国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于邊緣計算的道路行程時間預(yù)測

2020-07-27 16:11黃相銘祝嘉輝祝富鍇高巖
軟件工程 2020年7期
關(guān)鍵詞:邊緣計算

黃相銘 祝嘉輝 祝富鍇 高巖

摘? 要:為了解決目前市面上的導(dǎo)航軟件無法針對用戶個性化預(yù)測的問題,本文提出了基于邊緣計算的道路行程時間預(yù)測的預(yù)測思想,并在之后就系統(tǒng)架構(gòu)和預(yù)測過程進(jìn)行了詳細(xì)論述。為了實現(xiàn)個性化預(yù)測,本文根據(jù)速度變化特征將用戶的行為模式分成了三類,并對每一類行為模式構(gòu)建了對應(yīng)的數(shù)據(jù)集。在基于用戶行為模式的預(yù)測算法方面,本文對每一類數(shù)據(jù)集分別應(yīng)用了ELM模型和LSTM模型,通過對模型的預(yù)測表現(xiàn)進(jìn)行對比確定了最優(yōu)模型,并將模型及其參數(shù)裝載到邊緣端。

最終,本文通過大量的實驗,將該研究所提供的時間預(yù)測和百度地圖提供的時間預(yù)測進(jìn)行對比,驗證了本文研究內(nèi)容的可行性和準(zhǔn)確性;以實例證明了本文設(shè)計并實現(xiàn)的道路行程時間預(yù)測原型系統(tǒng)的實用性和有效性。

關(guān)鍵詞:道路行程時間預(yù)測方法;邊緣計算;行為模式分類

中圖分類號:TP391? ? ?文獻(xiàn)標(biāo)識碼:A

Abstract: This paper first proposes a framework of road travel time prediction based on edge computation, and then elaborates its system architecture and prediction process. The navigation software in current market does not make personalized prediction for users. In order to achieve personalized prediction, users' behavior patterns will be classified into three categories based on characteristics of driving speed changes. For each of these three categories, the corresponding data sets are collected. With regard to prediction algorithm based on users' behavior patterns, the optimal model is determined by comparing the prediction performance of ELM and LSTM models, which are trained with data sets separately. And then, the optimal model and its parameters are loaded to the ends of edge computing. Finally, a large number of experiments are conducted by comparing the time prediction presented in this research with that of Baidu Map so to verify the feasibility and accuracy of this framework. The prototype system of road travel time prediction designed and implemented in this paper is proved to be practical and effective with real cases.

Keywords: road travel time prediction method; edge computing; classification of behavior patterns

1? ?引言(Introduction)

一直以來,城市道路交通所追求的是人、車、路的密切配合與和諧統(tǒng)一,因此盡可能地提高道路交通運行的效率、確保交通運行的安全度、提高能源的利用率并且改善環(huán)境成為人類的共同目標(biāo)。一種能夠?qū)崿F(xiàn)準(zhǔn)確、實時、高效率地對城市道路交通信息進(jìn)行大范圍處理的智能交通系統(tǒng)便成了時代發(fā)展所需。邊緣計算指的是在網(wǎng)絡(luò)的邊緣來處理數(shù)據(jù),這樣能夠減少請求響應(yīng)時間、提升電池續(xù)航能力、減少網(wǎng)絡(luò)帶寬同時保證數(shù)據(jù)的安全性和私密性[1-4]。邊緣計算模型框架示意圖如圖1所示。

相關(guān)研究表明,與云計算模型相比,邊緣計算的優(yōu)勢主要體現(xiàn)在幾個方面。

在文獻(xiàn)[5]的實驗中,研究人員將人臉識別的計算過程從云端移動到邊緣端,響應(yīng)時間由900毫秒縮減到169毫秒。

在文獻(xiàn)[6]中,實驗人員在研究可穿戴的認(rèn)知輔助設(shè)備時,將部分計算任務(wù)從云端卸載到邊緣端,整個系統(tǒng)對資源的消耗減少了30%—40%。

文獻(xiàn)[7]提出的Clone Cloud模型,將部分處理任務(wù)從云端轉(zhuǎn)移到邊緣端,使得數(shù)據(jù)在分區(qū)、遷移與合并等方面減少了20倍的時間。

綜上所述,邊緣計算模型更適合在移動邊緣端處理用戶所產(chǎn)生的數(shù)據(jù),低延遲和高效率更加契合了當(dāng)今人們在快節(jié)奏時代的日常所需。對于本就強調(diào)實時性的“智慧交通”的分支——道路行程時間預(yù)測,邊緣計算無疑是一個與之最為匹配的計算模型。

2? 基于邊緣計算的道路行程時間預(yù)測框架(Framework of road travel time prediction based on edge computing)

2.1? ?預(yù)測過程及研究架構(gòu)

預(yù)測過程主要分為兩大部分,即云端處理部分和邊緣端預(yù)測部分。本小節(jié)將分別闡述兩部分的運作過程。研究架構(gòu)如圖2所示。

云端:我們將搜集到的不同行人的步行GPS數(shù)據(jù)在云端進(jìn)行數(shù)據(jù)預(yù)處理,將經(jīng)緯度坐標(biāo)值序列根據(jù)前述方法轉(zhuǎn)換為速度序列,去掉了無效數(shù)據(jù);其次基于用戶的速度變化情況,對不同行為模式進(jìn)行了分析和分類,基于不同的速度變化方式來構(gòu)建數(shù)據(jù)集;之后主要采用ELM模型和LSTM模型對不同的行為模式所對應(yīng)的數(shù)據(jù)集進(jìn)行訓(xùn)練,通過調(diào)參和模型評判,得到了每種模式所對應(yīng)的最優(yōu)速度預(yù)測模型,并保存下來,裝載到邊緣端。

邊緣端:用戶首先需要選定出發(fā)點和終點,一旦選定,路徑規(guī)劃將自動完成。用戶的初始道路總剩余時間將由冷啟動機制下的初始速度和路徑總長度計算得來。冷啟動過程中,邊緣端將實時接收用戶的GPS軌跡點,并根據(jù)前述方法計算用戶的實時速度。冷啟動結(jié)束后,邊緣端將基于之前搜集到的速度,判斷用戶的行為模式,調(diào)用預(yù)先訓(xùn)練好的模型來預(yù)測下一階段的速度,再結(jié)合剩余路徑距離預(yù)測出剩余行程時間,從而實現(xiàn)基于邊緣計算的道路行程時間預(yù)測的實時周期更新。當(dāng)發(fā)現(xiàn)用戶行為模式改變,邊緣端將調(diào)用與新模式對應(yīng)的預(yù)測模型;當(dāng)預(yù)測值和真實值有較大偏差時,邊緣端將做適當(dāng)調(diào)整。

2.2? ?基于行為模式的速度預(yù)測方法

2.2.1? ?基于ELM模型的速度預(yù)測建模和預(yù)測過程

ELM預(yù)測模型整體需要輸入的數(shù)據(jù)為,

如果分段表示的話即為,其中表示整個訓(xùn)練數(shù)據(jù)集的長度,表示步長?;贓LM模型的速度預(yù)測方法網(wǎng)絡(luò)圖如圖3所示,其中為輸入數(shù)據(jù),是輸入權(quán)重,為偏置,為輸出偏重,為要預(yù)測的速度,通過訓(xùn)練得出輸入和輸出之間的關(guān)系,其中和可以隨機輸入。

根據(jù)圖3可知,基于ELM的速度預(yù)測方法的訓(xùn)練過程包括以下幾個步驟:

輸入訓(xùn)練集數(shù)據(jù)、選定激活函數(shù)和隱藏層節(jié)點個數(shù)。不同的激活函數(shù)可能會造成不同的預(yù)測結(jié)果,所以要選定激活函數(shù)。ELM模型中隱含層神經(jīng)元個數(shù)和預(yù)測步長均會影響ELM的預(yù)測效果,本文會通過大量的實驗來找到最優(yōu)的神經(jīng)元個數(shù)和預(yù)測步長。

隨機設(shè)置輸入權(quán)值和隱藏層節(jié)點偏置。在ELM模型的學(xué)習(xí)過程中,輸入權(quán)值矩陣和隱含層偏置矩陣是隨機生成的,這樣學(xué)習(xí)訓(xùn)練的結(jié)果很快。

當(dāng)ELM模型中所需要的預(yù)測步長、參數(shù)節(jié)點個數(shù)、輸入權(quán)值和均確定后即可根據(jù)訓(xùn)練集進(jìn)行訓(xùn)練,首先計算出輸入矩陣的廣義逆矩陣。

計算ELM預(yù)測模型中隱含層到輸出層的輸出權(quán)值。將確定后,整個模型最終確定。因為輸入權(quán)值矩陣和隱含層偏置矩陣是隨機生成的,多試驗幾次,并且用測試集對其進(jìn)行測試,計算預(yù)測誤差,選取最優(yōu)的預(yù)測模型。

將訓(xùn)練模型用的輸入權(quán)值,隱藏節(jié)點偏置,隱藏層節(jié)點個數(shù),預(yù)測步長和隱藏層到輸出層的權(quán)值保存下來,以便以后進(jìn)行預(yù)測使用。

2.2.2? ?基于LSTM模型的速度預(yù)測建模和預(yù)測過程

LSTM預(yù)測模型整體需要輸入的數(shù)據(jù)為,如果分段表示的話即為

,其中表示整個訓(xùn)練數(shù)據(jù)集的長度,表示單詞輸入的數(shù)據(jù)維度?;贚STM模型的速度預(yù)測方法網(wǎng)絡(luò)圖如圖4所示,其中為輸入數(shù)據(jù),為輸出結(jié)果,表示時序,代表輸入權(quán)重,代表輸出權(quán)重,代表上一個時刻的輸出值在下一次輸入之中的權(quán)重,是LSTM層與全連接層之間的權(quán)重。

根據(jù)圖4可知,基于LSTM的速度預(yù)測方法的訓(xùn)練過程包括以下幾個步驟:

輸入訓(xùn)練集數(shù)據(jù)、選定激活函數(shù)和隱藏層節(jié)點個數(shù)。不同的激活函數(shù)可能會造成不同的預(yù)測結(jié)果,LSTM模型中默認(rèn)的激活函數(shù)是tanh函數(shù)。

LSTM模型中預(yù)測步長、層數(shù)、神經(jīng)元個數(shù)均會影響預(yù)測效果,本文會通過大量的實驗來找到最優(yōu)的參數(shù)選擇。

隨機設(shè)置權(quán)重值、、。在LSTM模型的學(xué)習(xí)過程中,權(quán)值矩陣、、的值均是隨機生成的,隱藏層神經(jīng)元的個數(shù)決定了初始化多少組參數(shù)矩陣,因此參數(shù)的設(shè)置至關(guān)重要。

當(dāng)LSTM模型中所需要的預(yù)測步長,層數(shù),隱藏層神經(jīng)元個數(shù),輸入權(quán)重、、均確定后即可根據(jù)訓(xùn)練集進(jìn)行訓(xùn)練,首先計算出輸入矩陣的廣義逆矩陣。

計算LSTM預(yù)測模型中全連接層到輸出層的輸出權(quán)值。將確定后,整個模型最終確定。因為權(quán)重值、、是隨機生成的,需進(jìn)行多次實驗,選取最優(yōu)的預(yù)測模型。

將整個訓(xùn)練模型及其權(quán)重參數(shù)以.h5的格式保存下來,以便將來進(jìn)行預(yù)測和調(diào)整。

2.3? ?用戶行為模式的分類

我們的預(yù)測希望能夠為不同行人的不同行為模式提供更精確的個性化服務(wù)。因此,對行人的用戶行為模式規(guī)律性的挖掘具有必要性。本節(jié)將結(jié)合生活實際的經(jīng)驗,對用戶行為模式進(jìn)行分類。由于在道路行程時間預(yù)測的問題中,對速度的預(yù)測是至關(guān)重要的一個環(huán)節(jié),因此我們對步行者的行為模式進(jìn)行分類是基于用戶的速度特征。

根據(jù)我們收集到的用戶步行數(shù)據(jù)信息,我們發(fā)現(xiàn)均可以用三種基于速度變化特征的行為模式來描述用戶的整個步行過程。

2.3.1? ?用戶行為模式的分類

模式一:速度平穩(wěn)模式。

該步行模式下,行人的速度較為穩(wěn)定,其速度值并非完全與X軸水平,只是其Y軸上的波動較小。該種模式多出現(xiàn)在行人在某段路程的步行過程中途,因為行人已經(jīng)達(dá)到了由起步到加速,且對路況和目的地都有了一定的了解,因此會保持自己的一種最舒適的狀態(tài),不會輕易過分改變現(xiàn)有的速度。這一點與日常生活經(jīng)驗也是相吻合的。

模式二:速度勻變模式。

該步行模式下,行人的速度會改變,但是改變方式呈勻速變化,即其加速度穩(wěn)定在一定的區(qū)間內(nèi)。當(dāng)時,步行者的速度呈勻速上升趨勢;當(dāng)時,步行者的速度呈勻速下降趨勢,此兩種情況均可視為勻速變化模式。此種步行模式可能出現(xiàn)在行人跑步健身過程中,其速度在開始時由慢速逐漸加快,在臨近結(jié)束時又由快速勻速減慢;或者是行人在行走過程中心里想到了其他事務(wù),速度會不自覺逐漸下降。這與日常生活經(jīng)驗也是相吻合的。

模式三:速度突變模式。

該步行模式下,行人的速度也會改變,但是改變方式并非呈勻速狀態(tài),而是劇烈突變,即其加速度并非穩(wěn)定在一定的區(qū)間內(nèi)。當(dāng)時,步行者的速度會突然加快;當(dāng)時,步行者的速度會突然減慢,此兩種情況均可視為速度突變模式。在生活中,這樣的速度變化方式是常見的,比如當(dāng)一個行人在行進(jìn)過程中突然發(fā)現(xiàn)前方有一位熟人,于是快速提速并趕上,之后和熟人談?wù)?,并一同慢速前行。在上述所描述的情境中,分別發(fā)生了速度突然變快和速度突然變慢的情況。這與生活實際經(jīng)驗相符,也同時印證了上一節(jié)所論述的行人步行過程的非均質(zhì)性和弱規(guī)則性。

上述的基于用戶速度變化的分類方式具有可行性和合理性,與實際生活經(jīng)驗相符,能夠合理刻畫出用戶的步行過程。

2.3.2? ?用戶行為模式的判別

在實際預(yù)測過程中,當(dāng)用戶行為模式發(fā)生改變時,邊緣端需要更換對應(yīng)的裝載好的模型去做預(yù)測。這就為我們判斷用戶行為模式的改變提出了要求。本文擬采用最小二乘法直線擬合方式來判斷用戶的行為模式。

在每次判斷用戶的行為模式是否發(fā)生改變之前,邊緣端會收集行人的個GPS軌跡數(shù)據(jù),并計算出速度值序列。簡便起見,不妨設(shè)此時得到個速度值分別為:,為了應(yīng)用最小二乘法,我們將其轉(zhuǎn)換成坐標(biāo)格式,即為:。

假設(shè)我們需要擬合的直線方程為,根據(jù)最小二乘法的原理,我們需要讓總的最小平方誤差盡可能小,的計算方法如公式(1)所示。

我們最終可以推導(dǎo)出直線方程的斜率的值如公式(2)所示。

在確定了直線公式后,我們再將帶入公式(1)計算出對應(yīng)的,然后我們對和分別設(shè)置閾值和,并據(jù)此得出三類行為模式的判別方式。行為模式判別的流程圖如圖5所示。

在實際預(yù)測過程中,閾值和通過大量的實驗數(shù)據(jù)得來。本文研究中分別將上述兩個閾值設(shè)置為,。于是每當(dāng)邊緣端收集到個GPS軌跡點計算出速度值序列之后,便依據(jù)上述方法判斷用戶所處的行為模式,之后調(diào)用對應(yīng)的已裝載的模型對用戶接下來的速度做預(yù)測。

3? ?實驗與分析(Experiment and analysis)

3.1? ?實驗環(huán)境與數(shù)據(jù)

本文的實驗環(huán)境是安裝Windows 10操作系統(tǒng)的工作站,具體軟硬件配置如表1所示。

實驗數(shù)據(jù)是準(zhǔn)確地驗證道路行程時間預(yù)測模型的關(guān)鍵,實驗數(shù)據(jù)對于實驗結(jié)果的客觀性、準(zhǔn)確性、真實性的影響尤為重要。本文所使用的數(shù)據(jù)主要是通過發(fā)動周圍同學(xué)而得來,通過讓他們下載我們的APP,我們能夠收集到他們在校園內(nèi)步行時的GPS數(shù)據(jù)。當(dāng)數(shù)據(jù)量不足時,我們使用數(shù)據(jù)擾動的方式圍繞已有數(shù)據(jù)上下波動生成足量數(shù)據(jù),以便后續(xù)實驗所需。單次的數(shù)據(jù)量大小約為8kB—38kB不等。GPS數(shù)據(jù)采集頻率,也即定位時間間隔為1秒。

在這些原始數(shù)據(jù)的基礎(chǔ)上,為了更好地實現(xiàn)用戶模式的個性化預(yù)測,本文根據(jù)用戶行為模式分類重新構(gòu)建了新的數(shù)據(jù)集,用于對預(yù)測方法進(jìn)行驗證。

3.2? ?評價標(biāo)準(zhǔn)

本文選取的評價指標(biāo)有以下三種,這些客觀的統(tǒng)計學(xué)評價指標(biāo)能夠較為準(zhǔn)確地評價本文實驗的結(jié)果。

如表2所示,就速度平穩(wěn)模式而言,LSTM模型的預(yù)測MAPE誤差指標(biāo)更小,表明其預(yù)測更為精確,但是其每次的迭代時間較長。雖然ELM模型的預(yù)測誤差MAPE較LSTM稍大,但仍在較好的可接受范圍內(nèi),因此對于速度平穩(wěn)模式,我們最終確定選用ELM模型。

就速度勻變模式而言,ELM模型無論是在MAPE誤差還是在用時方面都較LSTM模型更優(yōu),因此在該種模式下,我們選用ELM模型。

就速度變模式而言,雖然LSTM模型每迭代一次的時間較長,但是其MAPE誤差指標(biāo)較ELM模型顯著更小,表明其預(yù)測值顯著更優(yōu)。因此在該種模式下,我們擬采用LSTM模型來做預(yù)測。

3.4.6? ?實驗方案六

為了將本文研究模型與百度地圖預(yù)測模型進(jìn)行對比,我們隨機選取了五位行人,記錄他們在行程的中間一半處時,百度地圖提供的道路剩余時間和本文模型預(yù)測的道路剩余時間;同時用秒表記錄下了他們實際行走后半程的用時。由于五位行人在行程中的行為模式不固定,因此作出的時間預(yù)測并不十分穩(wěn)定;此外,百度地圖的預(yù)測時間精度只能精確到分鐘,而本文研究內(nèi)容所提供的時間預(yù)測能夠精確到秒,這可能也是本文的預(yù)測結(jié)果更加精確的原因之一。具體的統(tǒng)計和對比結(jié)果如表3所示。

由表3可以看出,本文提出的基于邊緣計算的道路行程時間預(yù)測方法與百度地圖內(nèi)嵌的導(dǎo)航時間預(yù)測相比,本文提出的預(yù)測模型在實際行人道路行程中預(yù)測誤差更小,證明了該方法的可行性和準(zhǔn)確性。

針對邊緣端APP的測試,首先對參數(shù)進(jìn)行設(shè)置,然后對原始GPS軌跡數(shù)據(jù)進(jìn)行處理,按照前文所述三種用戶行為模式類別分別構(gòu)建數(shù)據(jù)集,處理結(jié)果保存在對應(yīng)路徑下的文件內(nèi)。之后針對不同行為模式在云端對模型進(jìn)行訓(xùn)練,將選出的最優(yōu)模型利用tensorflow lite等工具轉(zhuǎn)換格式并裝載到邊緣端APP。

完成云端的數(shù)據(jù)和模型處理后,針對邊緣端Android APP進(jìn)行測試,初始定位在東北大學(xué)渾南校區(qū)五舍,如圖14(a)所示;之后可以鍵盤輸入出發(fā)地點和目的地,也可在界面上觸屏點擊,如圖14(b)所示;系統(tǒng)以紅色標(biāo)注提示目的地所在位置,如圖14(c)所示;路徑生成并顯示在APP上,然后界面下方會顯示當(dāng)前路程剩余距離、當(dāng)前路程剩余時間、當(dāng)前速度和下一階段預(yù)測速度,如圖14(d)所示。

5? ?結(jié)論(Conclusion)

為了解決目前百度地圖的道路行程時間預(yù)測無法很好地針對步行用戶個性化的速度模式進(jìn)行預(yù)測的問題,本文提出了一種基于邊緣計算的道路行程時間預(yù)測的框架,旨在根據(jù)用戶前一階段的速度值序列來預(yù)測該用戶在下一階段的速度,從而實現(xiàn)對于不同用戶的個性化預(yù)測。

在云端處理方面,明確了研究思路之后,本文首先對用戶的行為模式基于速度變化特征分成了三類,分別是:速度平穩(wěn)模式、速度勻變模式和速度突變模式;之后通過對GPS軌跡數(shù)據(jù)進(jìn)行預(yù)處理,就每一類行為模式構(gòu)建了對應(yīng)的數(shù)據(jù)集。在具體的模型方面,本文對每一類數(shù)據(jù)集分別應(yīng)用了ELM模型和LSTM模型,通過對模型的預(yù)測表現(xiàn)進(jìn)行對比確定了最優(yōu)模型及其參數(shù)選擇。之后通過隨機選取的行人數(shù)據(jù),將本文研究所提供的時間預(yù)測和百度地圖所提供的時間預(yù)測進(jìn)行對比,驗證了本文研究內(nèi)容的可行性和準(zhǔn)確性。

在邊緣端部分,本文設(shè)計并實現(xiàn)了一個Android APP,在將云端預(yù)訓(xùn)練好的模型裝載到APP中之后,系統(tǒng)會在判別用戶行為模式之后調(diào)用對應(yīng)的模型對用戶速度進(jìn)行預(yù)測。

此外,本文就用戶行為模式的判別和系統(tǒng)冷啟動處理等關(guān)鍵問題做了闡述,并給出了可行的解決方案。

參考文獻(xiàn)(References)

[1] Shi W, Fellow, IEEE, et al. Edge Computing: Vision and Challenges[J]. IEEE Internet of Things Journal, 2016, 3(5): 637-646.

[2] 施巍松,孫輝,曹杰,等.邊緣計算:萬物互聯(lián)時代新型計算模型[J].計算機研究與發(fā)展,2017,54(05):907-924.

[3] 李子姝,謝人超,孫禮,等.移動邊緣計算綜述[J].電信科學(xué),2018,34(01):87-101.

[4] 施巍松,張星洲,王一帆,等.邊緣計算:現(xiàn)狀與展望[J].計算機研究與發(fā)展,2019,56(01):69-89.

[5] Yi S, Hao Z, Qin Z , et al. Fog computing: Platform and applications[C]. 2015 Third IEEE Workshop on Hot Topics in Web Systems and Technologies, 2015: 73-78.

[6] Ha K, Chen Z, Hu W, et al. Towards wearable cognitive assistance[C]. Proceedings of the 12th annual international conference on Mobile systems, applications, and services, 2014: 68-81.

[7] Chun B G, Ihm S, Maniatis P, et al. Clonecloud:elastic execution between mobile device and cloud[C]. Proceedings of the sixth conference on Computer systems, 2011: 301-314.

猜你喜歡
邊緣計算
LPWAN與邊緣計算融合在電力物聯(lián)網(wǎng)中的應(yīng)用研究
基于邊緣計算的農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)的研究
淺析邊緣計算與智能制造裝備
面向智能公交的移動邊緣互聯(lián)系統(tǒng)設(shè)計與實現(xiàn)
邊緣網(wǎng)絡(luò)中QoS感知的應(yīng)急多設(shè)備協(xié)同機制
區(qū)塊鏈技術(shù)在物聯(lián)網(wǎng)中的應(yīng)用分析
邊緣計算下移動智能終端隱私數(shù)據(jù)的保護(hù)方法
邊緣計算在農(nóng)業(yè)物聯(lián)網(wǎng)中的應(yīng)用
從“邊緣計算”看未來企業(yè)辦公場景