1.Уступленне
У гарадской транспартнай сістэме, калі падарожнік гатовы адправіцца з пачатковай кропкі ў пункт прызначэння, звычайна ёсць некалькі маршрутаў на выбар. Для гарадской сістэмы грамадскага транспарту вельмі важна прагназаваць час прыбыцця аўтобуса разумна і дакладна. Час у шляху гарадскога аўтобуса мае відавочныя характарыстыкі размеркавання часовага інтэрвалу, асабліва ў ранішні і вячэрні гадзіну пік і пікавы перыяд плоскага пікавага перыяду, час у шляху гарадскога аўтобуса адрозніваецца ад звычайнага пікавага перыяду. Многія праблемы, такія як нераўнамернае час прыбыцця аўтобуса, зніжэнне надзейнасці, доўгі час чакання, вялікая розніца ў хуткасці перавозкі пасажыраў і гэтак далей, уплываюць на гатоўнасць пасажыраў скарыстацца грамадскім транспартам. Да гэтага часу існуе некалькі тыповых метадаў прагназавання часу ў шляху. Напрыклад, метад прагназавання часовых шэрагаў, метад прагназавання, заснаваны на тэорыі масавага абслугоўвання, метад прагназавання фільтра Калмана, метад прагназавання непараметрической рэгрэсіі, метад прагназавання нейронавай сеткі і метад комплекснага прагназавання і гэтак далей.
Пэн Сіньцзян, Ван Сяосюн выкарыстоўвае алгарытм аптымізацыі ў спалучэнні з нейронавай сеткай BP для прагназавання часу руху аўтобусаў. Ян Чжаошэн прапанаваў мадэль ацэнкі часу руху ў рэальным часе на аснове невыразнай нейронавай сеткі. Мэй Чэн выкарыстаў дадзеныя для стварэння мадэлі прагназавання фільтра Калмана для часу прыбыцця аўтобуса. Пэн прапанаваў алгарытм прадказанні карэляцыйнага вектара, заснаваны на Байесовской верагоднасці, які можа атрымаць значэнне прадказанні часу прыбыцця і дысперсію памылкі. Мадэль можа быць выкарыстана для прагназавання часу руху транспартных сродкаў грамадскага транспарту на будучых участках дарог у рэжыме рэальнага часу з выкарыстаннем вымераных дадзеных руху. У гэтым даследаванні, мадэль машыны вектара падтрымкі галоўным чынам выкарыстана ў кіруючы вырашэнні і кіруючы даследаванні паводзін, і прымяненне ў прадказанні часу ў шляху вельмі нешматлікія, таму гэты артыкул заснавана на тэорыі мадэлі машыны вектара падтрымкі для таго каб вывучыць прадказанне часу ў шляху аўтобуснага прыпынку.
2. Метады
Прагназавання Часу Цкаванні Праца аўтобуса будзе парушаная многімі выпадковымі фактарамі (такімі як надвор'е, коркі на дарогах і змены пасажырапатоку.), вельмі цяжка дакладна прадказаць час прыбыцця транспартных сродкаў, па гэтай прычыне айчыннымі і замежнымі навукоўцамі было праведзена нямала даследаванняў. Падводзячы вынік, можна вылучыць наступныя метады: мадэль часовых шэрагаў, штучная нейронных сетку і фільтраванне Калмана і гэтак далей. (1) мадэль часовых шэрагаў у асноўным залежыць ад падабенства паміж будучай інфармацыяй і гістарычнай інфармацыяй. Калі сярэдняя сітуацыя гістарычных дадзеных зменіцца, гэта прывядзе да відавочнага адхіленні выніку прагнозу. Акрамя таго, мадэль часовых шэрагаў па-ранейшаму мае відавочнае адставанне ў прагназаванні ў рэальным часе. (2) тэхналогія фільтрацыі Калман фармуецца шляхам увядзення прасторы станаў у сучасную тэорыю кіравання. Ён быў ужыты для прагназавання кароткатэрміновага попыту на трафік і часу ў шляху хуткасных дарог. (3) нейронавая сетка-гэта мадэль, якая імітуе функцыю нервовай сістэмы чалавечага мозгу шляхам мадэлявання і злучэнні нейронаў, якія з'яўляюцца асноўнымі адзінкамі чалавечага мозгу. Распрацавана штучная сістэма з інтэлектуальнымі функцыямі апрацоўкі інфармацыі, такімі як навучанне, асацыяванне, памяць і распазнаванне вобразаў. У апошнія гады з'явіўся новы метад машыннага навучання-метад апорных вектараў(МАВ), які ў асноўным вывучае, як здабываць закон з абмежаваных дадзеных назіранняў (выбарак), якія не могуць быць атрыманы шляхам прынцыповага аналізу. Асноўная праца заключаецца ў падтрымцы вектарнай машыны - гэта новы метад машыннага навучання. Гэтыя законы выкарыстоўваюцца для аналізу аб'ектыўных аб'ектаў, а таксама для прагназавання і ацэнкі невядомых дадзеных або новых з'яў, якія немагчыма назіраць. Ён мае моцную здольнасць да навучання, здольнасць да абагульнення відавочна пераўзыходзіць нейронавыя сеткі, лёгка збалансаваць ступень адпаведнасці і ўзровень абагульнення. У дадзеным артыкуле ў асноўным разглядаецца прымяненне машыны апорных вектараў для прагназавання часу руху участкаў дарогі паміж станцыямі 11-12 дарогі № 6 у зоне эканамічнага і тэхналагічнага развіцця Ціндао. У прагнозе час у шляху на 11-12 станцыях цэнзуруецца і разлічваецца па зададзеных дадзеных за 7 дзён, а час у шляху разлічваецца па часовай зменнай. Улічваючы час руху секцыі ў кожны перыяд першых чатырох дзён працоўнага дня і ўплыў на час руху секцыі ў пятніцу на аснове чатырох дзён да працоўнага дня, усталёўваецца мадэль машыны апорнага вектара для прагназавання часу руху секцыі на пяты дзень працоўнага дня. Фактычныя вымераныя значэння і прагнозныя значэння на пяты дзень працоўнага дня параўноўваюцца і правяраюцца.
3. Тэорыя Вектарных Машын
Дапаможная вектарная машына, заснаваная на статыстычным навучанні, была ўпершыню прапанавана ў 1990-х гг. У апошнія гады яна здзейсніла прарыў у сваіх тэарэтычных даследаваннях і рэалізацыі алгарытмаў. Ён пачаў станавіцца магутным сродкам для пераадолення традыцыйных цяжкасцяў, такіх як нелінейныя і размерные праблемы катастроф, праблемы празмернага навучання і праблемы лакальных мінімумаў. Яго мэта-мінімізаваць структурны рызыка. У параўнанні з умовай, што эмпірычны рызыка патрабуе, каб выбарка была бясконца вялікі, структурны рызыка выбірае кампраміс паміж эмпірычным рызыкай і даверным дыяпазонам, які з'яўляецца больш падыходзіць для выпадку абмежаваных узораў. Пасля рашэння задачы лінейнай сепарабельности для нелінейных сепарабельных задач яна спачатку пераўтворыць уваходнае прастору ў шматмернае прастору з дапамогай нелінейнага пераўтварэнні, які вызначаецца ўнутранай функцыяй творы, А ўваходнае прастору пераўтворыцца ў шматмернае прастору з дапамогай нелінейнага пераўтварэнні, які вызначаецца ўнутранай функцыяй творы. Нелінейная сепарабельная задача пераўтворыцца ў лінейную сепарабельную задачу ў гэтым шматмерным прасторы для знаходжання аптымальнай паверхні класіфікацыі або абагульненай аптымальнай паверхні класіфікацыі. Абагульнены метад максімальнага інтэрвалу або абагульнены метад бліжэйшай пункту дзялення на дзве часткі могуць быць ператвораныя ў сепарабельные задачы. Наогул кажучы, сувязь паміж часам працы транспартнага сродку і ўмовамі руху, надвор'ем і г. д. вельмі складаная, цяжка выкарыстоўваць канкрэтную мадэль для апісання, таму ў гэтым артыкуле выкарыстоўваецца МАВ для адлюстравання сувязі паміж выхадам (часам працы) і уваходам (перыядам часу, надвор'ем). Паколькі МАВ можа адлюстроўваць ўваходныя дадзеныя ў прастору прасторавых аб'ектаў высокай памернасці з дапамогай функцыі ядра, гэта вельмі эфектыўна для некаторых складаных або нелінейных задач. Акрамя таго, алгарытм МАВ з'яўляецца выпуклай квадратычнай аптымізацыйнай задачай, якая можа гарантаваць, што знойдзены экстрэмуму з'яўляецца глабальным аптымальным рашэннем, у адрозненне ад некаторых іншых метадаў нелінейнай аптымізацыі, ён лёгка трапляе ў лакальны мінімум.
"Працяг варта ў наступнай частцы"