●陽敏輝

一、數(shù)據(jù)集的選取

為了驗證算法的可行性和準確性，本文從Regiolab-delft 平臺上選取了A13 快速路上兩組數(shù)據(jù)集用來建模：一天的數(shù)據(jù)以及一個星期的數(shù)據(jù)（7 天數(shù)據(jù)為訓練集，另加1 天數(shù)據(jù)為測試集）。一天的數(shù)據(jù)為2017年7月1日0:00 至24:00 一共476 組行程時間數(shù)據(jù)，其中前408 組數(shù)據(jù)作為訓練集，后面68 組數(shù)據(jù)作為測試集；一個星期的數(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)作為訓練集，后面一天35 組數(shù)據(jù)作為測試集。數(shù)據(jù)集說明如表1。

表1 數(shù)據(jù)集說明

二、實驗及結(jié)果分析

（一）一天數(shù)據(jù)集實驗及結(jié)果分析

1.三種算法的參數(shù)設置。數(shù)據(jù)集中共有476 組數(shù)據(jù)，將前408組數(shù)據(jù)作為訓練集，后68 組數(shù)據(jù)作為測試集，三種算法參數(shù)設置如下：（1）OSELM-TTP：算法中要設置的參數(shù)為隱層神經(jīng)元個數(shù)和激勵函數(shù)，通過試湊法得到的隱層神經(jīng)元個數(shù)為8，學習函數(shù)設為sin。（2）OSVR：設置的核函數(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)來建立3 層的BPNN 預測算法，在參數(shù)設置時，將隱層神經(jīng)元個數(shù)設為3，學習函數(shù)為learngdm，輸入層、隱層和輸出層的激活函數(shù)分別為：tansig、logsig、tansig。訓練函數(shù)設置為traingd。

2. 實驗及結(jié)果分析。實驗得到的預測值與真實值對比如圖1、2、3。圖中，橫坐標表示預測行程時間值的總數(shù)，而縱坐標表示的是預測的行程時間，其單位為m。紅色曲線代表待機的經(jīng)過歸一化預處理之后的真實數(shù)據(jù)，而藍色曲線代表預測算法得到的行程時間預測值。從圖中可以看出，添加了實時序列機制、自適應丟棄機制和優(yōu)選激勵函數(shù)機制的OSELM-TTP 算法，其預測結(jié)果基本接近實際監(jiān)測數(shù)據(jù)。而基于OSVR 預測的數(shù)據(jù)浮動比較大，BPNN 預測曲線與真實數(shù)據(jù)之間的誤差較大。三種預測算法的評估指標對比如表2 所示。

表2 一天的數(shù)據(jù)集OSELM-TTP、OSVR、BPNN 評估指標對比

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 預測效果最好。（2）從MAE 和MRE 可以看出，OSELM-TTP 的值比BPNN 要小，兩者相差不大，而BPNN 的值比OSVR 要小，表明OSELM-TTP 預測效果最好。而由于OSVR 在預測時波動較大，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 得到的預測值和真實值的擬合效果最好，精確度比OSVR 和BPNN 的精確度要高。

（二）一周數(shù)據(jù)集實驗及結(jié)果分析

表3 一周的數(shù)據(jù)集OSELM-TTP、OSVR、BPNN 評估指標對比

圖1 一天的數(shù)據(jù)集中OSELM-TTP預測值與真實值對比圖

圖2 一天的數(shù)據(jù)集中OSVR算法預測值與真實值對比圖

圖3 一天的數(shù)據(jù)集中BPNN算法預測值與真實值對比

圖4 一周的數(shù)據(jù)集中OSELMTTP 算法預測值與真實值對比圖

圖5 一周的數(shù)據(jù)集中BPN N 算法預測值與真實值對比圖

圖6 一周的數(shù)據(jù)集中OSVR算法預測值與真實值對比圖

1. 三種算法的參數(shù)設置。數(shù)據(jù)集中共有280 組數(shù)據(jù)，將前245 組數(shù)據(jù)作為訓練集，后35 組數(shù)據(jù)作為測試集，三種算法參數(shù)設置如下：（1）OSELM-TTP：算法中要設置的參數(shù)為隱層神經(jīng)元個數(shù)和激活函數(shù)，通過試湊法得到的隱層神經(jīng)元個數(shù)為10，學習函數(shù)設為sin。（2）OSVR：設置的核函數(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)來建立3 層的BPNN 預測算法，在參數(shù)設置時，將隱層神經(jīng)元個數(shù)設為8，學習函數(shù)為learngdm，輸入層、隱層和輸出層的激活函數(shù)分別為：tansig、tansig、tansig。訓練函數(shù)設置為traingdm。

2.實驗及結(jié)果分析。實驗得到的預測值與真實值對比如圖4、圖5、圖6。橫坐標表示預測行程時間值的總數(shù)，而縱坐標表示的是預測的行程時間，其單位為m。從圖中可以看出，OSELM-TTP 的預測曲線與真實數(shù)據(jù)曲線的波動相似，而OSVR 算法在數(shù)據(jù)出現(xiàn)波動時，預測的曲線卻呈現(xiàn)出一個平滑的狀態(tài)，這說明算法時變性不強，而BPNN 預測的曲線波動較多，不能體現(xiàn)BPNN 預測的穩(wěn)定性，因此，綜合來看，OSELM-TTP 的預測結(jié)果更接近于真實結(jié)果，預測的精度最高。三種預測算法的評估指標對比如表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，預測精確度最好。(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 預測的效果最好。(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 得到的預測值和真實值的擬合效果最好，精確度比OSVR 和BPNN 的精確度要高。

綜合以上兩種數(shù)據(jù)集的實驗結(jié)果，可以表明OSELM-TTP 所得到的預測結(jié)果比OSVR 和BPNN 更接近于真實數(shù)據(jù)。因此OSELM-TTP 在行程時間預測具有實際應用價值，適用于行程時間預測。