《Symmetry》:Neural Network Auto-Design Algorithm for Urban Travel Time Prediction
Eduardo Chandomí-Castellanos,
Elías N. Escobar-Gómez,
Jorge Iván Bermúdez Rodríguez,
José-Roberto Bermúdez,
Julio-Alberto Guzmán-Rabasa,
Ildeberto Santos-Ruiz and
Esvan-Jesús Pérez-Pérez
编辑推荐:
本文提出使用人工神经网络(Artificial Neural Networks, ANNs)估计城市街道网络中每条边(edge)的旅行时间。为了改善ANN性能并最小化手动设计中的误差,引入一种自动设计ANN拓扑的算法(Algorithm Auto-Design
本文提出使用人工神经网络(Artificial Neural Networks, ANNs)估计城市街道网络中每条边(edge)的旅行时间。为了改善ANN性能并最小化手动设计中的误差,引入一种自动设计ANN拓扑的算法(Algorithm Auto-Design ANN Topology, A-DANNT),该算法自动确定回归问题的最适架构。该方法实现了一种基于禁忌搜索(Tabu Search)的算法,称为最佳R值确定算法(Best R-Value Determination algorithm, BR-vD),该算法优化拓扑以获得较低的均方误差(Mean Square Error, MSE)和较高的相关系数(correlation coefficient)。整个过程分三个阶段展开:首先,分析影响旅行时间的变量;然后,使用所提算法寻找最佳拓扑;最后,估计旅行时间。该方案在两个案例研究中被评估:在第一个案例中,算法自动设计架构,结果与目标之间达到0.99366的相关系数;在第二个案例中,算法性能与一个模糊旅行时间模型进行比较,达到0.99898的相关系数。在两个案例中,所提算法都能设计出相关系数大于0.99的拓扑,且平均绝对误差(Mean Absolute Errors, MAEs)分别为3.2765秒和0.6957秒。
论文解读文章:
**研究背景与问题**
在城市物流配送中,旅行时间预测对于确保按时交付、降低运营成本至关重要。然而,城市道路网络受多种动态因素(如路况、天气、交通密度)影响,旅行时间呈现高度不确定性和随机性,传统基于模型的方法难以准确捕捉这些复杂关系。现有机器学习方法虽能利用历史数据,但人工神经网络(ANN)的拓扑设计通常依赖开发者经验,通过试错或任意选择,过程繁琐且难以保证最优性能。此外,不同数据集需适应不同架构,手动配置超参数(层数、神经元数)易导致欠拟合或过拟合,缺乏自动化和通用性。为此,研究人员提出一种自动设计ANN拓扑的算法(A-DANNT),结合禁忌搜索(Tabu Search)优化架构,以提升旅行时间预测的准确性和效率。该研究具有重要实践意义,能帮助企业优化配送路线、降低能耗与排放,并适应电子商务和即时配送的快速增长需求。论文发表在《Symmetry》。
**关键技术与方法**
主要技术方法包括:(1)A-DANNT算法,用于自动确定ANN的层数和每层神经元数,基于相关性系数(R值)引导搜索,并设置停止准则避免冗余评估;(2)BR-vD算法(基于Tabu Search),用于优化初始突触权重,通过随机权重生成和Levenberg–Marquardt反向传播训练,以MSE最小化为目标,迭代改进R值;(3)数据集来自墨西哥图斯特拉古铁雷斯市实际配送路线,包含10,000条观测记录,输入变量为街道距离(Sd)、街道状态(Ss,基于视觉检查编码为离散有序尺度)、交通区域(Tz)、一天中的时间(Td)和降雨量(Rl),输出为旅行时间。研究分两个案例:案例1使用自有数据集,案例2使用文献[34]的模糊规划数据。
**研究结果**
*3.1. 案例研究1*:通过分析配送过程中52个因素,筛选出5个关键输入变量。A-DANNT算法为案例1设计了包含5个输入、190个隐藏层神经元、1个输出神经元的单隐藏层网络(Sigmoid激活函数+线性输出)。训练、验证、测试集划分比例为70%、15%、15%。结果显示,测试集相关系数R=0.99366,MSE=22.51秒,MAE=3.2765秒。线性回归分析显示训练、验证、测试集R值分别为0.99366、0.99202、0.99247,表明模型在不同数据分区上表现一致。与经贝叶斯优化(Bayesian optimization)的回归模型比较,A-DANNT的RMSE显著更低,凸显自动拓扑设计的优势。
*3.2. 案例研究2*:使用文献[34]的模糊线性规划(FLP)数据,输入变量扩展至11个(含街道距离、时间、交通系数及交叉口通行时间等)。A-DANNT算法设计出11个输入、150个隐藏层神经元、1个输出神经元的单隐藏层网络。预测结果与FLP对比,MAE=0.6957秒,相关系数R=0.99898(训练集)。MAPE分析显示,A-DANNT的平均绝对百分比误差(7.95%)和方差(36.24%)均优于FLP(9.6%和46.57%),表明预测更稳健。配对t检验的p值大于显著性水平(0.05),95%置信区间包含零,说明预测值与目标值差异无统计学意义。残差分布居中有界,峰值与非峰值时段误差稳定,验证了模型鲁棒性。
**讨论与结论**
讨论部分强调,A-DANNT算法通过自动选择拓扑有效减少了用户设计误差,BR-vD算法确保获得较高相关系数的权重集,但受启发式搜索局限,解为高质量局部最优而非全局最优。统计检验(配对t检验)证实预测值与实际值无显著差异,置信区间和方差分析进一步支持模型稳定性和泛化能力。研究结论翻译如下:基于配对t检验分析,p值大于显著性水平,在案例1和2中均不能拒绝原假设,没有足够证据表明成对观测均值差异具有统计学显著性。此外,计算的95%置信区间包含零,这支持了所获结果的统计一致性,并强化了观测差异不具有统计显著性。数据集数量、拓扑层数和神经元数之间存在关系:数据量少而神经元多会导致过拟合(记忆数据而非泛化)。输入变量随时间动态变化(如街道状态可能从无障碍变为大坑洞),因此需要自动设计算法来针对每个问题选择正确拓扑。A-DANNT算法降低了用户选择拓扑时的错误,并实现了设计选择的自动化。BR-vD算法的应用保证了获得一组具有更高相关系数的权重W,该值接近全局最大值。总体而言,所提方法在保持统计稳定性的同时展现了准确的预测能力,支持其作为回归问题自动拓扑设计策略的适用性。