李松江，周 舟，李巖芳，王艷春，宋小龍，王 鵬

(長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，吉林 長(zhǎng)春 130022)

0 引 言

當(dāng)前，對(duì)于高速公路惡意逃費(fèi)問(wèn)題，研究學(xué)者都有著不同深入的研究。薛[1]將數(shù)據(jù)挖掘技術(shù)引入收費(fèi)稽查中并建立系統(tǒng)模型；趙等[2]采用聚類(lèi)分析、判別分析和邏輯回歸分析融合的方法；吳等[3]利用數(shù)據(jù)挖掘k-means技術(shù)研究高速公路的逃費(fèi)問(wèn)題。

高速公路收費(fèi)數(shù)據(jù)量大且復(fù)雜度高，收費(fèi)管理方式缺乏完善[4]，傳統(tǒng)的算法難以處理。對(duì)于高速公路逃費(fèi)的預(yù)測(cè)問(wèn)題，在結(jié)合高速公路的收費(fèi)數(shù)據(jù)特征下，本文提出一種基于改進(jìn)的遺傳算法和優(yōu)化的神經(jīng)網(wǎng)絡(luò)的IGA-IBP算法模型，首先選取6個(gè)黃金分割變異算子，迭代出適應(yīng)度函數(shù)的最優(yōu)解，得到最優(yōu)初始權(quán)重值；然后分步動(dòng)態(tài)調(diào)整神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)率，考慮隱含層和輸出層學(xué)習(xí)率時(shí)加入上一次學(xué)習(xí)率的變化影響，這使得模型可以加快收斂速度和減小誤差，對(duì)高速公路收費(fèi)數(shù)據(jù)，利用ReliefF算法[5]提取出車(chē)輛逃費(fèi)行為的主要特征作為該算法的輸入，建立神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)車(chē)輛逃費(fèi)預(yù)測(cè)。

1 IGA-IBP神經(jīng)網(wǎng)絡(luò)模型

遺傳算法通過(guò)模擬自然進(jìn)化過(guò)程的生存方式，是一種隨機(jī)性的全局優(yōu)化算法[6]，經(jīng)過(guò)選擇、交叉和變異后可以得到最優(yōu)解。經(jīng)典的遺傳算法容易陷入“早熟”[7]，不能及時(shí)跟蹤網(wǎng)絡(luò)的反饋信息，搜索速度慢，處理高速逃費(fèi)預(yù)測(cè)這種非線性問(wèn)題穩(wěn)定性較差。傳統(tǒng)的BP算法滿足不了高速公路收費(fèi)數(shù)據(jù)的復(fù)雜性，全局搜索能力差，輸入層、隱含層和輸出層在權(quán)值和閾值修正過(guò)程中學(xué)習(xí)率β總是一成不變。當(dāng)β過(guò)小時(shí)，模型調(diào)整較小，逃費(fèi)預(yù)測(cè)速度過(guò)慢；當(dāng)β過(guò)大時(shí)，預(yù)測(cè)誤差函數(shù)值較高，容易在最優(yōu)解處發(fā)生振蕩，導(dǎo)致出現(xiàn)局部最優(yōu)解以致模型難以收斂[8]。針對(duì)此問(wèn)題，本文提出IGA-IBP算法，通過(guò)改進(jìn)遺傳算法的變異算子、分步調(diào)整BP神經(jīng)網(wǎng)絡(luò)各層間的學(xué)習(xí)率并考慮前一次學(xué)習(xí)率影響因子，以及動(dòng)態(tài)調(diào)整車(chē)輛行駛時(shí)間來(lái)提高算法對(duì)高速公路逃費(fèi)的預(yù)測(cè)準(zhǔn)確率和穩(wěn)定性。

1.1 算法設(shè)計(jì)

遺傳算法中的變異算子對(duì)種群優(yōu)化起重要作用，種群如果失去多樣性，則過(guò)早收斂[9]，優(yōu)化質(zhì)量低。因此遺傳算法優(yōu)化時(shí)，如何維持種群的多樣性是關(guān)鍵問(wèn)題。本文為了保持種群多樣性，在基本的兩個(gè)黃金分割點(diǎn)基礎(chǔ)上提出多個(gè)黃金分割變異算子優(yōu)化傳統(tǒng)遺傳算法，可以獲得進(jìn)化中的優(yōu)良新個(gè)體，保持群體多樣性。對(duì)于多元優(yōu)化自變向量分量xk,k=1,2,…,n，這2n-1條邊界按照式(1)的黃金分割法的思路尋求新的迭代空間會(huì)大大縮小計(jì)算量，考慮到種群的迭代過(guò)程變化趨勢(shì)，本文選取6個(gè)黃金分割變異算子，種群中的個(gè)體迭代可以如下表示

(1)

遺傳算法進(jìn)化過(guò)程中群體向著更優(yōu)的目標(biāo)函數(shù)進(jìn)化，第m代個(gè)體進(jìn)化可以按照以上6種原則進(jìn)化。對(duì)種群個(gè)體進(jìn)行迭代，將待求解的目標(biāo)函數(shù)轉(zhuǎn)化為適應(yīng)度函數(shù)，適應(yīng)度函數(shù)根據(jù)平均值和方差比構(gòu)建，適應(yīng)度函數(shù)越大個(gè)體越好，適應(yīng)度函數(shù)越小個(gè)體越差，選擇出6個(gè)黃金分割點(diǎn)的適應(yīng)度函數(shù)的最大值，即

(2)

依次迭代個(gè)體的適應(yīng)度函數(shù)與上一代的最優(yōu)解比較，若當(dāng)前解優(yōu)于上一代最優(yōu)解則替換原來(lái)的最優(yōu)解，否則繼續(xù)迭代個(gè)體并判斷找出最優(yōu)解。替換原來(lái)最優(yōu)解后，繼續(xù)迭代多次比較，最終找出目標(biāo)最優(yōu)解。

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率與誤差函數(shù)關(guān)系較大[10]，其學(xué)習(xí)率在運(yùn)算過(guò)程中不變會(huì)影響模型的性能。針對(duì)這種現(xiàn)象，本文采用一種分步動(dòng)態(tài)調(diào)整不同層間學(xué)習(xí)率的方法，即分別對(duì)隱含層學(xué)習(xí)率β1和輸出層學(xué)習(xí)率β2調(diào)整，并考慮前一次學(xué)習(xí)率的變化影響。在此方法中，隱含層學(xué)習(xí)率β1(m)和輸出層學(xué)習(xí)率β2(m)修改公式如下

(3)

(4)

式中：β1(m+1)表示在第m+1次迭代時(shí)訓(xùn)練樣本的隱含層學(xué)習(xí)率，β2(m+1)表示在第m+1次迭代訓(xùn)練時(shí)訓(xùn)練樣本的輸出層學(xué)習(xí)率，ΔE(m)/E(m)表示訓(xùn)練樣本在第m次迭代訓(xùn)練時(shí)的均方誤差變化率，μ是常數(shù)，取值范圍為[0,1]，本文實(shí)驗(yàn)調(diào)優(yōu)后取值為0.6，Δβ1(m-1)表示m前一次的隱含層學(xué)習(xí)率，Δβ2(m-1)表示m前一次輸出層的學(xué)習(xí)率。

當(dāng)ΔE(m)>0時(shí)，表明誤差函數(shù)增大，輸出預(yù)測(cè)值與期望值相差過(guò)大，權(quán)值調(diào)整偏大，需要減小輸入層到隱含層的權(quán)重以及隱含層到輸出層的權(quán)重。同時(shí)可以看出，β1(m+1)<β1(m),β2(m+1)<β2(m),β1(m)和β2(m)減小，可以加快收斂速度；當(dāng)ΔE(m)<0時(shí)，表明學(xué)習(xí)誤差減小，輸出預(yù)測(cè)值與期望值相差不大。因此可以適當(dāng)提高輸入層到隱含層和隱含層到輸出層的權(quán)重。由于此時(shí)誤差很小，ΔE/E比ΔE要大很多，因此當(dāng)β1(m+1)>β1(m),β2(m+1)>β2(m),β1(m)和β2(m)增大，收斂速度同樣也加快。在學(xué)習(xí)率變化的同時(shí)考慮前一次學(xué)習(xí)率的影響，使得學(xué)習(xí)率連續(xù)變化，增強(qiáng)算法的可靠性。

1.2 IGA-IBP算法操作過(guò)程

通過(guò)1.1節(jié)分析，IGA-IBP算法如下，其具體實(shí)現(xiàn)步驟如下：

(1)編碼方式和種群初始化

考慮權(quán)重值的精度要求高，因此采用浮點(diǎn)數(shù)編碼方式。隨機(jī)產(chǎn)生一組具有N個(gè)個(gè)體的種群M=(M1,M2,…,Mn)T，種群中每個(gè)個(gè)體代表一個(gè)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值分布，個(gè)體的長(zhǎng)度為神經(jīng)網(wǎng)絡(luò)權(quán)值的個(gè)數(shù)，即

L=m×n+n×h+n+h

(5)

其中，m表示輸入層隱含層神經(jīng)元個(gè)數(shù)，n表示隱含層神經(jīng)元個(gè)數(shù)，h表示輸出層神經(jīng)元個(gè)數(shù)。

(2)確定適應(yīng)度函數(shù)

計(jì)算初始種群中每個(gè)染色體的適應(yīng)度值，并定義適應(yīng)度函數(shù)fit(x)。待求解的目標(biāo)函數(shù)f(x)轉(zhuǎn)化為適應(yīng)度函數(shù)fit(x)，目標(biāo)函數(shù)求最大化問(wèn)題時(shí)，fit(x)=f(x)，解最小化問(wèn)題時(shí)，fit(x)=-f(x)。

(3)個(gè)體選擇

個(gè)體的選擇即是個(gè)體的概率值計(jì)算，采用輪盤(pán)賭選擇，每次為新種群挑選出新的個(gè)體，公式如下

(6)

其中，k為種群個(gè)體數(shù)目。

(4)交叉操作

使用交叉概率pc對(duì)兩個(gè)個(gè)體進(jìn)行交叉操作，產(chǎn)生兩個(gè)新的個(gè)體。交叉概率計(jì)算公式如下

(7)

式中：f表示個(gè)體的適應(yīng)度，favg表示種群中所有個(gè)體的平均適應(yīng)度，fmax表示種群中個(gè)體適應(yīng)度的最大值。通常pc1取0.8，pc2取0.6。

(5)變異操作

分別計(jì)算式(2)變異點(diǎn)的適應(yīng)度值，找出最大點(diǎn)。用變異概率pm計(jì)算式(1)優(yōu)化產(chǎn)生新的個(gè)體。根據(jù)經(jīng)驗(yàn)本文初始化變異概率pm=0.08。

(6)循環(huán)終止操作

在遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值中，達(dá)到最小目標(biāo)函數(shù)或者完成迭代次數(shù)后訓(xùn)練停止，否則重復(fù)步驟(2)～步驟(5)。

(7)將改進(jìn)后的遺傳算法操作完成后得到的最優(yōu)個(gè)體作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)重值，然后按1.1節(jié)中的改進(jìn)的BP算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到預(yù)測(cè)結(jié)果。

算法流程如圖1所示。

圖1 算法模型流程

2 IGA-IBP逃費(fèi)預(yù)測(cè)模型數(shù)據(jù)分析

2.1 特征選取

高速公路收費(fèi)數(shù)據(jù)包含許多特征屬性，見(jiàn)表1，算法輸入相關(guān)性不大的特征會(huì)降低模型的準(zhǔn)確率，因此需清洗臟數(shù)據(jù)，選出合理的特征屬性[11]。

表1 特征屬性標(biāo)號(hào)及對(duì)應(yīng)的名稱(chēng)

本文采用ReliefF算法處理逃費(fèi)問(wèn)題的IGA-IBP算法的特征選擇問(wèn)題，得到的32個(gè)屬性特征權(quán)重值如圖2所示。

圖2 不同特征屬性權(quán)重值

由圖2可以看出，收費(fèi)數(shù)據(jù)特征屬性值的權(quán)重不同，標(biāo)號(hào)3,4,7,9,10,12,13,14,18,23,24,30的權(quán)重值比較高，均在0.08以上，這些特征屬性對(duì)于逃費(fèi)預(yù)測(cè)判斷至關(guān)重要。而其它特征屬性的權(quán)重值較小，屬于臟數(shù)據(jù)，可以刪除。因此，本文選擇車(chē)輛入口牌照號(hào)、車(chē)輛出口牌照號(hào)、出站車(chē)型、出口日期、出口時(shí)間、入口日期、入口時(shí)間、IC卡編號(hào)、入口車(chē)型、軸數(shù)、軸總重、收費(fèi)額作為IGA-IBP模型的特征向量。

2.2 車(chē)輛動(dòng)態(tài)行駛時(shí)間計(jì)算

司機(jī)在高速公路上駕駛速度不一，因此車(chē)輛到達(dá)收費(fèi)站的時(shí)間不同。有司機(jī)因?yàn)椤芭荛L(zhǎng)買(mǎi)短”出現(xiàn)超時(shí)情況，但是實(shí)際中一些超時(shí)的異常情況跟逃費(fèi)行為無(wú)關(guān)，例如在服務(wù)區(qū)停留休息、道路發(fā)生車(chē)禍和天氣原因等。因此選定一個(gè)合適的時(shí)間閾值對(duì)于模型的預(yù)測(cè)準(zhǔn)確率有很大影響。高速公路的行駛時(shí)間主要由兩方面決定：在非擁擠道路上的行駛時(shí)間和堵車(chē)排隊(duì)等候時(shí)間。將路段S分成AB和BC兩段，AB為非擁擠路段長(zhǎng)度，BC為擁擠排隊(duì)路段長(zhǎng)度，若無(wú)擁擠現(xiàn)象，則S=AB；若發(fā)生擁堵情況，則BC=S-AB，其具體表達(dá)式如下

(8)

其中，mi表示排隊(duì)的第i種車(chē)的數(shù)目，di表示第i種車(chē)所占的空間長(zhǎng)度，n表示排隊(duì)的車(chē)的類(lèi)型數(shù)。非擁擠道路中，假設(shè)第i種類(lèi)型的車(chē)輛行駛速度為vi，則車(chē)輛在路段AB上的行駛時(shí)間為

(9)

車(chē)輛在堵車(chē)排隊(duì)向前移動(dòng)直到排隊(duì)結(jié)束的時(shí)間是動(dòng)態(tài)變化的，排隊(duì)時(shí)間可以認(rèn)為車(chē)輛C前面排隊(duì)的每輛車(chē)與其相鄰的前一車(chē)向前移動(dòng)的時(shí)間間隔λi之和，可以表達(dá)為

(10)

式中:L代表車(chē)輛C到達(dá)排隊(duì)隊(duì)尾時(shí)車(chē)輛的排隊(duì)隊(duì)長(zhǎng)。因此，路段S的行駛時(shí)間為

(11)

2.3 數(shù)據(jù)歸一化處理

從原始高速公路數(shù)據(jù)庫(kù)中通過(guò)結(jié)構(gòu)化查詢語(yǔ)句獲取的數(shù)據(jù)，具有不同的量綱和量綱單位，這往往會(huì)影響數(shù)據(jù)分析的結(jié)果，因此需要對(duì)數(shù)據(jù)預(yù)處理。本文只需對(duì)軸總重?cái)?shù)據(jù)歸一化，采用min-max標(biāo)準(zhǔn)化，對(duì)原始數(shù)據(jù)線性變換，使結(jié)果值映射到(0,1)之間。其公式如下

(12)

其中，X′為數(shù)據(jù)歸一化結(jié)果，X為原始數(shù)據(jù)樣本，Xmax為樣本數(shù)據(jù)中的最大值，Xmin為樣本數(shù)據(jù)中的最小值。根據(jù)式(12)計(jì)算得出軸總重的歸一化數(shù)據(jù)，見(jiàn)表2。

2.4 模型參數(shù)選擇

根據(jù)高速公路收費(fèi)數(shù)據(jù)中已有的車(chē)輛通行時(shí)間，通過(guò)式(11)得出動(dòng)態(tài)車(chē)輛行駛時(shí)間，并與車(chē)輛在兩站之間行駛的平均時(shí)間比較，如果未超時(shí)用0表示，否則用1表示；進(jìn)站車(chē)牌和出站車(chē)牌相同用0表示，否則用1表示；進(jìn)站車(chē)型和出站車(chē)型相同用0表示，否則用1表示；車(chē)輛根據(jù)軸數(shù)和載重量判斷是否超重，如果未超重用0表示，否則用1表示；車(chē)輛進(jìn)站和出站的通行卡相同用0表示，否則用1表示；收費(fèi)額比正常通行費(fèi)低用1表示，正常用0表示。高速公路收費(fèi)數(shù)據(jù)處理后的神經(jīng)網(wǎng)絡(luò)模型所需特征向量見(jiàn)表3。

表2 軸總重歸一化前后數(shù)據(jù)

表3 神經(jīng)網(wǎng)絡(luò)特征向量

依據(jù)上述描述，輸入層特征個(gè)數(shù)為7個(gè)，輸出層特征個(gè)數(shù)為1個(gè)。根據(jù)多次調(diào)試后，三層結(jié)構(gòu)對(duì)于兩層結(jié)構(gòu)預(yù)測(cè)結(jié)果相差不明顯，但是訓(xùn)練時(shí)間和復(fù)雜度明顯提升。因此，隱層最終選擇兩層。隱藏層神經(jīng)元個(gè)數(shù)參考式(13)，利用試湊法最終確定第一層神經(jīng)元個(gè)數(shù)為26，第二層神經(jīng)元個(gè)數(shù)為14

(13)

式中：n為隱層神經(jīng)元個(gè)數(shù)，m為輸入層神經(jīng)元個(gè)數(shù)，s為輸出層神經(jīng)元個(gè)數(shù)，a為一個(gè)0～10之間的常數(shù)。本文經(jīng)過(guò)多次調(diào)優(yōu)后，n確定為11。學(xué)習(xí)率大小調(diào)整依據(jù)1.1節(jié)方法調(diào)節(jié)輸入層到隱含層和隱含層到輸出層的學(xué)習(xí)率。對(duì)于二分類(lèi)預(yù)測(cè)和輸出在[0,1]的特點(diǎn)，激活函數(shù)選擇非線性函數(shù)sigmoid，損失函數(shù)使用交叉熵函數(shù)。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)采用吉林省2014年的數(shù)據(jù)，根據(jù)“留出法”和實(shí)例完整度將總共篩選出的846 533條數(shù)據(jù)劃分成兩部分，80%作為訓(xùn)練集，20%作為測(cè)試集。

3.2 評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)通過(guò)算法模型的準(zhǔn)確率這個(gè)量化的指標(biāo)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評(píng)價(jià)，計(jì)算公式如式(14)所示，對(duì)于分類(lèi)問(wèn)題，召回率也是重要的評(píng)價(jià)指標(biāo)，即所找出的逃費(fèi)數(shù)量占樣本總數(shù)的比例，對(duì)于召回率其計(jì)算公式如式(15)所示

(14)

(15)

其中，TP(true positive)表示將正類(lèi)預(yù)測(cè)為正類(lèi)數(shù)，F(xiàn)N(false negative)表示正類(lèi)預(yù)測(cè)為負(fù)類(lèi)數(shù)，F(xiàn)P(false positive)表示負(fù)類(lèi)預(yù)測(cè)為正類(lèi)數(shù)。

綜合考慮準(zhǔn)確率和召回率，計(jì)算公式如下

(16)

在不同問(wèn)題中的準(zhǔn)確率和召回率重視程度不同，本文希望盡可能的少遺漏逃費(fèi)車(chē)輛，召回率更重要，因此確定β>1。對(duì)于模型的運(yùn)行速度，可以通過(guò)平均檢測(cè)時(shí)間(MTTD)指標(biāo)，MTTD值越小，模型預(yù)測(cè)速度越快。

均方根誤差(RMSE)、平均絕對(duì)誤差百分比(MAPE)和相關(guān)系數(shù)R2可以用來(lái)進(jìn)一步驗(yàn)證模型的性能。其公式如下

(17)

(18)

(19)

其中，n表示數(shù)據(jù)集，xm表示測(cè)得的數(shù)據(jù)值，xp表示預(yù)測(cè)值，xmean表示均值。

3.3 實(shí)驗(yàn)結(jié)果與算法對(duì)比

根據(jù)IGA-IBP算法結(jié)合TensorFlow1.0框架對(duì) 2014年的高速公路收費(fèi)數(shù)據(jù)進(jìn)行訓(xùn)練。數(shù)據(jù)分類(lèi)預(yù)測(cè)模型算法較多，為了驗(yàn)證IGA-IBP算法預(yù)測(cè)結(jié)果的性能，本文選取了決策樹(shù)(decision tree，DT)、K最近鄰(K-nearest neighbor，KNN)、IGA-BP和GA-IBP算法的預(yù)測(cè)模型與提出的IGA-IBP模型對(duì)此。

不同算法模型在高速公路逃費(fèi)預(yù)測(cè)方面的準(zhǔn)確率如圖3所示。從圖中可以看出，5種算法模型均有較高的準(zhǔn)確率，但算法中的IGA-IBP算法準(zhǔn)確率最高，到達(dá)95.1%。因?yàn)樵撍惴▌?dòng)態(tài)調(diào)整學(xué)習(xí)率使得損失函數(shù)最優(yōu)，改進(jìn)的遺傳算法加快網(wǎng)絡(luò)結(jié)構(gòu)收斂速度，同時(shí)也優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的初始值。

圖3 不同算法模型準(zhǔn)確率對(duì)比

不同的需求需要采取不同的方法，本文根據(jù)實(shí)際情況以及3.2節(jié)的描述，在β的取值范圍中，令β=2，根據(jù)式(16)計(jì)算各模型的Fβ值。表4是各模型在訓(xùn)練集上Fβ和MTTD參數(shù)對(duì)比。對(duì)于IGA-BP算法、GA-IBP算法和IGA-IBP算法中的GA存在隨機(jī)操作，每次操作得到的數(shù)據(jù)不同，例如運(yùn)行時(shí)間等，因此，本文實(shí)驗(yàn)室結(jié)果為多次實(shí)驗(yàn)后的平均值。

表4 算法模型參數(shù)對(duì)比

從表4可見(jiàn)，各組中IGA-IBP算法的Fβ值是最大的，表明IGA-IBP模型在準(zhǔn)確率和召回率兩方面是最平衡的，預(yù)測(cè)時(shí)間MTTD為215 s，預(yù)測(cè)耗時(shí)小，模型運(yùn)行速度快。KNN模型的Fβ值相比其它模型最低，運(yùn)行速度最慢，可見(jiàn)，針對(duì)本文數(shù)據(jù)預(yù)測(cè)，KNN模型性能最差。IGA-BP和DT模型Fβ值和運(yùn)行速度比較接近，兩者表現(xiàn)整體在訓(xùn)練集上不相上下，GA-IBP模型雖然Fβ值較高，但是運(yùn)行時(shí)間過(guò)長(zhǎng)，原因是GA-IBP模型全局搜索能力較弱。

對(duì)于各個(gè)算法模型的在訓(xùn)練集和測(cè)試集上的參數(shù)性能對(duì)比，見(jiàn)表5。

從表5可以看出，考慮預(yù)測(cè)模型的RMSE值時(shí)，DT、KNN、IGA-BP、GA-IBP和IGA-IBP測(cè)得的值分別為0.47、0.48、0.36、0.22、0.20，IGA-IBP均方根誤差最小，對(duì)于MAPE，IGA-IBP的Test值為4.14也是最小的，這些值說(shuō)明了IGA-IBP偏差程度很小，收斂速度快，具有很高的一致性。另一方面，預(yù)測(cè)模型的相關(guān)系數(shù)R2,DT、KNN、IGA-BP、GA-IBP和IGA-IBP對(duì)應(yīng)的值分別為0.71、0.63、0.76、0.88、0.91，從此處指標(biāo)可以說(shuō)明IGA-IBP訓(xùn)練值和預(yù)測(cè)值有很高的相似度，預(yù)測(cè)逃費(fèi)的值與測(cè)量值更接近，得出的預(yù)測(cè)結(jié)果更準(zhǔn)確。

表5 不同算法模型的評(píng)價(jià)比較值

通過(guò)以上分析，IGA-IBP比其它算法模型在綜合評(píng)價(jià)指標(biāo)Fβ方面更優(yōu)，在高速公路逃費(fèi)數(shù)據(jù)的訓(xùn)練集和測(cè)試集方面兩者誤差比很小，而精確度高，IGA-IBP神經(jīng)網(wǎng)絡(luò)加快了收斂速度，較高的相關(guān)系數(shù)對(duì)于IGA-IBP則表現(xiàn)出模型具有很好的泛化能力。因此將IGA-IBP模型運(yùn)用在高速公路逃費(fèi)實(shí)際預(yù)測(cè)上是可行的。

4 結(jié)束語(yǔ)

本文基于高速公路傳統(tǒng)逃費(fèi)預(yù)測(cè)方法準(zhǔn)確率和可靠性低下，人工稽查效率低下、漏查等問(wèn)題提出了IGA-IBP算法，首先優(yōu)化遺傳算法，提出6個(gè)黃金分割變異算子，找出最優(yōu)初始權(quán)值；其次，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法，分步動(dòng)態(tài)調(diào)整輸入層和隱含層之間的學(xué)習(xí)率，考慮上一次學(xué)習(xí)率的變化影響，而不同車(chē)輛到達(dá)收費(fèi)站的行程時(shí)間特征屬性不同，因此需動(dòng)態(tài)計(jì)算車(chē)輛行駛時(shí)間。實(shí)驗(yàn)結(jié)果表明，本文提出的IGA-IBP算法調(diào)高了學(xué)習(xí)速度和預(yù)測(cè)準(zhǔn)確率，在RMSE、MAPE和R2性能均優(yōu)于傳統(tǒng)的算法，對(duì)交通部門(mén)的決策有著重要的意義。