吳環(huán)宇 張逸博
摘 要:總結影響機場出租車司機選擇決策的影響的七大因素。采用了司陽[1]等基于計劃行為理論的思路,構建基于行為理論出發(fā)的評價模型。調查機場日均吞吐量以及機場周邊的出租車等待車輛數,天氣等環(huán)境因素,通過蒙特卡洛的思想生成輸入量、輸出量屬性的數據。利用評價模型參數,將部分數據作為訓練集,剩余數據作為測試集,訓練BP神經網絡和極限學習機神經網絡,使用極限學習機神經網絡算法構建模型,將評價在1.5分以上的出租車認為去“蓄車池”排隊,用數字1表示,將評價在1.5分以下的認為離開機場尋客。
關鍵詞:神經網絡;出租車;尋客評價系統
一、行為理論評價模型建立
考慮各種因素對于司機尋客的影響程度,構建行為理論評價模型。根據影響因數,從司陽[1]等對于司機尋客行為的研究,將文中的標準化路徑系數進行標準化,得到航班數量的評價因子為0.06,已有車輛數的評價因子為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,尋客時間長短為0.34。
在盡量維持輸入量量級相同基礎上構建基于行為理論的評價公式(1),同時,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)
通過數據的代入,得到相關的評價數據。
二、BP神經網絡算法求解
BP神經網絡學習算法作為目前應用最為廣泛的神經網絡算法,每次能根據訓練得到的結果與預想結果進行誤差分析,進而修改權值和閾值,一步一步得到能輸出和預想結果一致的模型。
將7個不同數據作為輸入量的特征值,將相關評價分數作為輸出量,選取總數據中部分數據作為訓練集,將剩余數據作為測試集來建立一個BP神經網絡評價體系。經過八輪反饋得出結果,評價分數的預測值與真實值較為接近,R2達到0.98846,說明訓練集以及測試機的安排較為合適,權重以及激活函數的選擇可以基本滿足對于評價分數的預測。因為傳統的BP神經網絡模型具有神經元較多,模擬時間較長,預測精度有限的缺點,考慮運用極限學習機神經網絡算法(ELM)。
三、改進模型介紹及求解
極限學習機(Extreme Learning Machine,ELM)是一種新型的快速學習算法。運用極限學習機算法對于篩選出的數據進行求解,計算后發(fā)現同預測結果對比,極限學習機的R2達到了0.992,高于由BP神經網絡計算得到的R2為0.98846,在后面的研究中主要使用極限學習機神經網絡。
將訓練好的神經網絡保存下來,作為行為理論評價模型來進行調用,同時,根據實際情況以及經驗判斷,將評價在1.5分以上的確定為出租車司機需要去“蓄車池”排隊,用數字1表示,將評價在1.5分以下的確定為需要離開機場進行尋客。
四、仿真與實踐
我們收集了成都市雙流機場近500輛出租車一天內不同時間的GPS定位數據,和近一年機場客運吞吐量,將代入神經網絡模型中。運用訓練好的神經網絡模型,得出司機的尋客選擇情況。通過求解單位時間效益來評價模型的準確度,同時根據神經網絡模型自身的特性來分析其優(yōu)缺點。
將具有7個屬性,共計160個輸入量代入訓練好的極限學習機神經網絡,得到相關的評價。評價分數的計算機預測值與真實值較為接近,R2達到0.98363,保持了極限學習機神經網絡的精度(下圖),最終部分的結果在下表中展示,同時評價與單位時間效益保持了高度的吻合,說明了模型的精度較高,極限學習機神經網絡因其自身特性,可以確保在進行出租車司機尋客選擇時保持較高的精度。
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點至上午11點,正午12點至下午7點,傍晚7點至次日凌晨3點。天氣的1,2,3,4,5代表優(yōu),良,中,差,極差。
參考文獻:
[1]司楊,關宏志.計劃行為理論下出租車駕駛員尋客行為研究[J].交通運輸系統工程與信息,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據的高效益尋客策略研究[J].浙江大學學報(理學版),2018,45(01):82-91.
作者簡介:吳環(huán)宇,大連理工大學過程控制專業(yè)學習;張逸博,大連理工大學過程控制專業(yè)學習。