构思智能交通体系服务模板构建

【前言】构思智能交通体系服务模板构建由文秘帮小编整理而成，但愿对你的学习工作带来帮助。1、样本选择本次仿真样本来源于2003年至2011年的《上海年鉴》以及2001年至2011年的《上海统计年鉴》，抽取2000年至2010年间4组大类8组小类共32个属性（如图3）验证本文中多源信息云智能交通系统自适应服务模型的可行性。样本数据从旅客出行行为出发，对不同交通出行模...

作者：熊励薛珊单位：上海大学管理学院

上海市作为国家云计算服务创新试点城市之一，“十二五”期间将在五大领域推进云计算的示范应用，其中包括以云计算、物联网等信息服务系统来支撑上海建设“智慧城市”的交通管理。面对传统交通信息来源有限、可靠性差、滞后等缺陷，急需借助于云计算环境来研究多源交通信息的融合机理，催生多源交通信息服务模式的改变。本文着力构建多源信息云智能交通系统自适应服务模型，筛选年鉴数据为样本，通过SPSS软件仿真，最终验证此模型的可行性。

模型构建

1、处理流程云计算环境下智能交通系统中多源信息渠道得到的原始数据具有典型无组织性。本文构建多源信息云智能交通系统自适应服务模型，处理流程如图1所示。多源信息云智能交通系统自适应服务模型全流程均在云计算环境下进行，实时信息至历史信息的传递过程体现本模型处理过程的动态性。此模型中自适应性体现在：（1）通过Newton多元参数优化法实现样本降维处理；（2）通过前馈神经网络训练过程得到云智能交通系统信息服务最优拓扑结构，即确定前馈神经网络中隐藏层逻辑结构，通过前馈神经网络训练过程得到最优层间权重和最优迭代参数，从而得到最优神经网络；（3）通过有限混合分布拟合前馈神经网络正向输出数据，得到更具灵活性的全局分布。2、多元参数优化多元参数优化目的旨在寻找维元参数向量的标量评分函数的最小值。在多源信息神经网络自适应服务模型中，实验样本维数通常比较大，而多维空间中局部最小值现象突出，如果在多源数据预处理过程中找到局部最小值，则能剔除非最小值空间，从而有效将样本数据降维。多元参数优化运用迭代的思想，直至找到局部最小值。局部迭代一般过程为：其中，是第步迭代时的估计参数，是下一步迭代移动方向的维向量。神经网络中的反馈思想运用的是最陡峭下降算法，最陡峭下降的梯度不一定指向最小值，理论上经过有限次迭代可以找到对应的，但并不是优选迭代法。Newton方法定义局部迭代过程为：其中，是在点处二阶导数矩阵的逆矩阵（），为函数的一阶导数，为矩阵中元素，帮助判定并剔除迭代过程中非指向局部最小值的点。3、前馈神经网络多层前馈神经网络包括输入层、若干隐藏层和输出层。训练样本反馈入输入层，输入层与隐藏层、隐藏层与输出层之间加权全连接，和分别为其权重，如图2所示。多层前馈神经网络层数取决于隐藏层个数，若隐藏层个数为3，则有4层输出单元，则此多层前馈神经网络为四层神经网络。神经网络结构越复杂，则多层前馈神经网络的层数越多，需要权重参数参与数越多，自适应系统训练能力也就越强。确定最优系统的隐藏层个数没有确定的规则可以遵循，多层前馈神经网络最优结构的确定与网络层间最优参数的确定一样，都是重复训练过程，训练结果直接影响神经网络自适应系统的准确性。估计的准确性为本模型重要精度指标。4、有限混合分布一般地，多源数据集数据为异质数据集，代表数据来自不同的小组，而非单一同质组。通常，异质数据可能反映不同内在现象，简单处理异质数据将人为导致数据信息沉没。引入权重处理有限源数据集的数据异质性，使得混合分布模型比单一拟合分布模型在分析和预测上更具灵活性和灵敏性。假设全局分布为：其中，为随机变量的值，为随机变量在分量上的分布函数，是分量上的参数向量，为分布函数的权重，全局混合度有限，为。

仿真与结果

1、样本选择本次仿真样本来源于2003年至2011年的《上海年鉴》以及2001年至2011年的《上海统计年鉴》，抽取2000年至2010年间4组大类8组小类共32个属性（如图3）验证本文中多源信息云智能交通系统自适应服务模型的可行性。样本数据从旅客出行行为出发，对不同交通出行模式和支付方式数据依次进行预处理、优化处理、前馈神经网络训练、混合分布拟合。2、前馈神经网络训练结果本次仿真在进行神经网络训练之前，运用SPSS软件对维度为11×32维数据进行预处理，首先通过区间估算方法处理统计过程中的缺省数据，其次统一所有数据量纲，最后Newton法优化为11×19维。优化结果显示，{{旅客发送量,公路},{{“市民信箱”累计注册用户“,付费通”业务平台交易量“,付费通”业务平台交易额,交通卡销售额,银行卡交易额},{个人信用报告累计出具数量}},{{轨道运营车辆,轨道行驶里程,轨道客运总量},{高架道路长度}},{{公交线路长度,公交线路条数,公交客运总量},{出租运营车辆数,出租载客车次量,出租运营里程},{轮渡乘客人数}}}被保留进入神经网络训练进程。本次仿真取100%样本作为训练数据集，运用SPSSClementine软件进行神经网络训练，对隐藏层数为1、2、3三种情况分别做训练，结果如表1所示。结果显示，本次样本训练得到2个隐藏层的神经网络为本次最优神经网络，估计的准确性可达90.188%。同时证明Newton法预优化原始数据一方面缩短神经网络训练时间，另一方面控制神经网络具有较高估计准确性。可以认为，本多源信息云智能交通系统自适应服务模型基本可行。3、混合分布拟合结果本次仿真运用SPSS软件拟合混合分布。拟合结果如图4所示。X轴为时间轴，Y轴为数量轴，X轴下方19个属性代号，代表混合分布由19个简单分布混合拟合得到。综上证明，源信息云智能交通系统自适应服务模型具有可行性。

总结与应用

云计算实际上是信息服务的社会化、集约化和专业化，正逐渐成为一种新兴的网络服务模式，导致多源信息资源的融合机制与管理方法发生变化，这种变化为信息服务模式创新和服务功能整合提供强大动力。因此，通过对来自不同信息源进行有效整合，让各类信息资源之间形成融合、集成与互补，准确和方便地为用户提供信息需求，是未来信息服务的发展趋势。本模型以云智能交通系统中各行为要素为研究对象，以服务内容为输出对象，行为人为服务对象，在改善上海市交通管理、减少交通拥堵与污染上具有重要现实意义，具有实际应用价值。