基于深度信念网的公共自行车租赁单站点调度需求量研究

(重庆工商大学智能制造服务国际科技合作基地 重庆 400047)

基于深度信念网的公共自行车租赁单站点调度需求量研究

陈礼城

(重庆工商大学智能制造服务国际科技合作基地重庆400047)

目前公共自行车租赁的合理调度对提高公共自行车的使用效率至关重要，其关键在于对未来公共自行车的需求量进行精准的预测。通过多层受限玻尔兹曼机来实现自主学习特征；然后再用学习好的特征来实现BP神经网络对单站点借车频次随时间分布的规律进行预测。实际需求曲线与预测曲线拟合良好，证明了本文提出的预测的方法有效可行。

城市公共自行车；需求量；预测；受限玻尔兹曼机；BP神经网络

一、引言

城市公共自行车系统PBS提供了一种健康、环保的出行方式。而PBS作用的有效发挥，依赖于灵活的调度运行。作为公共自行车系统优化服务的关键点之一，租赁站点的需求量预测受到国内外研究者最广泛的关注。预测研究主要分为两类：一类是基于历史数据进行预测，如陈昕昀等人利用BP神经网络对单站点借(还)车频次随时间分布的规律进行预测。解小平等人建立了基于改进的Elman神经网络的公共自行车单站点需求量预测模型，改善了BP神经网络学习速度较慢，系统训练不稳定等缺陷。另一类是基于居民出行方式估算和自然租赁需求估算，如刘志广等人在提出租赁点服务半径的基础上，建立居民出行方式选择的Logit模型，计算租赁点的借车需求数。这两方面的研究，前者缺乏对历史数据自主学习特征，预测的鲁棒性无法保证。后者需要大量的调查研究，实施较为困难，并且只能得到高峰期的需求量预测值，并不能显著提高平时公共自行车的使用效率。

因此，本文在总结其他研究者研究成果的基础上，构建了基于RBM的深度神经网络模型。通过多层受限玻尔兹曼机对原始数据进行自主学习特征，排除了人为设置特征的不完备性，用于初始化前馈神经网络明显的提高了公共自行车需求量的预测能力。并以杭州市为例进行实证研究，以期更好地提高城市公共自行车系统的调度能力和客户对系统的满意度。

本文第二部分建立了基于RBM的神经信念网络模型，第三部分对数据进行相关预处理，并训练模型进行实证研究，第四部分根据模型的拟合效果得出相关结论以及未解决的问题。

二、模型建立

(一)受限玻尔兹曼机(RBM)

1.RBM模型结构。受限玻尔兹曼机(RBM)的模型结构为一个无向二部图模型。每一层可用一个向量表示，每一维表示一个神经元；第一层是可视层，用于数据输入，第二层是隐藏层，用于抽取数据特征；所有隐元节点都是伯努利变量，层间节点对称连接，即ωij=ωji，同层节点间无连接；概率分布p(v,h)满足Boltzmann分布。

同层神经元之间具有条件独立性。因此在已知显元v值的情况下，每个隐元取什么值互不相关。同样，在给定隐元时，所有显元的取值也互不相关。

2.RBM模型参数的最大似然估计。在给定可视层v时，我们可以较容易地推断得到隐层第j个节点开启(激活，为1)或关闭(抑制，为0)的概率：

给定一个满足独立同分布的样本集：D={v1,v2,...,vN}，我们需要学习参数θ={w,a,b}。最大化以下对数似然函数：

就可以得到L最大时对应的参数w了。

(二)深度信念网(DBN)。深度信念网是一种概率生成模型，通过训练其神经元间的权重，我们可以让整个神经网络按照最大概率来生成训练数据。若干层RBM和一层BP组成的一种深层神经网络，通过无监督预训练为网络神经元间的权重提供较好的初始值，通过有监督微调，让整个神经网络按照最大概率来生成训练数据。

一个DBN的连接是通过自顶向下地来监督生成确定权值的，通过一个逐层贪婪预训练方法去获得生成模型的权重，称为对比散度算法。使用层叠波尔兹曼机组成深度神经网络的方法，在深度学习里被称作深度信念网络DBN，这是目前非常流行的方法。

三、实例分析

(一)数据预处理。在用数据训练模型之前我们需要对连续值属性进行标准化处理。对类别数据进行独热编码处理。

1.独热编码(One-Hot编码)。独热编码即One-Hot编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。

(二)对比实验。用预处理之后的数据分别训练神经网络以及带有三层RBM的深度信念网，通过对最后两天的公共自行车需求量进行预测，来比较两种模型的优劣。

1.预测结果。运用上述两种模型进行网络的学习和仿真实验，对最后两天的公共自行车需求量进行预测，得到的预测结果及实际数据如图1所示，从图中的预测曲线可以看出，加入RBM之后的网络模型的预测结果与实际结果最接近。

为了定量分析预测模型的优越性和预测精度，采用绝对误差和相对误差来进行评价，本文建立的多层受限玻尔兹曼机的深度信念网预测模型对公共自行车的预测结果优于普通的神经网络预测模型，其平均相对误差为7.78%，很少有预测结果的相对误差超过20%。因此，使用该模型能有效的提高对公共自行车租赁站点需求量的预测，改善租赁点自行车供应不平衡的状态。

四、结语

本文通过加入多层受限玻尔兹曼机的微调过程，对原始数据特征进行多次抽象具体化，来解决由于人工提取特征的不完备性而导致的神经网络预测精度不高的问题。该模型在连续两天各个时间点的自行车单站点需求实例仿真中，证明了该模型的有效性。引用此方法，能够解决城市公共自行车租赁站点间调度失衡的问题，但该模型在预测过程也有一些缺陷：1、模型学习速度慢；2、不适当的参数选择会导致学习收敛于局部最优解。

[1]伍卓.公共自行车租赁系统现状与优化——以株洲市为例[J].求索,2015,(12):116-119.

[2]陈昕昀,蒋永康,李牧原,柯希玮.基于BP神经网络的公共自行车单站点调度需求量研究[J].交通运输研究,2016,(03):30-35.

[3]解小平,邱建东,汤旻安.基于Elman神经网络的公共自行车单站点需求预测[J].计算机工程与应用:1-5.