车联网系统中确定模型参数的方法及结果

因为实验所采用的数据是城市道路实际的出租车GPS轨迹数据，所以如果想要以指数分布来拟合空车到达时间间隔的概率统计分布，就需要尽可能地优化实际数据与理论模型的拟合效果。实验过程中需要对一个区域一个时间段的空车到达时间间隔进行分析处理，因此，时间段长度对拟合效果的优劣是有重要影响的。

时间段长度对空车到达时间间隔的概率统计分布与指数分布拟合会产生影响，拟合效果在1h的长度比较好（图3-11）。若时间段长度过短，空车到达数量会比较稀疏，空车到达间隔分布会比较容易受噪声的影响，因此拟合结果会变差。若时间段长度过长，这个时间段内不同区间空车到达时间间隔可能会不稳定，因此拟合结果也会变差。所以研究所进行的实验都以1h作为时间段长度的值。

图3-11 时间段长度对指数分布拟合结果的影响

确定时间段的长度为1h，同时避免了因时间段长度过短而导致的空车到达数量比较稀疏的问题和因时间段长度过长而导致的这个时间段内不同区间空车到达时间间隔可能不稳定的问题。结果获得理想的拟合效果，为实验的合理性和科学性提供了保障。(www.xing528.com)

模型的参数λ的确定，运用极大似然估计法^[11]：

其中，t₁，t₂，…，t_n是空车到达时间间隔；u为空车到达时间间隔的均值。

具体的方法如下，模型参数的确定采用的是训练数据。之前的研究已经对出租车轨迹数据的训练数据进行了处理。基于训练数据，对于每一个载客热点，获得相应的空车到达时间序列，进一步获得空车到达时间间隔。对于每一个载客热点每一个时间段，计算空车到达时间间隔的平均值，从而求出对应的参数λ，因为每天有24h，且一共有10个载客热点，所以就可以得到一个24×10的矩阵，矩阵中的某一个数值对应的是某一区域某一时间段的模型参数λ。以上过程中，时间段长度的取值均为1h。