种因素对于司机寻客的影响程度，构建行为理论评价模型。根据影响因数，从司阳[1]等对于司机寻客行为的研究，将文中的标准化路径系数进行标准化，得到航班数量的评价因子为0.06，已有车辆数的评价因子为0.25，季节，天气，早晚均隶属于道路通畅环节，故而我们均将其因子分别定位0073，0073，0.074，载客收入高低为0.13，寻客时间长短为0.34。
　　在尽量维持输入量量级相同基础上构建基于行为理论的评价公式（1），同时，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）
　　通过数据的代入，得到相关的评价数据。
　　二、BP神经网络算法求解
　　BP神经网络学习算法作为目前应用最为广泛的神经网络算法，每次能根据训练得到的结果与预想结果进行误差分析，进而修改权值和阈值，一步一步得到能输出和预想结果一致的模型。
　　将7个不同数据作为输入量的特征值，将相关评价分数作为输出量，选取总数据中部分数据作为训练集，将剩余数据作为测试集来建立一个BP神经网络评价体系。经过八轮反馈得出结果，评价分数的预测值与真实值较为接近，R2达到0.98846，说明训练集以及测试机的安排较为合适，权重以及激活函数的选择可以基本满足对于评价分数的预测。因为传统的BP神经网络模型具有神经元较多，模拟时间较长，预测精度有限的缺点，考虑运用极限学习机神经网络算法（ELM）。
　　三、改进模型介绍及求解
　　极限学习机（Extreme Learning Machine，ELM）是一种新型的快速学习算法。运用极限学习机算法对于筛选出的数据进行求解，计算后发现同预测结果对比，极限学习机的R2达到了0.992，高于由BP神经网络计算得到的R2为0.98846，在后面的研究中主要使用极限学习机神经网络。
　　将训练好的神经网络保存下来，作为行为理论评价模型来进行调用，同时，根据实际情况以及经验判断，将评价在1.5分以上的确定为出租车司机需要去“蓄车池”排队，用数字1表示，将评价在1.5分以下的确定为需要离开机场进行寻客。
　　四、仿真与实践
　　我们收集了成都市双流机场近500辆出租车一天内不同时间的GPS定位数据，和近一年机场客运吞吐量，将代入神经网络模型中。运用训练好的神经网络模型，得出司机的尋客选择情况。通过求解单位时间效益来评价模型的准确度，同时根据神经网络模型自身的特性来分析其优缺点。
　　将具有7个属性，共计160个输入量代入训练好的极限学习机神经网络，得到相关的评价。评价分数的计算机预测值与真实值较为接近，R2达到0.98363，保持了极限学习机神经网络的精度（下图），最终部分的结果在下表中展示，同时评价与单位时间效益保持了高度的吻合，说明了模型的精度较高，极限学习机神经网络因其自身特性，可以确保在进行出租车司机寻客选择时保持较高的精度。
　　
　　 其中，表中季节1，2，3，4代表春夏秋冬。早晚的1，2，3分别代表凌晨3点至上午11点，正午12点至下午7点，傍晚7点至次日凌晨3点。天气的1，2，3，4，5代表优，良，中，差，极差。
　　参考文献：
　　[1]司杨，关宏志.计划行为理论下出租车驾驶员寻客行为研究[J].交通运输系统工程与信息，2016，16（06）：147-152+175.
　　[2]刘丽，张丰，杜震洪，刘仁义，贾玉杰.基于深圳市出租车轨迹数据的高效益寻客策略研究[J].浙江大学学报（理学版），2018，45（01）：82-91.
　　作者简介：吴环宇，大连理工大学过程控制专业学习;张逸博，大连理工大学过程控制专业学习。
转载注明来源:https://www.xzbu.com/1/view-15105857.htm