本發(fā)明涉及公交路線查詢
技術(shù)領(lǐng)域：
，尤其是涉及一種能夠提供乘客準確、及時、優(yōu)化的公交信息服務(wù)，生成出行輔助計劃，主動而合理的引導(dǎo)乘客出行的基于深度學(xué)習(xí)的城市公交線路查詢方法。
背景技術(shù)：
：隨著我國汽車產(chǎn)業(yè)的逐步發(fā)展，城市道路擁堵問題日益嚴重。通過有效分析目前城市公交線路和站點的相關(guān)數(shù)據(jù)，并在此基礎(chǔ)上建立合理的數(shù)學(xué)分析模型對大規(guī)模公交線路數(shù)據(jù)進行充分挖掘，找出不同線路之間彼此存在的內(nèi)在關(guān)系，從而為乘客提供合理的公交出行路線。傳統(tǒng)的公交線路查詢算法有迪杰斯特拉(DijKstra)算法及其相應(yīng)的改進算法、Floyd算法、Moore算法、深度優(yōu)先搜索算法以及遺傳算法等?；谀壳暗难芯楷F(xiàn)狀，諸如此類算法對于大規(guī)模的公交線路數(shù)據(jù)進行有效成分分析及彼此內(nèi)聯(lián)關(guān)系的分析及時間優(yōu)化上還存在一定的不足，難以得到一個較為合理的公交出行路線。技術(shù)實現(xiàn)要素：本發(fā)明的發(fā)明目的是為了克服現(xiàn)有技術(shù)中的針對現(xiàn)有城市公交的相關(guān)數(shù)據(jù)，根據(jù)目前傳統(tǒng)的算法進行線路查詢，由于換成次數(shù)、出行時間、起始距離以及行程費用等因素的相互制約，因此傳統(tǒng)方法難以得到一個較為合理的公交出行路線的不足，提供了一種能夠提供乘客準確、及時、優(yōu)化的公交信息服務(wù)，生成出行輔助計劃，主動而合理的引導(dǎo)乘客出行的基于深度學(xué)習(xí)的城市公交線路查詢方法。為了實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：一種基于深度學(xué)習(xí)的城市公交線路查詢方法，包括如下步驟：(1-1)采集公交線路相關(guān)數(shù)據(jù)；(1-2)對公交線路數(shù)據(jù)進行預(yù)處理；(1-3)采用深度自動編碼器(DAE)和主成分分析(PCA)相結(jié)合進行公交線路數(shù)據(jù)訓(xùn)練，獲得改進的深度自動編碼器(PCA-DAE)神經(jīng)網(wǎng)絡(luò)模型；(1-4)訓(xùn)練大規(guī)模公交線路數(shù)據(jù)，得到改進的深度神經(jīng)網(wǎng)絡(luò)自動編碼器PCA-DAE預(yù)測模型；(1-5)利用訓(xùn)練好的PCA-DAE預(yù)測模型進行公交線路查詢。作為優(yōu)選，所述步驟(1-1)包括如下步驟：(2-1)采集各城市公交線路數(shù)據(jù)；(2-2)采集公交各線路的站點數(shù)據(jù)；(2-3)采集各線路的起止出發(fā)時間，停運時間，各相鄰站點之間行駛需要的時間等數(shù)據(jù)，形成線路時間數(shù)據(jù)鏈條；(2-4)采集各線路相鄰站點間的距離數(shù)據(jù)，形成線路距離數(shù)據(jù)鏈條；(2-5)采集各線路的行程費用數(shù)據(jù)。作為優(yōu)選，所述步驟(1-3)包括如下步驟：(3-1)DAE的預(yù)訓(xùn)練：采用PCA將經(jīng)過預(yù)處理的公交線路數(shù)據(jù)生成DAE神經(jīng)網(wǎng)絡(luò)的輸入層；用無監(jiān)督的方法將DAE的隱含層全部初始化，然后再用逐層wake-sleep算法將每個隱含層訓(xùn)練為自動關(guān)聯(lián)器，實現(xiàn)輸入數(shù)據(jù)的重構(gòu)，其基本步驟可總結(jié)如下：(3-1-1)逐層構(gòu)建單層神經(jīng)元，每次構(gòu)造一個單層網(wǎng)絡(luò)；(3-1-2)當所有層構(gòu)造完后，每層采用wake-sleep算法進行調(diào)優(yōu)；每次僅調(diào)整一層，逐層調(diào)整；(3-2)在神經(jīng)網(wǎng)絡(luò)模型的輸出層之后加入支持向量機(SVM)分類器，將整個神經(jīng)網(wǎng)絡(luò)訓(xùn)練成能完成分層特征提取和數(shù)據(jù)分類任務(wù)的多重感知器；(3-3)DAE的微調(diào)：通過監(jiān)督學(xué)習(xí)，利用梯度下降法調(diào)整網(wǎng)絡(luò)參數(shù)：采用BP算法將深度自動編碼器的輸入層、輸出層和所有隱含層視為一個整體，用有監(jiān)督學(xué)習(xí)算法進一步調(diào)整經(jīng)過預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，經(jīng)過多次迭代后，所有權(quán)值及偏置均被優(yōu)化。其中，PCA是一種目標統(tǒng)計特性的最佳正交變換，將原本高維空間投影到一個新的低維度且相互正交的空間上，找出樣本的主要成分來重新表達圖像的某些細節(jié)特征。假設(shè)有m個訓(xùn)練樣本，特征維度均為n維，此時所有訓(xùn)練樣本的特征向量就可以用矩陣(3.1)表示為：P=p11p12p13...p1np21p22p23...p2np31p31p33...p3n............pm1pm2pm3...pmn---(3.1)]]>其中行數(shù)為訓(xùn)練樣本的數(shù)量，列數(shù)為每個樣本的特征維度。矩陣P的樣本均值為P‾={Σi=1mpi1m,Σi=1mpi2m,...,Σi=1mRinm}---(3.2)]]>降維之前需要計算矩陣P的協(xié)方差矩陣。記P＝{q1，q2，q3，…，qn}，其中q1＝[p11，p21，p31，…，pm1]T，q2＝[p12，p22，p32，…，pm2]T其它的依次類推。協(xié)方差矩陣計算如下：CP=cov(q1,q1)cov(q1,q2)cov(q1,q3)...cov(q1,qn)cov(q2,q1)cov(q2,q2)cov(q2,q3)...cov(q2,qn)cov(q3,q1)cov(q3,q2)cov(q3,q3)...cov(q3,qn)............cov(qn,q1)cov(qn,q2)cov(qn,q3)...cov(qn,qn)---(3.3)]]>最后計算協(xié)方差矩陣CP的特征值和特征向量。假設(shè)取所有特征值中的前m個值。此時特征向量矩陣K＝{k1，k2，k3，…，km}T，最后的降維矩陣可以表示為：Result=[P-P‾]×KT---(3.4)]]>通過上式可以有出最后降維的維度為m，因此特征值的選取個數(shù)即是降維的維數(shù)。其中，DAE由編碼器、解碼器和隱含層組成。編碼器是輸入x到隱含表示h的映射，表示為：h＝f(x)＝Sf(w+bn)，其中，w為權(quán)重，b為偏置，Sf是非線性激活函數(shù)，一般為邏輯函數(shù)，其表達式為：sigmoid(z)＝1/(1+z-1)解碼器函數(shù)g(h)將隱含層數(shù)據(jù)映射回重構(gòu)y，表示為：y＝g(h)＝Sg(w′h+by)其中，Sg是解碼器的激活函數(shù)，一般為線性函數(shù)或者sigmoid函數(shù)。訓(xùn)練DAE的過程是在訓(xùn)練樣本集D上尋找參數(shù)θ＝{W，by，bh}的最小化重構(gòu)誤差，重構(gòu)誤差的表達式為：JAE=Σx∈DL(x,g(f(x)))]]>其中，L為重構(gòu)誤差函數(shù)，一般可以用平方誤差函數(shù)或交叉熵損失函數(shù)，二者分別表示為：L(x，y)＝||x-y||2L(x,y)=-Σi=1dxilogyi+(1-xi)log(1-yi)]]>其中，平方誤差用于線性Sg，交叉熵損失函數(shù)用于sigmoid。其中，wake-sleep算法：A、wake階段：認知過程，通過下層的輸入特征(Input)和向上的認知(Encoder)權(quán)重產(chǎn)生每一層的抽象表示(Code)，在通過當前的生成(Decoder)權(quán)重產(chǎn)生一個重建信息(Reconstruction)，計算輸入特征和重建信息殘差，使用梯度下降修改層間的下行生成(Decoder)權(quán)重。B、sleep階段：生成過程，通過上層概念(Code)和向下的生成(Decoder)權(quán)重，生成下層的狀態(tài)，再利用認知(Encoder)權(quán)重產(chǎn)生一個抽象景象。利用初始上層概念和新建抽象景象的殘差，利用梯度下降修改層間向上的認知(Encoder)權(quán)重。以上步驟的主要目的是進行網(wǎng)絡(luò)參數(shù)的初始化。作為優(yōu)選，所述步驟(1-4)包括如下步驟：(4-1)PCA-DAE在分布式系統(tǒng)上訓(xùn)練大規(guī)模公交線路數(shù)據(jù)：在CPU+GPU協(xié)同計算集群上實現(xiàn)。作為優(yōu)選，所述步驟(1-5)包括如下步驟：(5-1)輸入數(shù)據(jù)為乘客出行始發(fā)站和終點站的公交站點數(shù)據(jù)；(5-2)輸出結(jié)果為公交出行路線方案：(5-2-1)有直達路線的優(yōu)先采用直達路線；(5-2-2)在沒有直達的情況下優(yōu)先考慮一次換乘方案，并將所有的一次換乘方案依次按照出行時間長短、距離遠近、費用多少等因素進行排序，供乘客進行選擇；(5-2-3)當沒有一次換乘方案的條件下優(yōu)先考慮二次換乘方案，并將所有的二次換乘方案依次按照(5-2-2)中給定的相關(guān)因素進行排序，供乘客進行選擇；(5-2-4)同理，當沒有二次換乘方案的條件下優(yōu)先考慮三次換乘方案，并將所有的三次換乘方案也依次按照(5-2-2)中給定的相關(guān)因素進行排序，供乘客進行選擇；(5-2-5)當需要超過3次以上換乘才能達到目的地的情況下，能告知乘客合理選擇其它的出行方式。因此，本發(fā)明具有如下有益效果：深度學(xué)習(xí)算法提供乘客準確、及時、優(yōu)化的公交信息服務(wù)，生成出行輔助計劃，主動而合理的引導(dǎo)乘客出行，不僅方便了乘客，還讓缺少秩序的交通出行變得有秩序，使客流分布更加合理。附圖說明圖1是本發(fā)明的一種方法流程圖；圖2是本發(fā)明的一種全國公交線路數(shù)據(jù)集合示意圖；圖3是本發(fā)明的一種自動編碼模型；圖4是本發(fā)明的一種改進的深度自動編碼器PCA-DAE預(yù)測模型。具體實施方式下面結(jié)合附圖和具體實施方式對本發(fā)明做進一步的描述。如圖1所述的實施例是一種基于深度學(xué)習(xí)的城市公交線路查詢方法，包括如下步驟：步驟100：采集公交線路相關(guān)數(shù)據(jù)：步驟110：采集各城市公交線路數(shù)據(jù)；步驟120：采集公交各線路的站點數(shù)據(jù)；步驟130：采集各線路的起止出發(fā)時間，停運時間，各相鄰站點之間行駛需要的時間等數(shù)據(jù)，形成線路時間數(shù)據(jù)鏈條；步驟140：采集各線路相鄰站點間的距離數(shù)據(jù)，形成線路距離數(shù)據(jù)鏈條；步驟150：采集各線路的行程費用數(shù)據(jù)。對于公交數(shù)據(jù)按照一定規(guī)律對其進行分組，形成相應(yīng)的數(shù)據(jù)集；以城市為單位進行匯總，最后將形成全國的公交線路數(shù)據(jù)；將城市數(shù)據(jù)當成父節(jié)點，對每個城市的所有公交路線進行統(tǒng)計，將上述五種數(shù)據(jù)分別放在不同路線的子數(shù)據(jù)集中，最后將得到一個較大規(guī)模的全國公交路網(wǎng)數(shù)據(jù)集合，如圖2所示。步驟200：對公交線路數(shù)據(jù)進行預(yù)處理：根據(jù)上述的五類公交數(shù)據(jù)，對其進行統(tǒng)一歸一化處理，獲得各個城市的公交線路數(shù)據(jù)記為(X1，X2，X3…，Xn)，其中X1表示第一條線路的相關(guān)數(shù)據(jù)，X2表示第二條線路的相關(guān)數(shù)據(jù)，其它的依次類推；每條公交線路數(shù)據(jù)具體包含文中上述的五種數(shù)據(jù)，如路線數(shù)據(jù)R1，R1中包含的站點數(shù)據(jù)(S1，S2，S3…，Sn)，相鄰站點行程時間及起止出發(fā)時間數(shù)據(jù)(T1，T2，T3…，Tn-1)，相鄰站點行程距離數(shù)據(jù)(D1，D2，D3…，Dn-1)和票價數(shù)據(jù)M1。步驟300：采用深度自動編碼器(DAE)和主成分分析(PCA)相結(jié)合進行公交線路數(shù)據(jù)訓(xùn)練，獲得改進的深度自動編碼器(PCA-DAE)神經(jīng)網(wǎng)絡(luò)模型；步驟310：DAE的預(yù)訓(xùn)練：采用PCA將經(jīng)過預(yù)處理的公交線路數(shù)據(jù)生成DAE神經(jīng)網(wǎng)絡(luò)的輸入層；用無監(jiān)督的方法將DAE的隱含層全部初始化，然后再用逐層wake-sleep算法將每個隱含層訓(xùn)練為自動關(guān)聯(lián)器，實現(xiàn)輸入數(shù)據(jù)的重構(gòu)，其基本步驟可總結(jié)如下：步驟311：逐層構(gòu)建單層神經(jīng)元，每次構(gòu)造一個單層網(wǎng)絡(luò)；步驟312：當所有層構(gòu)造完后，每層采用wake-sleep算法進行調(diào)優(yōu)；每次僅調(diào)整一層，逐層調(diào)整。通過PCA得到第一層公交數(shù)據(jù)流記為code(h1(1)，h2(1)，h3(1)，…，ht(1)，…，hn(1))。本發(fā)明采用的自動編碼模型如圖3所示，我們將第一層輸出的code當成第二層的輸入input數(shù)據(jù)流，將input公交線路數(shù)據(jù)流輸入一個encoder編碼器，就會得到一個code，這個code也就是輸入的一個表示，為了確定輸出code就是input的一個表示，加一個decoder解碼器，這時候decoder就會輸出一個信息reconstruction，輸出的這個信息和一開始的輸入數(shù)據(jù)input是比較接近的，在理想情況下幾乎是一樣的，我們就有理由相信這個code是輸入input的最好詮釋。所以，每一層就是通過調(diào)整encoder編碼器和decoder解碼器的參數(shù)，使得重構(gòu)誤差最小，此時就得到了輸入input數(shù)據(jù)流的第一個表示了，即編碼code。因為是無標簽數(shù)據(jù)，所以誤差的來源就是直接重構(gòu)后與原輸入input相比得到。從而得到第二層的參數(shù)，并且得到第二層輸入公交數(shù)據(jù)流的code(h1(2)，h2(2)，h3(2)，…，ht(2)，…，hn(2))，也就是原輸入信息(x1，x2，x3，…，xt，…，xn)的第二個表達了。其他層利用同樣的方法進行訓(xùn)練，訓(xùn)練當前層，前面層的參數(shù)都是固定的，這時候他們的decoder已經(jīng)不需要了。步驟320：在神經(jīng)網(wǎng)絡(luò)模型的輸出層之后加入支持向量機(SVM)分類器，將整個神經(jīng)網(wǎng)絡(luò)訓(xùn)練成能完成分層特征提取和數(shù)據(jù)分類任務(wù)的多重感知器；步驟330：DAE的微調(diào)：通過監(jiān)督學(xué)習(xí)，利用梯度下降法調(diào)整網(wǎng)絡(luò)參數(shù)：采用BP算法將深度自動編碼器的輸入層、輸出層和所有隱含層視為一個整體，用有監(jiān)督學(xué)習(xí)算法進一步調(diào)整經(jīng)過預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，經(jīng)過多次迭代后，所有權(quán)值及偏置均被優(yōu)化。步驟331：隨機選取類標數(shù)據(jù)樣本用BP算法對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，計算各層的輸出；步驟332：求出各層的重構(gòu)誤差，并根據(jù)誤差修正權(quán)值和偏置；步驟333：根據(jù)性能指數(shù)判定誤差是否滿足要求，如果未能滿足要求則重復(fù)步驟331和步驟332，直到整個網(wǎng)絡(luò)輸出滿足期望要求；步驟334：得出最后改進的深度自動編碼器PCA-DAE預(yù)測模型如圖4所示。步驟400：訓(xùn)練大規(guī)模公交線路數(shù)據(jù)，得到改進的深度神經(jīng)網(wǎng)絡(luò)自動編碼器PCA-DAE預(yù)測模型；PCA-DAE在分布式系統(tǒng)上訓(xùn)練大規(guī)模公交線路數(shù)據(jù)：在CPU+GPU協(xié)同計算集群上實現(xiàn)。步驟500：利用訓(xùn)練好的PCA-DAE預(yù)測模型進行公交線路查詢。步驟510：輸入數(shù)據(jù)為乘客出行始發(fā)站和終點站的公交站點數(shù)據(jù)；步驟520：輸出結(jié)果為公交出行路線方案：步驟521：有直達路線的優(yōu)先采用直達路線；步驟522：在沒有直達的情況下優(yōu)先考慮一次換乘方案，并將所有的一次換乘方案依次按照出行時間長短、距離遠近、費用多少等因素進行排序，供乘客進行選擇；步驟523：當沒有一次換乘方案的條件下優(yōu)先考慮二次換乘方案，并將所有的二次換乘方案依次按照步驟522中給定的相關(guān)因素進行排序，供乘客進行選擇；步驟524：同理，當沒有二次換乘方案的條件下優(yōu)先考慮三次換乘方案，并將所有的三次換乘方案也依次按照步驟522中給定的相關(guān)因素進行排序，供乘客進行選擇；步驟525：當需要超過3次以上換乘才能達到目的地的情況下，能告知乘客合理選擇其它的出行方式。本發(fā)明使用深度學(xué)習(xí)自動編碼器DAE模型對大規(guī)模公交線路數(shù)據(jù)進行分析，從而完成起止站點間線路的查詢?nèi)蝿?wù)。完成預(yù)訓(xùn)練和微調(diào)的DAE具有生物神經(jīng)系統(tǒng)的基本特征，在一定程度上反映了人腦的若干功能，是對生物系統(tǒng)的成功模擬，實現(xiàn)了無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)的有機結(jié)合，且不同隱含層能學(xué)到不同的特征，低階隱含層為高階隱含層提供特征模式，便于高階隱含層進行模式組合。同時，DAE的拓撲結(jié)構(gòu)完整，具有強大的非線性擬合能力，能發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示，提取數(shù)據(jù)的潛在分層特征，獲取原始輸入的“層次型分組”或“部分-整體分解”結(jié)構(gòu)，因而可以更好地表示輸入數(shù)據(jù)，具有大規(guī)模并行、分布式處理、自組織和自學(xué)習(xí)等優(yōu)點。因此，本發(fā)明具有如下有益效果：深度學(xué)習(xí)算法提供乘客準確、及時、優(yōu)化的公交信息服務(wù)，生成出行輔助計劃，主動而合理的引導(dǎo)乘客出行，不僅方便了乘客，還讓缺少秩序的交通出行變得有秩序，使客流分布更加合理。應(yīng)理解，本實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。當前第1頁1 2 3