车联网系统：数据训练与评估探究

如同实验方案所述，本章的研究实验将500辆左右的出租车24天的GPS轨迹数据分为16天和8天两部分，16天的部分作为训练数据，8天的部分作为评估数据。利用训练数据建立乘客候车时间预测模型并确定模型参数，因为载客热点为10个，时间段为24个，所以确定的模型参数一共有24×10个，也就是模型一共有24×10个，其中的区别主要在于模型参数。规定乘客候车概率阈值为90%，将其分别代入各个模型中，计算出相应的乘客候车时间预测值。对于得到的24×10的矩阵，计算每一列的平均值，就得到每一个时间段所有载客热点乘客候车时间预测值的平均值。利用评估数据进行仿真得到每一个载客热点每一个时间段的仿真的乘客候车时间，对于得到的24×10的矩阵，计算每一列的平均值，就得到每一个时间段所有载客热点仿真的乘客候车时间的平均值。将预测值与仿真值进行对比，计算相对误差。这里设候车时间预测值为t_threshold，候车时间仿真值为t_sim，两者的相对误差定义为

error_t=t_sim-t^threshold/（t_sim+t_threshold）

将规定的乘客候车概率阈值90%作为乘客候车概率理论值，利用评估数据进行仿真得到每一个载客热点每一个时间段的仿真的乘客候车时间，将其分别代入各个模型中，计算出相应的仿真的乘客候车概率阈值，对于得到的24×10的矩阵，计算每一列的平均值，就得到每一个时间段所有载客热点仿真的乘客候车概率阈值的平均值。将预测值与仿真值进行对比，计算相对误差。这里设候车概率预测值为p_threshold，候车概率仿真值为p_sim，两者的相对误差定义为(www.xing528.com)

error_p=p_threshold-p_sim/（p_threshold+p_sim）

依据计算的结果分别画出比较直观的折线图。