4. Падтрымка вектарнай Рэгрэсійная мадэлі па часе паездка прадказанне
Дэтэктары транспартных сродкаў могуць вызначаць фактары, якія ўплываюць на час руху, такія як транспартны паток, сярэдняя хуткасць, шчыльнасць транспартнага патоку і запаўняльнасць паласы руху . Сярод гэтых дадзеных Дадзеныя, якія адлюстроўваюць часовае змяненне транспартнага патоку, у асноўным ўключаюць у сябе параметры руху і гістарычнае сярэдняе значэнне за апошнія некалькі перыядаў участкаў дарогі, а прасторавае змяненне транспартнага патоку ў асноўным уключае ў сябе бягучыя і мінулыя параметры руху верхняга і ніжняга цячэння ўчастка дарогі і гэтак далей. Існуе некалькі складаных функцыянальных сувязяў паміж часам у шляху і гэтымі асноўнымі параметрамі руху. Пры прагназаванні часу руху мы можам высветліць закон і пабудаваць мадэль прагназавання, прааналізаваўшы дадзеныя асноўных параметраў руху.
A. стварэнне мадэлі. У адпаведнасці з алгарытмам апорнага вектара Рэгрэсійная машыны і фактарамі, якія ўплываюць на час руху, ўчасткі дарогі дзеляцца на некалькі участкаў у адпаведнасці з размеркаваннем дэтэктараў транспартных сродкаў, і выбіраецца адзін з іх. Параметры транспартнага патоку першых чатырох рабочых дзён з 6 раніцы да 8 раніцы бяруцца ў якасці ўваходных, а час у шляху пятага дня бярэцца ў якасці выхадных для ўстанаўлення мадэлі прагназавання. Па-першае, мяркуецца, што час руху ўчастка дарогі будзе спрагназавана. У адпаведнасці з дарожным станам ўчастка дарогі і наладай дэтэктара транспартнага сродку ўчастак дарогі дзеліцца на i сегменты, i =1, 2, 3,..., м. паток руху і сярэдняя хуткасць невялікага ўчастка дарогі, вымераныя дэтэктарам транспартнага сродку на працягу перыяду t, запісваюцца як qi (t) і vi (t) адпаведна, а сярэдні час руху ўсіх транспартных сродкаў, якія праходзяць праз увесь участак ўчастка дарогі на працягу перыяду t, усталёўваецца роўным T (t), зыходзячы з мінулага перыяду I. Сярэдні час у шляху T (t + 1), T (t + 2) і гэтак далей можна спрагназаваць па параметрах руху невялікага ўчастка (тут толькі транспартны паток) і па часе ў шляху ўсяго ўчастка дарогі спрагназаваць сярэдні час у шляху T (t + 1), T (t + 2) і гэтак далей.
Па-другое, структура і параметры функцыі ядра і апорнага вектара машыны выбіраюцца для пабудовы навучальнага набору наступным чынам: {(x1, y1),..., (xl, yl)}, у якім y1, y2,..., yl-сярэдні час руху па ўсёй дарозе за апошнія некалькі перыядаў, x1, x2,..., xl-вектарная камбінацыя параметраў стану руху малых участкаў і часу руху ўсяго ўчастка за апошнія некалькі перыядаў.
Нарэшце, згодна з вырашальнай функцыі, пабудаванай па выніках навучання, ўводзяцца параметры стану руху і дадзеныя пра час руху малой секцыі ў бягучым і мінулым перыядах, а сярэдні час руху ў наступным перыядзе (T (t+1)) прагназуецца вырашальнай функцыяй.
Б. выбар функцый ядра, мадэльнай структуры і аптымізавання параметру ў машыне вектара падтрымкі, там ядро полинома, ядро радыяльнага базісу Гаўса (РБФ), Сигмоидная функцыя, ядро Фур'е, ядро Б-сплайну і гэтак далей. Адпаведная функцыя ядра таксама можа быць пабудавана ў адпаведнасці з канкрэтнымі задачамі. Пры выкарыстанні машын апорных вектараў для вырашэння практычных задач ключавым фактарам з'яўляецца выбар адпаведнай функцыі ядра. Пасля вызначэння функцыі ядра неабходна разгледзець задачу аптымізацыі структуры і параметраў мадэлі. Зараз гэта звычайная практыка, каб даць некаторыя камбінацыі параметраў, групуючы вядомыя дадзеныя навучальнага набору, любую колькасць набораў дадзеных, выкарыстанне дадзенай камбінацыі параметраў для навучання і прагназавання астатнія групы дадзеных, шматкроць разлічаныя, па выніках прагназавання, прымаюць найлепшыя значэння аптымальнай структуры і параметраў мадэлі. Аптымізацыя і карэкціроўка параметраў з'яўляецца адной з задач, якія патрабуюць далейшага вывучэння. Для аптымізацыі могуць быць разгледжаны эўрыстычныя інтэлектуальныя алгарытмы аптымізацыі, такія як генетычны алгарытм і алгарытм імітацыі адпалу.
5. Выснова
З мэтай характарыстыкі руху аўтобуса і бягучага стану даследаванняў у дадзеным артыкуле прапануецца алгарытм прагназавання на аснове апорнага вектара машыны для часу руху аўтавакзала шляхам класіфікацыі дадзеных GPS грамадскага транспарту разумна ў розныя перыяды. І абярыце адпаведную функцыю ядра для праверкі.
Нарэшце, у дадзенай працы правяраецца алгарытм, заснаваны на фактычных эксплуатацыйных дадзеных шыны 6 ў зоне развіцця эканамічных тэхналогій Ціндао, які паказвае, што мадэль SVM ў асноўным ўзгадняецца з фактычнымі вымеранымі дадзенымі і дакладнасць вышэй.