基于層次分析法的交通運輸脫貧考核系統設計

馬奎杰, 單飛, 聶世剛

(1.河南省交通運輸廳， 河南 鄭州 450016； 2.河南鼎智工程咨詢有限公司， 河南 鄭州 450045)

0 引言

隨著信息處理技術的發展，為提升交通運輸脫貧考核評價有效性，在客觀、公正的前提下進行交通運輸脫貧考核評價，已然成為社會各界重點關注的問題[1]。河南省交通運輸脫貧實施的現狀選取考核評價指標采用專家咨詢等多種方法篩選評價指標，確定各指標權重及分值，在此基礎上進行系統軟硬件開發與設計，實現交通運輸脫貧考核評價[2]。何偉等[3]人分析了交通運輸扶貧脫貧考核的核心任務與要求，建立交通運輸脫貧考核評價大數據庫，基于Windows Server操作系統，采用Spring MVC+My Batis架構設計交通運輸脫貧考核評價系統硬件，最后利用VPN/4G實現交通運輸脫貧考核評價數據的網絡傳輸。

本文基于層次分析法進行交通運輸脫貧考核評價系統設計。首先構建用于交通運輸脫貧考核評價的大數據挖掘模型，構造交通運輸脫貧考核大數據庫，進而對系統進行開發與設計。最后進行仿真實驗，驗證了本文系統在交通運輸脫貧考核評價方面的優越性能。

1 交通運輸脫貧考核評價的大數據挖掘

1.1 數據層次化結構分析

為實現交通運輸脫貧考核評價系統設計，需要構建交通運輸脫貧考核評價的大數據挖掘模型[4]，建立評價大數據庫，在大數據庫中對統計到的交通運輸脫貧考核評價數據進行層次化結構分析。假設交通運輸脫貧考核評價訓練樣本集為{(x1,y1),(x2,y2),…,(xi,yi)}，結合關聯分析方法得到交通運輸脫貧考核評價的演化目標函數，如式(1)。

subject toyi-(wΦ(xi)+b)≤ε-ξi

(1)

采用協同過濾算法進行交通運輸脫貧考核評價的用戶行為分布集合重構，建立項目統計分析模型。在此基礎上采用模糊調度方法進行交通運輸脫貧考核評價的關聯性特征檢測[5]，構建交通運輸脫貧考核評價的混合核函數，如式(2)。

Kmin=βKpoly+(1-β)Krbf,β∈(0,1)

(2)

式中，Kpoly=[(x·xi)+1]2,表示交通運輸脫貧考核評價過程中的個性化演化特征分布函數;β表示用戶行為演化系數;Krbf表示項目統計分析模型。

采用聯合概率分布式檢測方法構建交通運輸脫貧考核評價數據的分布概率密度函數，如式(3)。

fT1,T2,…，Tn(t1,t2，…，tn)=

(3)

式中,c表示分布概率密度系數;FT1(t1),FT1(t2),…,FTn(tn)表示評價數據分布集合;FTi(ti)表示評價數據分布函數。

用于交通運輸脫貧考核評價的數據回歸分析模型，如式(4)。

(4)

根據時延估計的方法，進行交通運輸脫貧考核評價數據層次化結構重組，如式(5)。

(5)

1.2 評價數據回歸分析模型

建立交通運輸脫貧考核評價數據回歸分析模型，結合最大似然估計模型，得到交通運輸脫貧考核模糊決策函數，如式(6)。

(6)

式中，flg(z)表示交通運輸脫貧考核評價的項目評分值;hx與hy分別表示不同項目下的交通運輸脫貧考核模糊決策度。在最優學習速率進化下，進行交通運輸脫貧考核評價的模糊控制，得到第j個評價項目的適應度函數，如式(7)。

(7)

式中，Ω表示評價項目的模糊控制系數;F表示評價項目自適應度;pad表示考核評級評價的關聯規則分布平均值。建立交通運輸脫貧考核評價數據的模糊關聯規則挖掘模型，采用量化回歸分析方法[6]，得到交通運輸脫貧考核評價項目集分布模型，如式(8)。

(8)

V={vij|i=1,2,…,c,j=1,2,…,s}

(9)

交通運輸脫貧考核評價的決策函數為Vi=(υi1,υi2,…,υiD)T，最后分布集為Xi=(xi1,xi2,…,xiD)T，在優化的聚斂目標函數下，進行交通運輸脫貧考核評價過程的回歸分析，能夠有效提高評價的準確性。

2 交通運輸脫貧考核評價優化

2.1 評價統計特征量

在交通運輸脫貧考核評價系統設計過程中，采用相似度計算方法進行關聯規則調度，提取交通運輸脫貧考核項目評價集的本體特征，獲取交通運輸脫貧考核評價的統計特征量[8]。計算交通運輸脫貧考核評價的聯合信息熵特征，如式(10)。

(10)

式中，J表示交通運輸脫貧考核聯合信息;S表示聯合信息熵集合；N表示最大信息熵；ci表示項目評價集的本體特征；n表示聯合信息數量；φj表示聯合調度參數。

基于標簽的個性化評價方法，進行交通運輸脫貧考核特征檢測，得到交通運輸脫貧考核評價的統計特征量集,如式(11)。

(11)

根據上述分析，獲取交通運輸脫貧考核評價數據的模糊關聯性特征量[9]。

2.2 優化評價決策

在獲取交通運輸脫貧考核評價數據的模糊關聯性特征量基礎上，構造交通運輸脫貧考核大數據庫[10]，如式(12)。

Ecv(c1,c2)=μ·Length(C)+ν·Area(inside(C))+

(12)

式中，c1和c2分別表示交通運輸脫貧考核評價數據的個性化演化特征系數;Length(C)表示交通運輸脫貧考核信息的統計長度;Area(inside(C))表示區域分布集，得到第i個類的交通運輸脫貧考核評價的模糊隸屬度特征量記為CF=〈F,Q,n,RT1,RT2,RW〉，假設C為交通運輸脫貧考核用戶行為評價的融合度因子，結合層次分析的方法得到交通運輸脫貧考核個性化評價的決策函數，如式(13)。

(13)

(14)

式中，SINR表示交通運輸脫貧考核評價的檢測閾值;D表示判別系數。對特征向量xd進行聚類處理，結合層次分析法和模糊評價方法進行交通運輸脫貧考核的優化評價決策，得到交通運輸脫貧考核評價優化結果。

3 系統開發與實現

采用ARM Cortex-M0 處理器內核實現交通運輸脫貧考核評價系統的APP開發，在ZigBee中進行系統網絡組網設計。構建嵌入式交通運輸脫貧考核評價系統軟件開發環境，在MCU控制單元中進行信息管理和系統集成控制。設計交通運輸脫貧考核評價系統APP終端傳輸協議，將ADSP21160作為核心處理器，進行交通運輸脫貧考核評價系統的集成信息處理。系統的總體設計架構，如圖1所示。

圖1 系統總體架構

在B/S構架體系下開發與設計交通運輸脫貧考核評價系統。該系統為三層體系，結合ZigBee組網方案，建立交通運輸脫貧考核評價系統的網絡通信協議，得到系統軟件實現流程，如圖2所示。

圖2 交通運輸脫貧考核評價系統實現流程

4 仿真測試分析

為了測試本文所設計系統在實現交通運輸脫貧考核評價中的應用性能，進行仿真實驗。實驗中對交通運輸脫貧考核評價數據統計分析的軟件平臺為Visual Studio 2010和SPSS17.0，交通運輸脫貧考核信息的統計采樣率為24 Kps/s，數據分布節點數為2 000，信息采樣長度為1 024，訓練節點數為30。根據上述參數設定，進行交通運輸脫貧考核評價數據采集，得到數據的統計序列分布時域波形，如圖3所示。

圖3 交通運輸脫貧考核評價數據統計序列分布

(1) 評價數據特征模糊關聯度驗證

以圖3的數據為研究對象，進行交通運輸脫貧考核評價。在本文系統應用下，交通運輸脫貧考核評價數據特征之間的模糊關聯度，如圖4所示。

圖4 特征模糊關聯度

由圖4可知，當樣本數量在30以上，特征尺度為1.05以上時，特征模糊關聯度最好，且隨著樣本數量的增加，利用本文系統還能夠持續檢測到評價數據特征模糊關聯度，為提高交通運輸脫貧考核評價準確性奠定基礎。

(2) 評價準確性比較

測試不同系統的評價準確性，得到對比結果，如圖5所示。

圖5 評價準確性對比

由圖5可知，隨著迭代次數的增加，本文所設計系統的評價準確性始終高于文獻對比方法，說明采用本文系統進行交通運輸脫貧考核評價的準確性較高，性能較好。原因在于該系統構建了用于交通運輸脫貧考核評價的大數據挖掘模型，利用最大似然估計模型進行評價參數估計優化，提取交通運輸脫貧考核評價數據的模糊關聯性特征量；構建交通運輸脫貧考核大數據庫，結合層次分析法和模糊評價方法實現交通運輸脫貧考核的優化評價決策，有效提升交通運輸脫貧考核評價準確性。

(3) 系統運行穩定性對比

系統運行過程中的信噪比是驗證系統穩定性的重要指標，因此進行系統運行信噪比比較試驗。試驗結果，如圖6所示。

a 文獻[2]系統運行信噪比

由圖6可知，文獻[2]系統運行信噪比在80 dB-108 dB之間波動，文獻[3]所設計系統運行信噪比始終在105 dB以上，是三種系統中運行信噪比最高的，因此該系統的穩定性最低。本文所設計系統運行信噪比保持在88 dB以下，說明基于層次分析法的交通運輸脫貧考核評價系統的運行穩定性高。

5 總結

為提高交通運輸脫貧考核評價準確性，本文設計了基于層次分析法的交通運輸脫貧考核評價系統。構建交通運輸脫貧考核評價的大數據挖掘模型，對統計所得數據進行層次化結構分析，結合最大似然估計模型進行評價參數估計優化。獲取交通運輸脫貧考核評價數據的模糊關聯性特征量，構建交通運輸脫貧考核大數據庫，結合層次分析法和模糊評價方法進行交通運輸脫貧考核的優化評價決策。最后進行系統整體架構設計，在B/S構架體系下進行交通運輸脫貧考核評價系統的軟件開發，結合ZigBee組網協議實現系統的網絡規劃，構建交通運輸脫貧考核評價系統APP終端傳輸協議。分析得知，所設計系統的穩定性較好，對交通運輸脫貧考核評價的準確性較高，具有可靠性與實用性。