论文部分内容阅读
【摘要】 随着无线网络的大量普及，人们生活中产生大量的无线网络信令数据，找出其中的共同规律，研究人员可以借此规律来建立城市交通模型。其中，组归一化网格循环网络和卷积神经网络在构建模型中起主导作用。组归一化处理能提升模型的数据源规模和收敛速度，简化内部程序循环的计算过程，解决传统模型计算量大的问题，通过记忆单元对所需数据进行存储和更新。针对噪声数据，对数据集进行网格化和筛选，以规避噪声数据的影响。卷积神经网络具有更好的用户分类性能，提高了识别率。
【关键词】 无线网络信令 组归一化 卷积神经网络
引言：
在大力的發展无线网络的同时，城市交通网络的流量也随着增加。掌握实时、准确的交通流量对于城市管理与人们出行服务尤为重要。传统居民的出行问卷调查容易受到受访者主观意识影响，也存在支出高、回报率低、工作量大、处理时间长等问题。移动信令数据正好解决了这些问题。本文研究移动信令在城市交通模型构建中的价值。
一、移动信令的特点与价值
1.1移动信令的特点
城市的土地资源有限，城市交通堵塞问题日趋严重，而信息技术应用于交通是大势所趋的。为了改善现状，通过移动信令建立城市交通模型是最合适的方法，而移动信令采集方便、实时、覆盖范围广、目标明确。最开始采集的移动信令数据冗余，通过对移动信令数据进行数据预处理，将重复、有缺失和不符合规则的数据进行删除和修改，最后才能获得有效准确的移动信令。
数据网络的不断普及，人们能迅速的统计移动信令，并通过移动信令及时的掌握居民的交通动态，实时了解城市当前交通状态。国内联通、移动和电信运营商的无线网络信令几乎形成了全国覆盖，移动信令可以准确记录每个用户的出行行为轨迹，系统可以根据以往的出行轨迹和最新的交通动态为出行者推荐最佳路线。
1.2移动信令的价值体现
通过对用户的移动信令数据的进一步分析，可以得到人口密度、人口流动变化等有效信息。分析的结果对于人们的出行轨迹、拥堵预测和交通规划提供了可靠的参考。根据经过处理后的移动信令，通过热力图和散点图了解人们的出行频率，实时了解各地的人流量，并获得城市人群热力分布和当前道路的通行情况，如该区域的拥堵情况、高峰时段和异常聚集。然后，根据之前获得到的人口密度信息和每日人流量密度变化，剔除特殊路况等信息，为出行者提出最优的路线。通过数据的变化，可以清楚的知道这个地方每天的人流量高峰点，并对用户步行或者使用交通工具出行进行判断，对用户的出行方式进行标签化。交通出行方式的识别对城市的交通规划、智能交通系统的运行、精确的推荐和各地的服务等是至关重要的。而对于人流量高峰时期，也可以做出更好的道路行程安排。同时，以人流量变化模型作为理论依据，结合人群密度和时间的关系，可以减少踩踏和拥挤事故。
二、移动信令在城市交通模型构建中的价值实现思路
2.1理论依据
无线信令数据的收集不受被调查者的人为影响，能够更加精准地、完整地统计被调查者的出行信息。同时，它还具有统计速度快、信息准确性高、数据量大等优点，成为获取人们出行轨迹信息的有效新途径。目前，国内外有大量基于移动信令行程链提取和行程模式分析的研究成果，但在移动信令的数据清洗和现实生活中利用方面的研究成果较少。近年来，国内外学者为预测交通流量的短期状况，提出了关于时间序列的预测方法，但时序数据要求平稳或差分后平稳。如果是非平稳数据，则不能发现它的规律，本质上，这种方法只能获取其数据的线性关系。这种时序预测技术可以处理正常情况下的数据。
然而，在现实中，时间序列数据通常是没有规律的，容易受到外部因素的影响，使交通流量模型预测的精确度受到了极大挑战。传统获取用户流量信息的方法是采用问卷调查或电话采访的方式，这种方法通常存在耗时昂贵、信息不完整等问题。这时就需要一种低成本和采集信息完整的方法，比如移动信号数据。为了收集不同地区的移动信令数据，中国在各地建立了大量的网络基站。随着基站设备的更新换代，无线网络的全球覆盖，基站能够迅速收集到各地用户的信令数据信息。因此，通过移动信令建立城市交通模型尤为重要和方便。
2.2模型构建
组归一化网格循环网络模型结合了无线信令交通流量数据详细特性，并借鉴传统机器学习算法和深度学习算法的优缺点，网格化操作更精确地找出并标出模型的关键信息，降低了信息冗余带来的损失。模型的具体构建流程分为 5个部分：
1.收集所研究的交通流量数据。
2.对数据进行清洗，如填充缺失值、处理异常值、删除冗余数据等。
3.将清洗后的交通流量数据进行分组，并对分组的数据编码和组归一化操作。
4.将编码处理后的数据分成训练样本和测试样本。
5.将训练样本和测试样本分别带入循环网络模型（RN）和网格循环网络模型（GRN）。
交通流量的信令数据虽然经过了数据预处理，但依然会存在无效的数据。而卷积神经网络可以通过局部连接来处理这类数据。卷积神经网络的处理过程分为两个过程：一个过程是无线信令由低层次向高层次传播的过程;另一个过程是当前输出的结果不符合预期时，将误差从高层次传播到低层次的过程，步骤为：
1.行权值的初始化。
2.数据经过卷积层、池化层、全连接层的向前传播得到结果。
3.结果与目标值之间的误差。
4.当误差大于我们的目标值时，将误差传回数据库中，依次求得全连接层，池化层层，卷积层的误差。这些误差可以理解为对于数据库的总误差，当误差等于或小于我们的目标值时，结束数据运行。
5.误差进行权值更新。模型运行原理如图1所示。 2.3识别系统
卷积神经网络是一种用于图像整理归类的神经网络，它可以对输入图像的一部分进行卷积运算。卷积神经网络的主干由若干个卷积层、激活层、池化层以及Dropout组成。卷积层的作用是使数据可以在特征图上滑动，并将一维特征图转化为三维特征图输出;到卷积层输出之后，使用 Re LU 激活函数;最后，卷积层输出的特征图通过池化层进行压缩。卷积神经网络的显著特点是可以接受高度、宽度和深度三个维度的輸入。先将图片输入，经过卷积层，会产生很多的特征图，是输入图片经过特征探测器生成的图片，在此基础上可以加上线性激活层，增加非线性性，之后，通过池化层处理压缩，得到维度更小的特征图。最后，通过全连接堆叠成卷积神经网络模型。卷积神经网络模型和其他模型相比，有更大的优势，它在数据准确率和数据回收率两个方面上也同样具有优势。卷积神经网络模型的预测准确性远远大于其他模型。在样本数量相对均衡的前提下，准确率和回收率都能很好地展示出卷积神经网络模型在交通出行方式识别方面的性能。
2.4性能优化
通常，组归一化网格循环网络会将数据分成小批量进行处理，这样往往导致了迭代次数的增加，而得不到最优解。因此，选择正确的优化器、正则化和训练周期能得到准确的结果。优化器的合理选用对交通流量预测模型至关重要，Momentum 优化器、RMSprop 优化器和Adam 优化器等是比较受欢迎的优化器。Momentum 优化器对梯度运动指数的加权平均可以减小梯度摆动幅度;RMSprop 优化器可以通过求相似梯度的平均值来自动地调整学习率;Adam 优化器每次迭代时参数的学习率固定在一定范围内。卷积神经网络的性能优化也可以选取合适的优化器、正则化和迭代周期。正则化的选择也同样影响着交通流量预测模型的性能。L1 正则化，在城市交通模型的损失函数中加各入参数的绝对值;L2 正则化，在城市交通模型中的损失函数中加各入个参数平方和的开方;Dropout 正则化随机地将某层的一些输出特征设置为 0。其中 Dropout 正则化主要通过其数据的结果比率影响组归一化网格循环网络的交通流量预测模型。
三、注意问题
无线网络全世界的大量普及，造成移动信令的收集繁杂，组归一化网格循环和卷积神经网络所需硬件的精密，数据预处理所需要的程序代码复杂。数据的清洗并不能达到要求，同时，关于交通方式和国家法律的改变，不能及时更新造成数据错误。移动信令建立的城市交通模型并不具有很强的保密性和严谨性，无线网络的瘫痪很容易导致城市交通拥堵，从而，造成一系列的损失。组归一化网格循环和卷积神经网络所构建的模型并不能适用所有地区，无法处理一些人为造成的影响。同时也不能对小范围进行数据采集，构建交通模型。
四、结束语
无线网络的大量普及是一种常态，将无线网络中的移动信令应用到城市交通模型构建，以便实时了解城市交通问题，及时应对交通拥堵带来的麻烦，记录人们出行方式与路线，提供最佳的出行路线。然而数据的采集需要精密的仪器和设备，需要加强技术人员的培养，设备和国家的支持，同时还要根据不同的地区，采用不同的模型构建方法。
参 考 文 献
[1] 邱莉萍，邓拓.基于手机信令的人群密度分析与交通规划研究.
[2] 暴建民，翟英明.蒋研基于云平台的电动汽车充电设备管理系统201911239706.6，2019.12.06.
[3] 暴建民，翟英明，丁飞.基于组归一化和网格化协同的交通流预测方法202010011994.2，2020.01.06.
【关键词】 无线网络信令 组归一化 卷积神经网络
引言：
在大力的發展无线网络的同时，城市交通网络的流量也随着增加。掌握实时、准确的交通流量对于城市管理与人们出行服务尤为重要。传统居民的出行问卷调查容易受到受访者主观意识影响，也存在支出高、回报率低、工作量大、处理时间长等问题。移动信令数据正好解决了这些问题。本文研究移动信令在城市交通模型构建中的价值。
一、移动信令的特点与价值
1.1移动信令的特点
城市的土地资源有限，城市交通堵塞问题日趋严重，而信息技术应用于交通是大势所趋的。为了改善现状，通过移动信令建立城市交通模型是最合适的方法，而移动信令采集方便、实时、覆盖范围广、目标明确。最开始采集的移动信令数据冗余，通过对移动信令数据进行数据预处理，将重复、有缺失和不符合规则的数据进行删除和修改，最后才能获得有效准确的移动信令。
数据网络的不断普及，人们能迅速的统计移动信令，并通过移动信令及时的掌握居民的交通动态，实时了解城市当前交通状态。国内联通、移动和电信运营商的无线网络信令几乎形成了全国覆盖，移动信令可以准确记录每个用户的出行行为轨迹，系统可以根据以往的出行轨迹和最新的交通动态为出行者推荐最佳路线。
1.2移动信令的价值体现
通过对用户的移动信令数据的进一步分析，可以得到人口密度、人口流动变化等有效信息。分析的结果对于人们的出行轨迹、拥堵预测和交通规划提供了可靠的参考。根据经过处理后的移动信令，通过热力图和散点图了解人们的出行频率，实时了解各地的人流量，并获得城市人群热力分布和当前道路的通行情况，如该区域的拥堵情况、高峰时段和异常聚集。然后，根据之前获得到的人口密度信息和每日人流量密度变化，剔除特殊路况等信息，为出行者提出最优的路线。通过数据的变化，可以清楚的知道这个地方每天的人流量高峰点，并对用户步行或者使用交通工具出行进行判断，对用户的出行方式进行标签化。交通出行方式的识别对城市的交通规划、智能交通系统的运行、精确的推荐和各地的服务等是至关重要的。而对于人流量高峰时期，也可以做出更好的道路行程安排。同时，以人流量变化模型作为理论依据，结合人群密度和时间的关系，可以减少踩踏和拥挤事故。
二、移动信令在城市交通模型构建中的价值实现思路
2.1理论依据
无线信令数据的收集不受被调查者的人为影响，能够更加精准地、完整地统计被调查者的出行信息。同时，它还具有统计速度快、信息准确性高、数据量大等优点，成为获取人们出行轨迹信息的有效新途径。目前，国内外有大量基于移动信令行程链提取和行程模式分析的研究成果，但在移动信令的数据清洗和现实生活中利用方面的研究成果较少。近年来，国内外学者为预测交通流量的短期状况，提出了关于时间序列的预测方法，但时序数据要求平稳或差分后平稳。如果是非平稳数据，则不能发现它的规律，本质上，这种方法只能获取其数据的线性关系。这种时序预测技术可以处理正常情况下的数据。
然而，在现实中，时间序列数据通常是没有规律的，容易受到外部因素的影响，使交通流量模型预测的精确度受到了极大挑战。传统获取用户流量信息的方法是采用问卷调查或电话采访的方式，这种方法通常存在耗时昂贵、信息不完整等问题。这时就需要一种低成本和采集信息完整的方法，比如移动信号数据。为了收集不同地区的移动信令数据，中国在各地建立了大量的网络基站。随着基站设备的更新换代，无线网络的全球覆盖，基站能够迅速收集到各地用户的信令数据信息。因此，通过移动信令建立城市交通模型尤为重要和方便。
2.2模型构建
组归一化网格循环网络模型结合了无线信令交通流量数据详细特性，并借鉴传统机器学习算法和深度学习算法的优缺点，网格化操作更精确地找出并标出模型的关键信息，降低了信息冗余带来的损失。模型的具体构建流程分为 5个部分：
1.收集所研究的交通流量数据。
2.对数据进行清洗，如填充缺失值、处理异常值、删除冗余数据等。
3.将清洗后的交通流量数据进行分组，并对分组的数据编码和组归一化操作。
4.将编码处理后的数据分成训练样本和测试样本。
5.将训练样本和测试样本分别带入循环网络模型（RN）和网格循环网络模型（GRN）。
交通流量的信令数据虽然经过了数据预处理，但依然会存在无效的数据。而卷积神经网络可以通过局部连接来处理这类数据。卷积神经网络的处理过程分为两个过程：一个过程是无线信令由低层次向高层次传播的过程;另一个过程是当前输出的结果不符合预期时，将误差从高层次传播到低层次的过程，步骤为：
1.行权值的初始化。
2.数据经过卷积层、池化层、全连接层的向前传播得到结果。
3.结果与目标值之间的误差。
4.当误差大于我们的目标值时，将误差传回数据库中，依次求得全连接层，池化层层，卷积层的误差。这些误差可以理解为对于数据库的总误差，当误差等于或小于我们的目标值时，结束数据运行。
5.误差进行权值更新。模型运行原理如图1所示。 2.3识别系统
卷积神经网络是一种用于图像整理归类的神经网络，它可以对输入图像的一部分进行卷积运算。卷积神经网络的主干由若干个卷积层、激活层、池化层以及Dropout组成。卷积层的作用是使数据可以在特征图上滑动，并将一维特征图转化为三维特征图输出;到卷积层输出之后，使用 Re LU 激活函数;最后，卷积层输出的特征图通过池化层进行压缩。卷积神经网络的显著特点是可以接受高度、宽度和深度三个维度的輸入。先将图片输入，经过卷积层，会产生很多的特征图，是输入图片经过特征探测器生成的图片，在此基础上可以加上线性激活层，增加非线性性，之后，通过池化层处理压缩，得到维度更小的特征图。最后，通过全连接堆叠成卷积神经网络模型。卷积神经网络模型和其他模型相比，有更大的优势，它在数据准确率和数据回收率两个方面上也同样具有优势。卷积神经网络模型的预测准确性远远大于其他模型。在样本数量相对均衡的前提下，准确率和回收率都能很好地展示出卷积神经网络模型在交通出行方式识别方面的性能。
2.4性能优化
通常，组归一化网格循环网络会将数据分成小批量进行处理，这样往往导致了迭代次数的增加，而得不到最优解。因此，选择正确的优化器、正则化和训练周期能得到准确的结果。优化器的合理选用对交通流量预测模型至关重要，Momentum 优化器、RMSprop 优化器和Adam 优化器等是比较受欢迎的优化器。Momentum 优化器对梯度运动指数的加权平均可以减小梯度摆动幅度;RMSprop 优化器可以通过求相似梯度的平均值来自动地调整学习率;Adam 优化器每次迭代时参数的学习率固定在一定范围内。卷积神经网络的性能优化也可以选取合适的优化器、正则化和迭代周期。正则化的选择也同样影响着交通流量预测模型的性能。L1 正则化，在城市交通模型的损失函数中加各入参数的绝对值;L2 正则化，在城市交通模型中的损失函数中加各入个参数平方和的开方;Dropout 正则化随机地将某层的一些输出特征设置为 0。其中 Dropout 正则化主要通过其数据的结果比率影响组归一化网格循环网络的交通流量预测模型。
三、注意问题
无线网络全世界的大量普及，造成移动信令的收集繁杂，组归一化网格循环和卷积神经网络所需硬件的精密，数据预处理所需要的程序代码复杂。数据的清洗并不能达到要求，同时，关于交通方式和国家法律的改变，不能及时更新造成数据错误。移动信令建立的城市交通模型并不具有很强的保密性和严谨性，无线网络的瘫痪很容易导致城市交通拥堵，从而，造成一系列的损失。组归一化网格循环和卷积神经网络所构建的模型并不能适用所有地区，无法处理一些人为造成的影响。同时也不能对小范围进行数据采集，构建交通模型。
四、结束语
无线网络的大量普及是一种常态，将无线网络中的移动信令应用到城市交通模型构建，以便实时了解城市交通问题，及时应对交通拥堵带来的麻烦，记录人们出行方式与路线，提供最佳的出行路线。然而数据的采集需要精密的仪器和设备，需要加强技术人员的培养，设备和国家的支持，同时还要根据不同的地区，采用不同的模型构建方法。
参 考 文 献
[1] 邱莉萍，邓拓.基于手机信令的人群密度分析与交通规划研究.
[2] 暴建民，翟英明.蒋研基于云平台的电动汽车充电设备管理系统201911239706.6，2019.12.06.
[3] 暴建民，翟英明，丁飞.基于组归一化和网格化协同的交通流预测方法202010011994.2，2020.01.06.