李 浩,霍 雯,裴春營,袁瑤瑤,康 雁

(1.云南大學(xué) 軟件學(xué)院,昆明 650091; 2.云南省軟件工程重點(diǎn)實(shí)驗(yàn)室,昆明 650091;3.西安科技大學(xué) 測繪科學(xué)與技術(shù)學(xué)院,西安 710054)

0 概述

隨著共享經(jīng)濟(jì)和移動物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,出租車時(shí)空軌跡、人群流動行為等[1]新型城市軌跡數(shù)據(jù)應(yīng)運(yùn)而生,與傳統(tǒng)軌跡數(shù)據(jù)相比,新型軌跡數(shù)據(jù)的空間分布更廣、維數(shù)更高且數(shù)據(jù)量更大[2]。在當(dāng)前智能交通中,雖然眾多乘車APP在一定程度上緩解了外出乘車難的問題[3],但是出租車司機(jī)接客難、乘客在上下班高峰期乘車難的問題仍然存在。因此,如何從海量乘客出行軌跡數(shù)據(jù)中提取具有價(jià)值的數(shù)據(jù)解決上述問題,成為國內(nèi)外研究人員關(guān)注的熱點(diǎn)[4]。

目前全球定位系統(tǒng)(Global Positioning System,GPS)在交通出行中應(yīng)用較廣泛,該系統(tǒng)以一定的頻率向交通信息溝通平臺發(fā)送當(dāng)前車輛的經(jīng)度、緯度、時(shí)間、速度、方向以及載客狀態(tài)等軌跡數(shù)據(jù)[5],這些數(shù)據(jù)包含乘客的出行規(guī)律、興趣點(diǎn)分布等信息。利用GPS獲取的出租車軌跡數(shù)據(jù)可分析得到不同區(qū)域內(nèi)車輛載客量分布特征,并由此預(yù)測城市居民流動趨勢[6],這為交通路線優(yōu)化、出行路線個(gè)性化推薦、 路網(wǎng)預(yù)測以及城市規(guī)劃等提供了理想的解決方案。

本文基于出租車GPS獲取的海量出租車時(shí)空軌跡數(shù)據(jù),提出一種融合VGG網(wǎng)絡(luò)和全卷積網(wǎng)絡(luò)(Fully Convolutional Networks,FCN)的出租車訂單預(yù)測模型。將出租車軌跡數(shù)據(jù)通過計(jì)算轉(zhuǎn)換為訂單圖像,利用VGG網(wǎng)絡(luò)提取不同區(qū)域出租車客流分布特征,并采用FCN中反卷積層上采樣重構(gòu)訂單圖像,對不同區(qū)域與時(shí)間段的訂單進(jìn)行預(yù)測,最終得到訂單數(shù)據(jù)分布圖。

1 相關(guān)工作

近年來,為更好地解決出租車空載率高、出租車司機(jī)尋客難等問題,研究人員進(jìn)行了相關(guān)研究。文獻(xiàn)[7]利用出租車軌跡數(shù)據(jù)學(xué)習(xí)乘客上下車行為特點(diǎn),為出租車司機(jī)和乘客設(shè)計(jì)推薦系統(tǒng),建立利潤概率模型表示乘客位置與出租車到達(dá)時(shí)間,出租車司機(jī)根據(jù)該模型輸出結(jié)果選擇乘客與運(yùn)送路線。文獻(xiàn)[8]基于出租車GPS軌跡數(shù)據(jù),通過分析城市熱點(diǎn)區(qū)域和乘客出行規(guī)律創(chuàng)建Taxi-RS系統(tǒng)為出租車司機(jī)推薦尋客路線。文獻(xiàn)[9]對遺傳算法進(jìn)行改進(jìn),提出一種三階段方法解決出租車?？空具x址問題,利用地理信息系統(tǒng)平臺從出租車全球定位系統(tǒng)數(shù)據(jù)中收集出租車需求熱點(diǎn),從而確定出租車?？空咀罴褏^(qū)域,再根據(jù)出租車需求與出租車停靠站之間的空間互動關(guān)系得到需求分段,并沿道路兩側(cè)生成候選?？空?建立出租汽車站場選址模型,使乘客出行成本與出租汽車站建設(shè)成本最小。該方法可有效解決出租車?？坎缓侠韺?dǎo)致其利用率低的問題,也有利于城市交通規(guī)劃建設(shè)。文獻(xiàn)[10]利用GPS軌跡數(shù)據(jù)研究出租車載客信息并提出對出租車可能?？课恢眠M(jìn)行定位的探測算法,可有效幫助出租車調(diào)度系統(tǒng)更合理地為乘客安排距離最近的車輛。文獻(xiàn)[11]設(shè)置乘客出行頻率、出租車需求熱點(diǎn)以及出租車?yán)锍痰戎匾笜?biāo),通過對大量出租車歷史運(yùn)行軌跡的分析提出營運(yùn)策略,使出租車?yán)麧欁畲蠡?。文獻(xiàn)[12]通過分析大量出租車歷史運(yùn)行軌跡數(shù)據(jù),為出租車提供更好的客源尋找策略。

隨著智慧交通的不斷發(fā)展,研究人員提出更加精細(xì)化的聚類方法對城市熱點(diǎn)區(qū)域進(jìn)行劃分。文獻(xiàn)[13]利用長短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)對未來訂單的需求值與近時(shí)間點(diǎn)之間的相關(guān)性進(jìn)行時(shí)間建模,即使用局部卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)對局部空間之間的相關(guān)性建模,并對共享相似時(shí)間模式區(qū)域之間的相關(guān)性建模,最終提出基于深度多視角時(shí)空網(wǎng)絡(luò)(Deep Multi-View Spatial-Temporal Network,DMVST-Net)的時(shí)空關(guān)系模型,基于大量出租車實(shí)際需求數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,DMVST-Net模型在預(yù)測網(wǎng)約車的需求任務(wù)中優(yōu)于現(xiàn)有的其他方法。文獻(xiàn)[14]采用出租車歷s史運(yùn)行軌跡數(shù)據(jù)設(shè)計(jì)基于機(jī)器學(xué)習(xí)的智能出租車預(yù)測系統(tǒng),利用回聲狀態(tài)網(wǎng)絡(luò)算法預(yù)測出租車出行目的地并使用隨機(jī)森林算法預(yù)測抵達(dá)時(shí)間,從而更合理地調(diào)度出租車資源,有效減少資源浪費(fèi)。文獻(xiàn)[15]提出結(jié)合遺傳算法和短期交通預(yù)測策略的GACE方法,可有效預(yù)測美國加利福尼亞州高速公路的交通擁堵情況。為預(yù)測短期交通流量,文獻(xiàn)[16]提出集成粒子群算法與人工神經(jīng)網(wǎng)絡(luò)的創(chuàng)新算法,可及時(shí)提供交通流預(yù)測信息,減少交通擁堵并提高運(yùn)輸流動性。文獻(xiàn)[17]提出用于預(yù)測交通流狀況的算法,將貝葉斯組合模型與經(jīng)典單時(shí)間序列模型的短期交通預(yù)測性能進(jìn)行對比,線性回歸組合模型較貝葉斯組合模型預(yù)測結(jié)果更準(zhǔn)確。文獻(xiàn)[18]提出基于時(shí)空相關(guān)性的Conv-GRU方法,使用卷積-門控循環(huán)單元提取交通流量的空間和時(shí)間特征,利用雙向門控循環(huán)單元獲取交通流周期性特征,融合上述特征得到短時(shí)交通流量預(yù)測值[19]。文獻(xiàn)[20]提出一種序列學(xué)習(xí)模型,基于LSTM網(wǎng)絡(luò)由存儲于某區(qū)域的出租車歷史運(yùn)行信息預(yù)測該區(qū)域在未來某時(shí)間段的出租車需求量。

2 模型建立與分析

2.1 相關(guān)定義

定義1(區(qū)域) 區(qū)域是基于真實(shí)地圖劃分的柵格區(qū)域,通常根據(jù)經(jīng)度和緯度范圍將中心城區(qū)分為多個(gè)柵格。例如,將中國成都的城市區(qū)域分為24×24個(gè)柵格區(qū)域,每個(gè)柵格大小為1 km×1 km,如圖1所示;美國紐約的城市區(qū)域分為16×8個(gè)柵格區(qū)域,每個(gè)柵格大小為1 km×1 km。

圖1 柵格區(qū)域示例Fig.1 Example of grid area

定義2(起點(diǎn)和終點(diǎn)) 起點(diǎn)和終點(diǎn)(Origin and Destination,OD),用于描述城市交通中一定時(shí)間范圍內(nèi)所有出行起點(diǎn)和終點(diǎn)之間的出行交通量。OD數(shù)據(jù)主要反映居民從一個(gè)區(qū)域到另一個(gè)區(qū)域的動態(tài)遷移狀況,在一定程度上體現(xiàn)了居民的出行情況。圖2為居民從O點(diǎn)到D點(diǎn)的出行軌跡點(diǎn),軌跡點(diǎn)外部的網(wǎng)格為柵格區(qū)域,OD表示忽略中間軌跡點(diǎn)只保留起點(diǎn)和終點(diǎn),起點(diǎn)O所在的柵格區(qū)域內(nèi)有一個(gè)出租車訂單。

圖2 居民的出行軌跡Fig.2 Travel trajectory of resident

定義3(出租車訂單預(yù)測) 出租車訂單預(yù)測是根據(jù)t時(shí)刻之前的出租車訂單數(shù)據(jù)對t+Δt或者t+xΔt時(shí)刻訂單數(shù)量的預(yù)測,其中,Δt為時(shí)間間隔,x=1,2,…,n。訂單預(yù)測旨在估計(jì)給定區(qū)域和時(shí)間間隔的出租車訂單數(shù)量。出租車運(yùn)營狀態(tài)分為空載狀態(tài)和載客狀態(tài),在載客狀態(tài)中,以出租車在特定區(qū)域所接到的訂單數(shù)量為研究對象,即訂單行程起止點(diǎn)分別為O點(diǎn)和D點(diǎn),主要研究O點(diǎn)所在區(qū)域內(nèi)出租車接到的總訂單數(shù)。出租車從接到乘客(上車)到將乘客送達(dá)目的地(下車)表示一次訂單完成,即乘客完成從O點(diǎn)到D點(diǎn)的遷移。

2.2 模型框架

將城市用柵格劃分為m×n的矩陣,每隔一定時(shí)間經(jīng)過計(jì)算得到一張出租車訂單圖像,利用卷積神經(jīng)網(wǎng)絡(luò)提取訂單圖像數(shù)據(jù)的空間依賴特征進(jìn)行訂單預(yù)測。

2.2.1 基于VGG網(wǎng)絡(luò)的特征提取

交通系統(tǒng)是一種復(fù)雜、動態(tài)且高度相關(guān)的網(wǎng)絡(luò)[21-22],采用傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)[23-25]和時(shí)間序列方法[26-28]難以提取圖像空間依賴特征[29-30],而利用卷積神經(jīng)網(wǎng)絡(luò)可有效提取該特征[31-33]。本文將出租車訂單數(shù)據(jù)通過區(qū)域劃分和計(jì)算轉(zhuǎn)換為訂單圖像,如圖3所示,其像素值相當(dāng)于空間區(qū)域的訂單數(shù)量,柵格區(qū)域內(nèi)數(shù)值代表出租車訂單數(shù)量。出租車在某區(qū)域接到訂單后將乘客送達(dá)目的地,由于其在目的地及其附近區(qū)域再次接到訂單的可能性較大,因此利用CNN提取該空間依賴特征。在圖3中,每個(gè)方格代表真實(shí)的地圖柵格,通過經(jīng)度和緯度范圍控制地圖柵格范圍,其中標(biāo)注21數(shù)值的區(qū)域表示該時(shí)間段有21個(gè)訂單,下一個(gè)時(shí)間段該區(qū)域的訂單很有可能來自相鄰區(qū)域或者其他區(qū)域的出租車,利用CNN局部感知視野可有效提取出租車的空間流動模式與空間依賴特征。

圖3 出租車訂單圖像Fig.3 Image of taxi order

在卷積神經(jīng)網(wǎng)絡(luò)中,假設(shè)二維圖像I為輸入,K為二維卷積內(nèi)核,S為輸出,則所輸入圖像的互相關(guān)表達(dá)式如下:

S(i,j)=(I*K)(i,j)=

(1)

在卷積神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)的互相關(guān)如式(1)所示,互相關(guān)與卷積類似,卷積需將卷積核翻轉(zhuǎn)后再進(jìn)行點(diǎn)乘,而互相關(guān)與卷積運(yùn)算方式基本一致,但是未對核進(jìn)行翻轉(zhuǎn)。卷積表達(dá)式如下:

S(i,j)=(K*I)(i,j)=

(2)

與傳統(tǒng)的手動提取特征相比,卷積神經(jīng)網(wǎng)絡(luò)可自動有效地提取圖像特征,因此被廣泛用于圖像分類、分割及目標(biāo)檢測等多個(gè)領(lǐng)域,特別是全圖分類方面[27-28,31]。

VGG網(wǎng)絡(luò)[34]使用非常小的3×3卷積核增加網(wǎng)絡(luò)深度,僅需少量幾次迭代就能實(shí)現(xiàn)模型收斂,因其具有良好的擬合性能,在圖片分類中常被用來提取圖像特征。本文采用VGG網(wǎng)絡(luò)的主要結(jié)構(gòu),在訂單圖像中運(yùn)用卷積層和池化層來提取特征。

1)卷積層。假設(shè)第k層為卷積層,第k-1層為池化層或者輸入層,則第k層卷積的計(jì)算公式如下:

(3)

2)池化層。假設(shè)第k層為池化層,第k-1層為卷積層或者輸入層,則第k層池化的計(jì)算公式如下:

(4)

其中,down()為下采樣函數(shù),β為權(quán)重參數(shù)。

由于VGG網(wǎng)絡(luò)中模型參數(shù)主要集中在全連接層,導(dǎo)致網(wǎng)絡(luò)參數(shù)增加且網(wǎng)絡(luò)訓(xùn)練速度變慢,因此本文模型去掉全連接層,采用VGG網(wǎng)絡(luò)主要結(jié)構(gòu)提取特征,包括6個(gè)3×3的卷積層和3個(gè)池化層。經(jīng)過卷積層處理后輸出特征圖與輸入特征圖像在空間維度上保持一致,每次池化后特征圖大小縮減一半。此外,1個(gè)5×5的卷積核可用2個(gè)3×3的卷積核近似代替,1個(gè)7×7的卷積核可用3個(gè)3×3的卷積核近似代替,上述近似替代可增加非線性變換,從而提高網(wǎng)絡(luò)深度及判別函數(shù)的識別能力并減少參數(shù)量。

2.2.2 FCN網(wǎng)絡(luò)重構(gòu)

全卷積網(wǎng)絡(luò)可用于圖像的語義分割。本文采用FCN網(wǎng)絡(luò)的上采樣結(jié)構(gòu),對卷積處理后的圖像分別進(jìn)行8倍、16倍、32倍的上采樣。其中,32倍上采樣圖像只能實(shí)現(xiàn)基本還原,需要16倍和8倍上采樣補(bǔ)充圖像細(xì)節(jié),8倍上采樣圖像較原始圖像更模糊和平滑。由于本文中圖像的像素值表示出租車收到的訂單數(shù)量,而原始圖像較粗糙,因此重構(gòu)圖像不需補(bǔ)充細(xì)節(jié)。圖像上采樣主要利用反卷積操作實(shí)現(xiàn),反卷積在反卷積核特征圖的作用下通過反池化使稀疏的特征圖變得密集,這是將特征圖還原至原像素空間的過程[30]。

傳統(tǒng)卷積和反卷積分別如式(5)和式(6)所示:

F=X?Y

(5)

X=F?Y

(6)

其中,X為原圖像,Y為卷積核,F為卷積后的特征圖。

本文卷積和反卷積分別如式(7)和式(8)所示:

F=Xt?Y

(7)

Xt+1=F?Y

(8)

其中,Xt為t時(shí)間段出租車訂單圖像,Xt+1為t+1時(shí)間段出租車訂單圖像。將出租車訂單數(shù)據(jù)轉(zhuǎn)換為時(shí)間序列圖像,利用t時(shí)刻的訂單圖像重構(gòu)出t+1時(shí)間段的訂單圖像,即利用反向傳播調(diào)整卷積核和反卷積、激活函數(shù)等權(quán)重,重構(gòu)出租車訂單數(shù)據(jù)的具體分布,以預(yù)測下一個(gè)時(shí)間間隔內(nèi)多區(qū)域的訂單圖像。

反卷積層對最后一個(gè)卷積層的特征圖進(jìn)行上采樣,使其恢復(fù)到與輸入圖像相同的尺寸,從而對每個(gè)像素進(jìn)行預(yù)測,并保留原始輸入圖像的空間信息。 傳統(tǒng)上采樣重構(gòu)圖像是恢復(fù)原始圖像像素結(jié)構(gòu),而本文是重構(gòu)下一個(gè)時(shí)間段訂單圖像,即預(yù)測下一個(gè)時(shí)間段訂單信息,最終輸出含有訂單信息的圖像。

2.2.3 融合模型預(yù)測

本文VGG-FCN融合模型結(jié)構(gòu)如圖4所示,采用VGG網(wǎng)絡(luò)對大小為24×24的原始圖像進(jìn)行卷積和池化操作后得到抽象的特征圖,多次重復(fù)該操作可得到更抽象的特征圖,再經(jīng)過多層反卷積重構(gòu)出預(yù)測圖像,從而獲得各地區(qū)出租車訂單預(yù)測結(jié)果。

圖4 VGG-FCN融合模型結(jié)構(gòu)Fig.4 Structure of VGG-FCN fusion model

傳統(tǒng)VGG和FCN模型主要用于圖像分類與分割,而本文所提VGG-FCN融合模型用于回歸預(yù)測,輸入和輸出均為相同尺寸的圖像。本文采用VGG結(jié)構(gòu)中卷積層、池化層、BN批量標(biāo)準(zhǔn)化結(jié)構(gòu)、ReLU函數(shù)以及FCN結(jié)構(gòu)中上采樣重構(gòu)結(jié)構(gòu)(VGG和FCN均不含全連接結(jié)構(gòu))。

將出租車訂單數(shù)據(jù)進(jìn)行地理柵格劃分,每隔一段時(shí)間根據(jù)訂單數(shù)據(jù)計(jì)算得到一張訂單數(shù)據(jù)圖像并將其按時(shí)間順序排列。采用VGG提取圖像特征并生成多張?zhí)卣鲌D,接入反卷積層進(jìn)行2倍、4倍、8倍的上采樣重構(gòu)。重構(gòu)圖像表示為:

y=x?K

(9)

其中,y為重構(gòu)圖像,x為原始圖像,?為反卷積操作,K為反卷積核。

代價(jià)函數(shù)表達(dá)式為:

(10)

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

本文實(shí)驗(yàn)環(huán)境為Tesla P4 2核8 GB機(jī)器,采用圖形處理器(Graphics Processing Unit,GPU)對本文提出的模型進(jìn)行訓(xùn)練。使用TaxiCD、BikeNYC1和BikeNYC2共3組不同的數(shù)據(jù)集。其中,TaxiCD數(shù)據(jù)集是2014年8月1日至8月30日中國成都市14 000輛出租車GPS軌跡數(shù)據(jù),該數(shù)據(jù)集包含10億個(gè)GPS點(diǎn)(車輛行駛軌跡每隔10 s～每隔60 s有1個(gè)GPS點(diǎn))信息,GPS點(diǎn)信息包含出租車所在位置的經(jīng)度、緯度、每個(gè)GPS點(diǎn)返回的時(shí)間以及出租車載客狀態(tài),其中1代表已載客,0代表無載客。根據(jù)區(qū)域和出租車訂單預(yù)測定義處理數(shù)據(jù)得到出租車訂單圖像。將該數(shù)據(jù)集中最后2天的數(shù)據(jù)作為測試集,其他數(shù)據(jù)作為訓(xùn)練集。

BikeNYC1數(shù)據(jù)集和BikeNYC2數(shù)據(jù)集是從紐約市共享自行車系統(tǒng)獲取的行程持續(xù)時(shí)間、行程開始和結(jié)束站點(diǎn)ID以及行程開始和結(jié)束時(shí)間等行程數(shù)據(jù)。其中,BikeNYC1數(shù)據(jù)集是2015年4月1日至8月31日紐約共享自行車GPS軌跡數(shù)據(jù),BikeNYC2是2016年3月1日至2016年7月31日紐約共享自行車GPS軌跡數(shù)據(jù)。自行車雖然流動性不如出租車,但是其同樣具備GPS軌跡特性和訂單接收系統(tǒng),以開鎖騎車作為訂單開始,以到達(dá)目的地鎖車作為訂單結(jié)束,因此可用自行車訂單數(shù)據(jù)模擬出租車訂單數(shù)據(jù),乘客開鎖使用自行車相當(dāng)于出租車接收乘客,乘客騎自行車到目的地后鎖車相當(dāng)于出租車運(yùn)送乘客到達(dá)目的地。在BikeNYC1數(shù)據(jù)集和BikeNYC2數(shù)據(jù)集中,以最后10天的數(shù)據(jù)作為測試集,其他數(shù)據(jù)作為訓(xùn)練集。TaxiCD、BikeNYC1和BikeNYC2數(shù)據(jù)集的具體信息如表1所示。

表1 3種數(shù)據(jù)集的具體信息Table 1 Specific information of three datasets

3.2 實(shí)驗(yàn)?zāi)Ｐ?/h3>

本文選擇4種模型與本文VGG+FCN融合模型進(jìn)行對比,以下對這5種模型進(jìn)行介紹。

1)BP(Back Propagation)模型。BP模型是采用誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)模型,劃分地圖柵格區(qū)域個(gè)數(shù)為24×24,共576個(gè)區(qū)域,將24×24區(qū)域中的訂單數(shù)據(jù)轉(zhuǎn)換為24×24的矩陣,可將該矩陣轉(zhuǎn)換為一維向量進(jìn)行預(yù)測。

2)RBF(Radial Basis Function)模型。RBF模型是一種徑向基神經(jīng)網(wǎng)絡(luò)模型。

3)CNN模型。利用CNN提取圖像特征,再接入全連接層進(jìn)行預(yù)測。

4)SARIMA(Seasonal Autoregressive Integrated Moving Average)模型。SARIMA模型是一種季節(jié)性差分自回歸滑動平均模型,可用于時(shí)間序列預(yù)測分析。通過SARIMA對每個(gè)預(yù)測區(qū)域建立一個(gè)預(yù)測模型。

5)VGG+FCN融合模型。該模型采用VGG主要結(jié)構(gòu)提取特征,并選用FCN的上采樣結(jié)構(gòu)通過反卷積重構(gòu)下一個(gè)階段的預(yù)測圖像。

3.3 評價(jià)指標(biāo)

本文以平均準(zhǔn)確率(ACC)和均方根誤差(Root Mean Square Error,RMSE)作為訂單預(yù)測評價(jià)指標(biāo),計(jì)算公式如下:

(11)

(12)

(13)

(14)

其中,fi為預(yù)測值,yi為真實(shí)值,Average為樣本中每個(gè)區(qū)域的平均訂單數(shù),n為預(yù)測區(qū)域的數(shù)量。

3.4 結(jié)果分析

將BP、RBF、CNN、SARIMA模型與本文VGG+FCN融合模型在TaxiCD數(shù)據(jù)集上的預(yù)測誤差進(jìn)行對比,結(jié)果如表2所示?？梢钥闯?VGG+FCN融合模型的ACC值達(dá)到0.835 9,RMSE為8.13,比其他模型的ACC值更高且RMSE值更低。這是因?yàn)楸疚腣GG-FCN模型提取了空間區(qū)域的依賴特征,且未接入全連接層,模型訓(xùn)練時(shí)間較短、參數(shù)較少。

表2 5種模型在TaxiCD數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Table 2 Experimental results of five models onTaxiCD dataset

將BP、RBF、CNN、SARIMA模型與本文VGG+FCN融合模型在BikeNYC1和BikeNYC2數(shù)據(jù)集上的預(yù)測結(jié)果進(jìn)行對比,結(jié)果如表3所示?？梢钥闯?在這兩種數(shù)據(jù)集上,BP和RBF模型誤差較大,說明人工神經(jīng)網(wǎng)絡(luò)很難擬合實(shí)際交通中出租車的動態(tài)情況;SARIMA模型作為經(jīng)典的時(shí)間序列模型,能捕捉到周期性變化,但是由于其為線性,因此模型擬合效果較差;VGG+FCN融合模型所得ACC值和RMSE值更優(yōu),這是因?yàn)樵撃Ｐ瞳@取車輛在城市空間流動的局部相關(guān)依賴關(guān)系(例如出租車在一個(gè)區(qū)域的訂單數(shù)量可能與其周圍區(qū)域訂單數(shù)量正相關(guān)),采用VGG結(jié)構(gòu)提取特征來增加網(wǎng)絡(luò)深度,提高非線性變化以更好地?cái)M合網(wǎng)絡(luò),同時(shí)利用反卷積重構(gòu)圖像減少模型參數(shù),得到訂單圖像并利用CNN進(jìn)行預(yù)測,最后接入全連接層得到與區(qū)域相等的一維向量。如果模型太復(fù)雜,則所需計(jì)算的資源較大且消耗時(shí)間較多,不能很好地支持計(jì)算開銷,無法滿足出租車訂單預(yù)測的實(shí)效性要求。VGG+FCN融合模型訓(xùn)練時(shí)無全連接層,無需大量計(jì)算開銷,因此支持在線實(shí)時(shí)預(yù)測。

表3 5種模型在BikeNYC1 and BikeNYC2數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Table 3 Experimental results of five models onBikeNYC1 and BikeNYC2 datasets

圖5為VGG-FCN融合模型的訂單圖像,該圖像是模型對2014年8月1日至8月30日成都主城區(qū)出租車軌跡數(shù)據(jù)進(jìn)行學(xué)習(xí)后,預(yù)測未來時(shí)間段訂單所得,反映了實(shí)時(shí)預(yù)測的出租車訂單情況?？梢钥闯?一天內(nèi)出租車訂單數(shù)量是動態(tài)變化的,由于中心城區(qū)(圖像中心處深色密集區(qū)域)人流量較大,因此訂單數(shù)量較多。此外,個(gè)別地區(qū)訂單量也較大,這是因?yàn)榫用袢粘３鲂芯哂幸?guī)律性和目的性。例如,在某一個(gè)柵格區(qū)域訂單數(shù)很多,是因?yàn)樵摉鸥駞^(qū)域有特定的或者較多的醫(yī)院或?qū)W校。在城市交通中,出租車作為短時(shí)靈活的交通工具,由于其通常在0.5 h內(nèi)都會將乘客送達(dá)目的地并開始繼續(xù)尋客,因此圖5中間隔0.5 h的時(shí)間劃分較符合出租車實(shí)際行駛情況,如果將時(shí)間段劃分過大,則不具有實(shí)際預(yù)測意義。

圖5 VGG-FCN融合模型的訂單圖像Fig.5 Order image of VGG-FCN fusion model

4 結(jié)束語

本文提出一種VGG-FCN融合模型預(yù)測出租車訂單數(shù)據(jù)。采用VGG提取不同區(qū)域出租車行駛特征,利用FCN上采樣重構(gòu)下一個(gè)時(shí)間段出租車訂單圖像,從而快速預(yù)測多個(gè)區(qū)域及不同時(shí)間段的出租車訂單分布情況。此外,在保留VGG和FCN主要網(wǎng)絡(luò)結(jié)構(gòu)的同時(shí)去除全連接結(jié)構(gòu),減少模型參數(shù)量,加快網(wǎng)絡(luò)訓(xùn)練速度。實(shí)驗(yàn)結(jié)果表明,與BP、RBF等預(yù)測模型相比,該融合模型預(yù)測結(jié)果平均準(zhǔn)確率更高,適用于出租車訂單預(yù)測以及采用圖像輸入與輸出的回歸預(yù)測。后續(xù)將結(jié)合天氣、節(jié)假日、興趣點(diǎn)等影響居民出行的因素進(jìn)行研究,進(jìn)一步提高訂單預(yù)測準(zhǔn)確率。