基于WOT的珠海綠道自行車調度算法的研究

周毅強++王德昌++李炳煉++楊裕

摘 要：本文介紹一種基于WOT的綠道自行車調度的實現方法，通過真實環境的實驗，證明這種算法是可行性。

關鍵詞：WOT 調度算法 ANN算法

中圖分類號：TP3 文獻標識碼：A 文章編號：1672-3791（2014）09（b）-0012-02

綠道（Greenway）是一種線形綠色開敞空間，通常沿著河濱、山脊、風景道路等自然和人工廊道建立，內設可供行人和騎車者進入的景觀游憩線路。本文提出一種基于WOT的綠道自行車調度算法，盡量使用最少的自行車數量服務盡可能多的綠道出游市民。

1 程序設計

我們將程序分為三個子程序。一、設計收集相關信息的JavaScript程序；二、預測前對源數據的分析處理程序；三、預測的BP算法。具體實現如下。

1.1 收集相關信息的JavaScript程序

由于國內沒有相關的實時自行車網上租賃數據。因此我們選擇抓取西班牙巴塞羅那的“Bicing”自助自行車服務網站（https：//www.bicing.cat/）的數據并進行分析。Bicing網站的單車租憑狀況是使用谷歌地圖來顯示，同時使用AJAX技術異步拿數據，并且無刷新更新數據。這樣給我們抓數據帶來一些麻煩。我們不能直接請求一個HTML頁面來達到抓取數據的目的。另外，AJAX內部其實也是通過HTTP協議來發送請求，由于瀏覽器不能看到AJAX發送的請求和參數，我們則使用抓包工具分析請求的HTTP包結構（URL以及參數），并模仿該格式向Bicing服務器發送欺騙包，其功能就是模仿用戶在它的頁面上點擊查詢功能。

由于數據從傳感器進入Bicing的系統，處理后可以在其網站上獲取。我們獲得的直接數據是一段包含若干站點數據的HTML報文，需要對其進一步處理，提取有用數據，把這些包含多個站點在某個時間的信息保存入單獨日志文件。

我們使用AJAX異步捕捉數據。因為AJAX使用HTTP協議發送請求，所以AJAX的請求與參數就不會顯示在瀏覽器。具體步驟如下。首先，我們設置一個時間器。當時間到了，重發一個請求并重啟時間器。如果請求并沒有返回，新建一個XMLHttpRequest對象發送查詢請求。注意：在時間器結束前，我們需要不斷應答數據，然后抽取其中最有用的信息保存到文件中，如果數據應答正確的話，否則拋棄該部分數據。

1.2 預測前對源數據的分析處理程序

在物聯網中，最大的特點就在于終端設備多樣性。在本系統中，除了在租賃現場使用傳感器收集數據外，相關的的重要數量，如驛站名稱、自行車剩余數量等應該通過網站、手機等其它方式顯示給市民。因此需要對不同來源的數據統一處理。另一方面，JS腳本產生的日志文件是針對多個站點的，而每個站點數分鐘即產生一個日志文件，這樣每天都會產生數百個文件，單靠人工來整理是不可能的。

我們使用C++編寫整理上述收集的日志，把每個日志里的每個站點信息單獨歸為一個日志文件。在儲存采集到的數據文件中，主要有三組重要的數據：出租點的號碼，某出租點自行車出租和空閑的數量。所有的信息抽取后生成為新的文件，以出租點的號碼來進行分組。

1.2 設計預測的BP算法

為了更準確的預測，本系統使用成熟的BP算法。BP神經網絡是一種神經網絡，一般由三層構成，如輸入層，中間層（即隱藏層）和輸出層。在每兩層之間的聯系，而沒有在每一層中的神經元之間的聯系。BP算法的主要思想是將學習過程分為兩個階段：第一，解決每個單元的實際輸出值根據輸入的信息通過輸入層，隱藏層處理的；第二，找出誤差之間的實際和預期的輸出，如果期望輸出值不在輸出得到的層，它是用來調整權重。

2 實驗

“Bicing”自助自行車服務中心在全市共有多個自行車租車點，提供約200輛自行車，有包含385個傳感器實時測量出在不同的出租站可用自行車的數量及空位。

圖一列出其中三個出租點收集的數據進行實驗，圖中的三條曲線分別是使用ANN算法進行觀測的結果，真實數值和平均值方法預測。

可以看出，該算法與實際情況相吻合。同時，可以從圖1得出三個結論。首先，在某個出租點自行車的出租數量在某些時間是飛速變化而某些時間卻維持不變，而這些時間與生活作息時間高度吻合。第二，與平均預測算法相比，ANN算法在自行車的出租數量變化不大的時間里，表現相對差些，但在出租數量變化頻繁的時間里表現良好，而這剛好才是我們關心的上下班高峰時間段。第三，該算法的預測結果與真實值有一定的距離，尤其在圖1（c）中表現明顯，這種現象主要是因為該算法需要考慮泛化能力而引起的正常誤差。圖2給出某天預測數據與原始數據的對比圖。

最后我們給出選擇捕捉數據的時間窗口大小對預測準確性的影響。我們選擇從5分鐘到25分鐘不同大小的時間窗口，列出對應的預測錯誤率，如圖2。

3 結論

本文提出了一種基于人工神經網絡的自行車調度預測算法。由于預測目標，即出租自行車的數量是與以前的出租情況及生活作息高度相關，因此我們采用三層人工神經網絡算法作為預測的主要算法。通過實驗對比，這種算法在實際應用中是可行的。

參考文獻

[1] Rob van Kranenburg.The Internet of Things：A critique of ambient technology and the all-seeing network of RFID[J].Network Notebooks，2007，2（1A）：22-50.

[2] Trieschmann，Jammes S.and George E.Pinches，A Multivariate Model for Predicting Financially Distressed P-L Insures，Journal of Risk and Insurance， 1973，40：327-338.endprint