前言：本站為你精心整理了構(gòu)思智能交通體系服務(wù)模板構(gòu)建范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

作者：熊勵(lì)薛珊?jiǎn)挝唬荷虾４髮W(xué)管理學(xué)院

上海市作為國(guó)家云計(jì)算服務(wù)創(chuàng)新試點(diǎn)城市之一，“十二五”期間將在五大領(lǐng)域推進(jìn)云計(jì)算的示范應(yīng)用，其中包括以云計(jì)算、物聯(lián)網(wǎng)等信息服務(wù)系統(tǒng)來支撐上海建設(shè)“智慧城市”的交通管理。面對(duì)傳統(tǒng)交通信息來源有限、可靠性差、滯后等缺陷，急需借助于云計(jì)算環(huán)境來研究多源交通信息的融合機(jī)理，催生多源交通信息服務(wù)模式的改變。本文著力構(gòu)建多源信息云智能交通系統(tǒng)自適應(yīng)服務(wù)模型，篩選年鑒數(shù)據(jù)為樣本，通過SPSS軟件仿真，最終驗(yàn)證此模型的可行性。

模型構(gòu)建

1、處理流程云計(jì)算環(huán)境下智能交通系統(tǒng)中多源信息渠道得到的原始數(shù)據(jù)具有典型無組織性。本文構(gòu)建多源信息云智能交通系統(tǒng)自適應(yīng)服務(wù)模型，處理流程如圖1所示。多源信息云智能交通系統(tǒng)自適應(yīng)服務(wù)模型全流程均在云計(jì)算環(huán)境下進(jìn)行，實(shí)時(shí)信息至歷史信息的傳遞過程體現(xiàn)本模型處理過程的動(dòng)態(tài)性。此模型中自適應(yīng)性體現(xiàn)在：（1）通過Newton多元參數(shù)優(yōu)化法實(shí)現(xiàn)樣本降維處理；（2）通過前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程得到云智能交通系統(tǒng)信息服務(wù)最優(yōu)拓?fù)浣Y(jié)構(gòu)，即確定前饋神經(jīng)網(wǎng)絡(luò)中隱藏層邏輯結(jié)構(gòu)，通過前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程得到最優(yōu)層間權(quán)重和最優(yōu)迭代參數(shù)，從而得到最優(yōu)神經(jīng)網(wǎng)絡(luò)；（3）通過有限混合分布擬合前饋神經(jīng)網(wǎng)絡(luò)正向輸出數(shù)據(jù)，得到更具靈活性的全局分布。2、多元參數(shù)優(yōu)化多元參數(shù)優(yōu)化目的旨在尋找維元參數(shù)向量的標(biāo)量評(píng)分函數(shù)的最小值。在多源信息神經(jīng)網(wǎng)絡(luò)自適應(yīng)服務(wù)模型中，實(shí)驗(yàn)樣本維數(shù)通常比較大，而多維空間中局部最小值現(xiàn)象突出，如果在多源數(shù)據(jù)預(yù)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(shù)據(jù)降維。多元參數(shù)優(yōu)化運(yùn)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(shí)的估計(jì)參數(shù)，是下一步迭代移動(dòng)方向的維向量。神經(jīng)網(wǎng)絡(luò)中的反饋思想運(yùn)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(jīng)過有限次迭代可以找到對(duì)應(yīng)的，但并不是優(yōu)選迭代法。Newton方法定義局部迭代過程為：其中，是在點(diǎn)處二階導(dǎo)數(shù)矩陣的逆矩陣（），為函數(shù)的一階導(dǎo)數(shù)，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(diǎn)。3、前饋神經(jīng)網(wǎng)絡(luò)多層前饋神經(jīng)網(wǎng)絡(luò)包括輸入層、若干隱藏層和輸出層。訓(xùn)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(quán)全連接，和分別為其權(quán)重，如圖2所示。多層前饋神經(jīng)網(wǎng)絡(luò)層數(shù)取決于隱藏層個(gè)數(shù)，若隱藏層個(gè)數(shù)為3，則有4層輸出單元，則此多層前饋神經(jīng)網(wǎng)絡(luò)為四層神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)越復(fù)雜，則多層前饋神經(jīng)網(wǎng)絡(luò)的層數(shù)越多，需要權(quán)重參數(shù)參與數(shù)越多，自適應(yīng)系統(tǒng)訓(xùn)練能力也就越強(qiáng)。確定最優(yōu)系統(tǒng)的隱藏層個(gè)數(shù)沒有確定的規(guī)則可以遵循，多層前饋神經(jīng)網(wǎng)絡(luò)最優(yōu)結(jié)構(gòu)的確定與網(wǎng)絡(luò)層間最優(yōu)參數(shù)的確定一樣，都是重復(fù)訓(xùn)練過程，訓(xùn)練結(jié)果直接影響神經(jīng)網(wǎng)絡(luò)自適應(yīng)系統(tǒng)的準(zhǔn)確性。估計(jì)的準(zhǔn)確性為本模型重要精度指標(biāo)。4、有限混合分布一般地，多源數(shù)據(jù)集數(shù)據(jù)為異質(zhì)數(shù)據(jù)集，代表數(shù)據(jù)來自不同的小組，而非單一同質(zhì)組。通常，異質(zhì)數(shù)據(jù)可能反映不同內(nèi)在現(xiàn)象，簡(jiǎn)單處理異質(zhì)數(shù)據(jù)將人為導(dǎo)致數(shù)據(jù)信息沉沒。引入權(quán)重處理有限源數(shù)據(jù)集的數(shù)據(jù)異質(zhì)性，使得混合分布模型比單一擬合分布模型在分析和預(yù)測(cè)上更具靈活性和靈敏性。假設(shè)全局分布為：其中，為隨機(jī)變量的值，為隨機(jī)變量在分量上的分布函數(shù)，是分量上的參數(shù)向量，為分布函數(shù)的權(quán)重，全局混合度有限，為。

仿真與結(jié)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(tǒng)計(jì)年鑒》，抽取2000年至2010年間4組大類8組小類共32個(gè)屬性（如圖3）驗(yàn)證本文中多源信息云智能交通系統(tǒng)自適應(yīng)服務(wù)模型的可行性。樣本數(shù)據(jù)從旅客出行行為出發(fā)，對(duì)不同交通出行模式和支付方式數(shù)據(jù)依次進(jìn)行預(yù)處理、優(yōu)化處理、前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練、混合分布擬合。2、前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果本次仿真在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，運(yùn)用SPSS軟件對(duì)維度為11×32維數(shù)據(jù)進(jìn)行預(yù)處理，首先通過區(qū)間估算方法處理統(tǒng)計(jì)過程中的缺省數(shù)據(jù)，其次統(tǒng)一所有數(shù)據(jù)量綱，最后Newton法優(yōu)化為11×19維。優(yōu)化結(jié)果顯示，{{旅客發(fā)送量,公路},{{“市民信箱”累計(jì)注冊(cè)用戶“,付費(fèi)通”業(yè)務(wù)平臺(tái)交易量“,付費(fèi)通”業(yè)務(wù)平臺(tái)交易額,交通卡銷售額,銀行卡交易額},{個(gè)人信用報(bào)告累計(jì)出具數(shù)量}},{{軌道運(yùn)營(yíng)車輛,軌道行駛里程,軌道客運(yùn)總量},{高架道路長(zhǎng)度}},{{公交線路長(zhǎng)度,公交線路條數(shù),公交客運(yùn)總量},{出租運(yùn)營(yíng)車輛數(shù),出租載客車次量,出租運(yùn)營(yíng)里程},{輪渡乘客人數(shù)}}}被保留進(jìn)入神經(jīng)網(wǎng)絡(luò)訓(xùn)練進(jìn)程。本次仿真取100%樣本作為訓(xùn)練數(shù)據(jù)集，運(yùn)用SPSSClementine軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，對(duì)隱藏層數(shù)為1、2、3三種情況分別做訓(xùn)練，結(jié)果如表1所示。結(jié)果顯示，本次樣本訓(xùn)練得到2個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)為本次最優(yōu)神經(jīng)網(wǎng)絡(luò)，估計(jì)的準(zhǔn)確性可達(dá)90.188%。同時(shí)證明Newton法預(yù)優(yōu)化原始數(shù)據(jù)一方面縮短神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間，另一方面控制神經(jīng)網(wǎng)絡(luò)具有較高估計(jì)準(zhǔn)確性。可以認(rèn)為，本多源信息云智能交通系統(tǒng)自適應(yīng)服務(wù)模型基本可行。3、混合分布擬合結(jié)果本次仿真運(yùn)用SPSS軟件擬合混合分布。擬合結(jié)果如圖4所示。X軸為時(shí)間軸，Y軸為數(shù)量軸，X軸下方19個(gè)屬性代號(hào)，代表混合分布由19個(gè)簡(jiǎn)單分布混合擬合得到。綜上證明，源信息云智能交通系統(tǒng)自適應(yīng)服務(wù)模型具有可行性。

總結(jié)與應(yīng)用

云計(jì)算實(shí)際上是信息服務(wù)的社會(huì)化、集約化和專業(yè)化，正逐漸成為一種新興的網(wǎng)絡(luò)服務(wù)模式，導(dǎo)致多源信息資源的融合機(jī)制與管理方法發(fā)生變化，這種變化為信息服務(wù)模式創(chuàng)新和服務(wù)功能整合提供強(qiáng)大動(dòng)力。因此，通過對(duì)來自不同信息源進(jìn)行有效整合，讓各類信息資源之間形成融合、集成與互補(bǔ)，準(zhǔn)確和方便地為用戶提供信息需求，是未來信息服務(wù)的發(fā)展趨勢(shì)。本模型以云智能交通系統(tǒng)中各行為要素為研究對(duì)象，以服務(wù)內(nèi)容為輸出對(duì)象，行為人為服務(wù)對(duì)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(xiàn)實(shí)意義，具有實(shí)際應(yīng)用價(jià)值。