構思智能交通體系服務模板構建
前言：本站為你精心整理了構思智能交通體系服務模板構建范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。
作者：熊勵薛珊單位：上海大學管理學院
上海市作為國家云計算服務創新試點城市之一，“十二五”期間將在五大領域推進云計算的示范應用，其中包括以云計算、物聯網等信息服務系統來支撐上海建設“智慧城市”的交通管理。面對傳統交通信息來源有限、可靠性差、滯后等缺陷，急需借助于云計算環境來研究多源交通信息的融合機理，催生多源交通信息服務模式的改變。本文著力構建多源信息云智能交通系統自適應服務模型，篩選年鑒數據為樣本，通過SPSS軟件仿真，最終驗證此模型的可行性。
模型構建
1、處理流程云計算環境下智能交通系統中多源信息渠道得到的原始數據具有典型無組織性。本文構建多源信息云智能交通系統自適應服務模型，處理流程如圖1所示。多源信息云智能交通系統自適應服務模型全流程均在云計算環境下進行，實時信息至歷史信息的傳遞過程體現本模型處理過程的動態性。此模型中自適應性體現在：（1）通過Newton多元參數優化法實現樣本降維處理；（2）通過前饋神經網絡訓練過程得到云智能交通系統信息服務最優拓撲結構，即確定前饋神經網絡中隱藏層邏輯結構，通過前饋神經網絡訓練過程得到最優層間權重和最優迭代參數，從而得到最優神經網絡；（3）通過有限混合分布擬合前饋神經網絡正向輸出數據，得到更具靈活性的全局分布。2、多元參數優化多元參數優化目的旨在尋找維元參數向量的標量評分函數的最小值。在多源信息神經網絡自適應服務模型中，實驗樣本維數通常比較大，而多維空間中局部最小值現象突出，如果在多源數據預處理過程中找到局部最小值，則能剔除非最小值空間，從而有效將樣本數據降維。多元參數優化運用迭代的思想，直至找到局部最小值。局部迭代一般過程為：其中，是第步迭代時的估計參數，是下一步迭代移動方向的維向量。神經網絡中的反饋思想運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，理論上經過有限次迭代可以找到對應的，但并不是優選迭代法。Newton方法定義局部迭代過程為：其中，是在點處二階導數矩陣的逆矩陣（），為函數的一階導數，為矩陣中元素，幫助判定并剔除迭代過程中非指向局部最小值的點。3、前饋神經網絡多層前饋神經網絡包括輸入層、若干隱藏層和輸出層。訓練樣本反饋入輸入層，輸入層與隱藏層、隱藏層與輸出層之間加權全連接，和分別為其權重，如圖2所示。多層前饋神經網絡層數取決于隱藏層個數，若隱藏層個數為3，則有4層輸出單元，則此多層前饋神經網絡為四層神經網絡。神經網絡結構越復雜，則多層前饋神經網絡的層數越多，需要權重參數參與數越多，自適應系統訓練能力也就越強。確定最優系統的隱藏層個數沒有確定的規則可以遵循，多層前饋神經網絡最優結構的確定與網絡層間最優參數的確定一樣，都是重復訓練過程，訓練結果直接影響神經網絡自適應系統的準確性。估計的準確性為本模型重要精度指標。4、有限混合分布一般地，多源數據集數據為異質數據集，代表數據來自不同的小組，而非單一同質組。通常，異質數據可能反映不同內在現象，簡單處理異質數據將人為導致數據信息沉沒。引入權重處理有限源數據集的數據異質性，使得混合分布模型比單一擬合分布模型在分析和預測上更具靈活性和靈敏性。假設全局分布為：其中，為隨機變量的值，為隨機變量在分量上的分布函數，是分量上的參數向量，為分布函數的權重，全局混合度有限，為。
仿真與結果
1、樣本選擇本次仿真樣本來源于2003年至2011年的《上海年鑒》以及2001年至2011年的《上海統計年鑒》，抽取2000年至2010年間4組大類8組小類共32個屬性（如圖3）驗證本文中多源信息云智能交通系統自適應服務模型的可行性。樣本數據從旅客出行行為出發，對不同交通出行模式和支付方式數據依次進行預處理、優化處理、前饋神經網絡訓練、混合分布擬合。2、前饋神經網絡訓練結果本次仿真在進行神經網絡訓練之前，運用SPSS軟件對維度為11×32維數據進行預處理，首先通過區間估算方法處理統計過程中的缺省數據，其次統一所有數據量綱，最后Newton法優化為11×19維。優化結果顯示，{{旅客發送量,公路},{{“市民信箱”累計注冊用戶“,付費通”業務平臺交易量“,付費通”業務平臺交易額,交通卡銷售額,銀行卡交易額},{個人信用報告累計出具數量}},{{軌道運營車輛,軌道行駛里程,軌道客運總量},{高架道路長度}},{{公交線路長度,公交線路條數,公交客運總量},{出租運營車輛數,出租載客車次量,出租運營里程},{輪渡乘客人數}}}被保留進入神經網絡訓練進程。本次仿真取100%樣本作為訓練數據集，運用SPSSClementine軟件進行神經網絡訓練，對隱藏層數為1、2、3三種情況分別做訓練，結果如表1所示。結果顯示，本次樣本訓練得到2個隱藏層的神經網絡為本次最優神經網絡，估計的準確性可達90.188%。同時證明Newton法預優化原始數據一方面縮短神經網絡訓練時間，另一方面控制神經網絡具有較高估計準確性。可以認為，本多源信息云智能交通系統自適應服務模型基本可行。3、混合分布擬合結果本次仿真運用SPSS軟件擬合混合分布。擬合結果如圖4所示。X軸為時間軸，Y軸為數量軸，X軸下方19個屬性代號，代表混合分布由19個簡單分布混合擬合得到。綜上證明，源信息云智能交通系統自適應服務模型具有可行性。
總結與應用
云計算實際上是信息服務的社會化、集約化和專業化，正逐漸成為一種新興的網絡服務模式，導致多源信息資源的融合機制與管理方法發生變化，這種變化為信息服務模式創新和服務功能整合提供強大動力。因此，通過對來自不同信息源進行有效整合，讓各類信息資源之間形成融合、集成與互補，準確和方便地為用戶提供信息需求，是未來信息服務的發展趨勢。本模型以云智能交通系統中各行為要素為研究對象，以服務內容為輸出對象，行為人為服務對象，在改善上海市交通管理、減少交通擁堵與污染上具有重要現實意義，具有實際應用價值。
