基于極限學習機神經(jīng)網(wǎng)絡的機場出租車尋客評價系統(tǒng)

吳環(huán)宇　張逸博

摘 要：總結(jié)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(gòu)建基于行為理論出發(fā)的評價模型。調(diào)查機場日均吞吐量以及機場周邊的出租車等待車輛數(shù)，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(shù)據(jù)。利用評價模型參數(shù)，將部分數(shù)據(jù)作為訓練集，剩余數(shù)據(jù)作為測試集，訓練BP神經(jīng)網(wǎng)絡和極限學習機神經(jīng)網(wǎng)絡，使用極限學習機神經(jīng)網(wǎng)絡算法構(gòu)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(shù)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(jīng)網(wǎng)絡;出租車;尋客評價系統(tǒng)

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(gòu)建行為理論評價模型。根據(jù)影響因數(shù)，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(shù)進行標準化，得到航班數(shù)量的評價因子為0.06，已有車輛數(shù)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(gòu)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(shù)據(jù)的代入，得到相關的評價數(shù)據(jù)。

二、BP神經(jīng)網(wǎng)絡算法求解

BP神經(jīng)網(wǎng)絡學習算法作為目前應用最為廣泛的神經(jīng)網(wǎng)絡算法，每次能根據(jù)訓練得到的結(jié)果與預想結(jié)果進行誤差分析，進而修改權(quán)值和閾值，一步一步得到能輸出和預想結(jié)果一致的模型。

將7個不同數(shù)據(jù)作為輸入量的特征值，將相關評價分數(shù)作為輸出量，選取總數(shù)據(jù)中部分數(shù)據(jù)作為訓練集，將剩余數(shù)據(jù)作為測試集來建立一個BP神經(jīng)網(wǎng)絡評價體系。經(jīng)過八輪反饋得出結(jié)果，評價分數(shù)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(quán)重以及激活函數(shù)的選擇可以基本滿足對于評價分數(shù)的預測。因為傳統(tǒng)的BP神經(jīng)網(wǎng)絡模型具有神經(jīng)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(jīng)網(wǎng)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(shù)據(jù)進行求解，計算后發(fā)現(xiàn)同預測結(jié)果對比，極限學習機的R2達到了0.992，高于由BP神經(jīng)網(wǎng)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(jīng)網(wǎng)絡。

將訓練好的神經(jīng)網(wǎng)絡保存下來，作為行為理論評價模型來進行調(diào)用，同時，根據(jù)實際情況以及經(jīng)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(shù)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(nèi)不同時間的GPS定位數(shù)據(jù)，和近一年機場客運吞吐量，將代入神經(jīng)網(wǎng)絡模型中。運用訓練好的神經(jīng)網(wǎng)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(jù)神經(jīng)網(wǎng)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(jīng)網(wǎng)絡，得到相關的評價。評價分數(shù)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(jīng)網(wǎng)絡的精度（下圖），最終部分的結(jié)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(jīng)網(wǎng)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(tǒng)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(shù)據(jù)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。