基于WOT的珠海绿道自行车调度算法的研究

周毅强++王德昌++李炳炼++杨裕

摘 要：本文介绍一种基于WOT的绿道自行车调度的实现方法，通过真实环境的实验，证明这种算法是可行性。

关键词：WOT 调度算法 ANN算法

中图分类号：TP3 文献标识码：A 文章编号：1672-3791（2014）09（b）-0012-02

绿道（Greenway）是一种线形绿色开敞空间，通常沿着河滨、山脊、风景道路等自然和人工廊道建立，内设可供行人和骑车者进入的景观游憩线路。本文提出一种基于WOT的绿道自行车调度算法，尽量使用最少的自行车数量服务尽可能多的绿道出游市民。

1 程序设计

我们将程序分为三个子程序。一、设计收集相关信息的JavaScript程序；二、预测前对源数据的分析处理程序；三、预测的BP算法。具体实现如下。

1.1 收集相关信息的JavaScript程序

由于国内没有相关的实时自行车网上租赁数据。因此我们选择抓取西班牙巴塞罗那的“Bicing”自助自行车服务网站（https：//www.bicing.cat/）的数据并进行分析。Bicing网站的单车租凭状况是使用谷歌地图来显示，同时使用AJAX技术异步拿数据，并且无刷新更新数据。这样给我们抓数据带来一些麻烦。我们不能直接请求一个HTML页面来达到抓取数据的目的。另外，AJAX内部其实也是通过HTTP协议来发送请求，由于浏览器不能看到AJAX发送的请求和参数，我们则使用抓包工具分析请求的HTTP包结构（URL以及参数），并模仿该格式向Bicing服务器发送欺骗包，其功能就是模仿用户在它的页面上点击查询功能。

由于数据从传感器进入Bicing的系统，处理后可以在其网站上获取。我们获得的直接数据是一段包含若干站点数据的HTML报文，需要对其进一步处理，提取有用数据，把这些包含多个站点在某个时间的信息保存入单独日志文件。

我们使用AJAX异步捕捉数据。因为AJAX使用HTTP协议发送请求，所以AJAX的请求与参数就不会显示在浏览器。具体步骤如下。首先，我们设置一个时间器。当时间到了，重发一个请求并重启时间器。如果请求并没有返回，新建一个XMLHttpRequest对象发送查询请求。注意：在时间器结束前，我们需要不断应答数据，然后抽取其中最有用的信息保存到文件中，如果数据应答正确的话，否则抛弃该部分数据。

1.2 预测前对源数据的分析处理程序

在物联网中，最大的特点就在于终端设备多样性。在本系统中，除了在租赁现场使用传感器收集数据外，相关的的重要数量，如驿站名称、自行车剩余数量等应该通过网站、手机等其它方式显示给市民。因此需要对不同来源的数据统一处理。另一方面，JS脚本产生的日志文件是针对多个站点的，而每个站点数分钟即产生一个日志文件，这样每天都会产生数百个文件，单靠人工来整理是不可能的。

我们使用C++编写整理上述收集的日志，把每个日志里的每个站点信息单独归为一个日志文件。在储存采集到的数据文件中，主要有三组重要的数据：出租点的号码，某出租点自行车出租和空闲的数量。所有的信息抽取后生成为新的文件，以出租点的号码来进行分组。

1.2 设计预测的BP算法

为了更准确的预测，本系统使用成熟的BP算法。BP神经网络是一种神经网络，一般由三层构成，如输入层，中间层（即隐藏层）和输出层。在每两层之间的联系，而没有在每一层中的神经元之间的联系。BP算法的主要思想是将学习过程分为两个阶段：第一，解决每个单元的实际输出值根据输入的信息通过输入层，隐藏层处理的；第二，找出误差之间的实际和预期的输出，如果期望输出值不在输出得到的层，它是用来调整权重。

2 实验

“Bicing”自助自行车服务中心在全市共有多个自行车租车点，提供约200辆自行车，有包含385个传感器实时测量出在不同的出租站可用自行车的数量及空位。

图一列出其中三个出租点收集的数据进行实验，图中的三条曲线分别是使用ANN算法进行观测的结果，真实数值和平均值方法预测。

可以看出，该算法与实际情况相吻合。同时，可以从图1得出三个结论。首先，在某个出租点自行车的出租数量在某些时间是飞速变化而某些时间却维持不变，而这些时间与生活作息时间高度吻合。第二，与平均预测算法相比，ANN算法在自行车的出租数量变化不大的时间里，表现相对差些，但在出租数量变化频繁的时间里表现良好，而这刚好才是我们关心的上下班高峰时间段。第三，该算法的预测结果与真实值有一定的距离，尤其在图1（c）中表现明显，这种现象主要是因为该算法需要考虑泛化能力而引起的正常误差。图2给出某天预测数据与原始数据的对比图。

最后我们给出选择捕捉数据的时间窗口大小对预测准确性的影响。我们选择从5分钟到25分钟不同大小的时间窗口，列出对应的预测错误率，如图2。

3 结论

本文提出了一种基于人工神经网络的自行车调度预测算法。由于预测目标，即出租自行车的数量是与以前的出租情况及生活作息高度相关，因此我们采用三层人工神经网络算法作为预测的主要算法。通过实验对比，这种算法在实际应用中是可行的。

参考文献

[1] Rob van Kranenburg.The Internet of Things：A critique of ambient technology and the all-seeing network of RFID[J].Network Notebooks，2007，2（1A）：22-50.

[2] Trieschmann，Jammes S.and George E.Pinches，A Multivariate Model for Predicting Financially Distressed P-L Insures，Journal of Risk and Insurance， 1973，40：327-338.endprint