没有合适的资源?快使用搜索试试~ 我知道了~
视觉信息学6(2022)1公交车行程时间的不确定性可视化分析方法赵伟新a,王桂娟a,王忠a,刘亮a,徐伟a,吴亚东b,王伟a,a西南科技大学计算机科学与技术学院,中国绵阳b四川理工大学计算机科学与工程学院,中国ar t i cl e i nf o文章历史记录:2021年10月31日收到收到修订版,2022年5月24日接受,2022年2022年8月3日在线发布保留字:不确定性可视化贝叶斯神经网络a b st ra ct由于环境的动态变化,公交车行驶时间是不确定的。乘客分析公交出行时间的不确定性对于了解公交运行误差、降低出行风险具有重要意义为了量化公交行程时间预测模型的不确定性,提出了一种公交行程时间不确定性可视化分析方法,通过可视化图形直观地获取公交行程时间的不确定性信息。首先,提出了贝叶斯BEDDNN模型输出具有分布特性的结果,以计算预测模型的不确定度,并提供公交行程时间不确定性的估计。其次,开发了一个交互式的不确定性可视化系统来分析与公交站点和线路相关的时间不确定性。将预测模型和可视化模型有机结合,更好地展示预测结果和不确定性。最后,基于实际公交数据的模型评价结果验证了模型的有效性。案例研究和用户评价的结果表明,本文的可视化系统具有积极的影响,有效地传达不确定信息和用户的感知和决策。版权所有©2022作者。由爱思唯尔公司出版我代表浙江大学和浙江大学出版社有限公司这是一个在CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍公交车是乘客最重要的交通工具之一,乘客需要根据公交车的运行时间来规划自己的行程。公共汽车行驶时间的规律性来自于公共汽车按固定线路行驶。同时,公交出行时间波动较大,易受交通信号、极端天气等不确定因素影响。然而,公交出行时间往往被乘客视为确定性信息,这可能导致决策失误,影响乘客出行。预测公交出行时间是乘客计划出行的主要要求之一,因为乘客可以基于预测来分析公交运行。近年来,神经网络已被普遍用于预测公共汽车旅行时间(Kee et al. ,2017; Treethidtaphat etal. ,2017年)。 然而,在计算过程中,神经网络模型往往被视为确定性模型,从而导致忽略了模型的不确定性。在这种情况下,模型往往会做出过于自信的预测。Pang等人(2018)结合递归神经网络来挖掘公交车到达时间步长之间的相关性。他们将一个台站的预测结果按倍数进行*通讯作者:西南科技大学计算机科学与技术学院,绵阳,中国.E-mail 地 址 : weixin. outlook.com ( W.Zhao ) , wyd028@163.com(Y.Wu).https://doi.org/10.1016/j.visinf.2022.06.002以减少公交车到站时间的预测误差,提高预测结果的可信度。然而 , 在 未 知 的 情 况 下 , 模 型 无 法 告 诉 他 们 不 知 道 ( Gal 和Ghahramani,2016),需要使用不确定性来衡量预测结果的质量对预测模型不确定性的讨论对于降低决策风险和提高决策信心是必要的(Hullman,2019)。贝叶斯神经网络通过采样权值的分布作为网络权值来表示模型的不确定性,这意味着贝叶斯神经网络在前向传播步骤中的权值是随机的因此,当重复给定相同的输入时,贝叶斯神经网络的输出值将服从参数分布。贝叶斯神经网络通过参数分布捕捉预测模型的不确定性来预测公交出行时间,从而提供更具解释性的结果。由于用文字来表达不确定信息不直观,用户很难定义不确定性的程度并进行推理。例如,无法表达不确定性的单词包括“可能”,“很多”等。文本信息可以以视觉图形的形式呈现。信息可视化通过可视化模型传递可视化信息,通过交互方式支持用户挖掘潜在信息。在信息可视化的研究分支中,不确定性可视化是一个重要的研究方向,2468- 502 X/©2022作者。由爱思唯尔公司出版代表浙江大学和浙江大学出版社。公司这是一个在CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表视觉信息学期刊主页:www.elsevier.com/locate/visinfW. Zhao,G. Wang, Z. Wang等人视觉信息学6(2022)12可用于通过视觉编码概率来传达不确定性信息(Karduni et al. ,2020年)。视觉是信息可视化的主要信息传输通道,具有大容量、高带宽的特点,是用户获取图形信息的重要途径。然而,用户的图形感知水平不同。设计视觉模型具有平衡的视觉信息和低视觉混淆的不确定性是困难的。因此,适用于分析公交车行程时间不确定性的可视化模型应该简单易懂。乘客应该意识到预测的不确定性-巴士旅行时间但预测计算过程复杂。乘客很难理解所涉及的不确定性计算。乘客不仅需要访问公交出行时间预测,还需要根据不确定信息辅助决策。为此,提出了一种公交行程时间不确定性可视化分析方法,将公交行程时间预测模型的不确定性量化,通过可视化图形获取公交行程时间不确定性信息。具体而言,本文包括以下贡献:(1) 公交出行时间不确定性的计算。为了预测公交车行程时间并计算模型不确定性,构建了一种贝叶斯神经网络模型-贝叶斯编码解码器深度神经网络(Bayesian encoder-decoderdeep neural network,BEDDNN)。BEDDNN模型由一个编码器-解码器和一个提供不确定性估计能力的预测网络组成。BBDDNN模型可以输出具有分布特性的结果,从而为公交出行时间预测提供信心,为乘客提供基本信息以讨论预测模型的不确定性。(2) 公交出行时间不确定性的可视化。开发了公交线路站点不确定性可视化分析系统,使乘客通过可视化图形了解公交行程时间预测结果及其不确定性。不确定性可视化帮助用户获取和理解与公交出行时间预测相关的不确定性信息,为乘客规划出行提供决策支持。(3) 公交车行程时间不确定性可视化分析方法评价,包括模型评价、案例研究和用户评价。在模型评估中,使用真实的公交运营数据训练预测模型。模型预测质量的评估使用经验覆盖率。在案例研究中,从公交站点和公交线路两个维度分析了公交出行时间的不确定性。最后通过用户评价分析了不确定性可视化对用户感知和决策的影响,说明了本文可视化方法本文的第二第3节详细介绍了贝叶斯编码器-解码器深度神经网络对公交车行程时间不确定性的计算第四部分详细介绍了公交车行程时间不确定性可视化分析系统的设计。第5节介绍了贝叶斯编解码器深度神经网络模型所使用的数据、训练过程、预测结果和性能评估第六节介绍了案例研究、用户评价方法过程和结论。第七节总结了本文的工作并讨论了未来的工作。2. 相关工作2.1. 基于神经网络的虽然可以提供实时公交运行信息,但容易受到交通拥堵等交通问题的影响,使其很难预测交通拥堵的持续时间因此,预测公交车行程时间,为乘客提供参考信息,帮助他们规划行程是必要的。神经网络通常用于预测旅行时间。例如,Gurmu和Fan(2014)开发了一种动态人工神经网络模型,仅使用GPS数据为乘客提供实时旅行时间信息。Kee等人(2017)将预测公交车预计到达时间的问题转化为多标签分类问题。此外,深度神经网络(DNN)模型可用于高精度的复杂信息预测。Treethidtaphat等人(2017)基于GPS数据,使用深度神经网络模型预测公交出行时间,获得了良好的精度。Pang等人(2018)使用递归神经网络(RNN)来预测基于多个时间步长依赖关系的公交车到达RNN不能解决长时间依赖问题。长短期记忆(LSTM)模型通过内部状态转换防止梯度消失。Petersen等人(2019)使用卷积和LSTM层的组合来预测旅行时间,具有更好的模型结果。上述主流神经网络模型一般都是通过点估计来获得结果的.然而,预测结果可能有偏差。该模型因此,我们认为,为了提高预测结果的可信度,需要求出预测区间并讨论预测结果的不确定性。作为概率神经网络,贝叶斯神经网络(BNN)的参数符合一定的先验分布。BNN可以输出具有分布特性的结果来计算模型的不确定度,并提供不确定性估计。在本文中,我们得到的点估计和区间估计的预测结果的基础上贝叶斯神经网络模型来预测公交车行程时间,并提供不确定性估计能力。2.2. 公交车行程时间的不确定性可视化误差是不可避免的,误差来源于数据的采集、处理、可视化等过程,通过可视化技术传递误差信息是不确定性可视化的目标之一 。 视 觉 图 形 ( Pang et al. , 2001 年 ) 和 动 画 ( Deitrick 和Edsall,2006年)经常用于不确定的可视化,以描述不清楚或包含匿名信息的情况。例如,误差线表示数据误差,其长度通常等于该数据的标准差(Springer,2012)。公交运行数据是多维数据,包括纬度、经度、时间、速度等维信息。(2021)通过可视化提高多维数据挖掘模式识别的可解释性,降低分析数据的不确定性。Li等人(2018a,b)提出了一种新颖的时空序列数据视觉探索框架,以帮助分析数据事件。由于公交运行数据是多维时空数据,利用可视化技术分析公交不确定性具有积极的意义。通 过 不 确 定 性 可 视 化 对 总 线 不 确 定 性 的 分 析 是 直 观 的(Gschwandtnei et al. ,2015年),这使得不确定性信息通过视觉图像的呈现,以增强结果的说服力。Zhao等人(2019)使用可视化模型组合设计了新颖的可视化图表Knotted-Line,Kay等人(2016)使用点地图在小尺寸空间中可视化公交车预测结果。通过对公交车运行时间预测结果的分位数进行点图Fernan-des等人(2018)在Kay等人(2016)的工作基础上进行比较W. Zhao,G. Wang, Z. Wang等人视觉信息学6(2022)13·Fig. 1. 公交车行程时间不确定性可视化分析方法的工作流程,包括公交车数据编码、公交车模型不确定性计算和公交车不确定性可视化分析。不同的显示类型用于总线不确定性可视化,并探讨不同的不确定性显示类型传达概率的能力这些工作在可视化的形式上对公交车的不确定性进行了积极的探索这项工作扩展了以前的工作(赵等。,2019),以确保公交车运行不确定性信息的完整性,通过开发一个不确定性可视化系统,从公交车站和路线提供一个完整的可视化分析视角。此外,直观和支持性的交互旨在帮助捕捉不确定性并确保信息交付的有效性。3. 公交出行时间不确定性3.1. 任务分析公交出行时间的不确定性分为偶然不确定性和认知不确定性(Der Kiureghian andDitlevsen,2009)。偶然的不确定性是不可避免的,它来自于公交车运行数据采集过程中的噪声,与数据采集设备的准确性和公交车运行环境等有关。认知不确定性是指模型做出的预测相对于预测模型的置信度。虽然现有的工作已经注意到使用深度学习模型预测公交车行驶时间的不确定性的必要性,但很少关注神经网络模型本身的不确定性。Mazloumi等人2011年帮助乘客通过构建神经网络的预测区间来规划他们的行程。 他们的结论是,预测误差与输入数据噪声有关,并与偶然的不确定性有关。在不确定性的来源中,认识不确定性是可还原的部分,偶然不确定性是根本的部分。在本节中,构建了一个预测模型:贝叶斯编码器-解码器深度神经网络(BEDDNN),用于预测公交车行程时间。该模型量化了预测模型的认知不确定性,并计算了公交出行时间的不确定性。公交车行程时间不确定性可视化分析方法的工作流程如图所示。1.一、首先,将总线运行数据编码为总线运行序列。将公交车运行数据分为两部分,分别用于BEDDNN模型的训练和预测。然后,基于预测结果计算目标台预测分布。对预测模型的认知不确定性进行量化,得到预测公交出行时间的不确定性。图二. BEDDNN模型用于预测公交车行程时间,由两部分组成:3.2. BEDDNN模型设计概率分布可以传达不确定性,这意味着需要确定相关的概率分布来捕获认知的不确定性。贝叶斯神经网络在传统神经网络的基础上,结合贝叶斯概率理论,将预测的不确定性测度引入到神经网络中。因此,为了计算公交车行程时间的不确定性,建立了基于贝叶斯神经网络的BEDDNN模型。BEDDNN模型的完整结构示于图 二、将BEDDNN模型表示为函数fω(),其中W是模型参数的集合,f是BEDDNN模型结构。该BEDDNN模型由两部分组成:(1)用于获得站之间的固有节奏模式的接下来将详细讨论神经网络的这两个部分编码器-解码器由两个通常,总线运行序列包含低质量的数据,编码器可以从总线运行序列中提取有意义的特征序列。编码器有助于减少在训练具有不同模式的样本时模型误差的影响(Gal,2016)。解码器构造固定维度的嵌入状态,其产生未来步骤的预测具体来说,如果一辆巴士状态时间序列{xk}t,编码器读取k个时间戳,W. Zhao,G. Wang, Z. Wang等人视觉信息学6(2022)14∑1=+--·|···N--关于我们()()置信水平1 − a关于π(ω|X)是ωˆL{(ωL,ωU. 的概率Var(f (x))=∑(y−y<$)(3)P}构建载体h1,. . . ,h,k。该矢量被馈送到解码器以产生k1步的预测预测网络由多个完全连接的层组成。在训练过程中使用随机丢弃以防止过拟合。在使用编码器和解码器学习公交车旅行时间的内在模式并进行预测之后,提取解码器的最后一个LSTM单元隐藏状态作为目标向量,并馈送到全连接神经网络以输出用于预测的目标值fω()的目标是计算网络参数ω的后验概率p(ω X,Y),即,后验推理,其中X和Y表示N个观测值x1,. . .,X N,并且y1,. . .,y N。给定一个新的数据点xω,贝叶斯神经网络模型f ω()预测的分布可以表示为:py∗|x , X , Y=py|x, ωp ( ω|X , Y ) dω( 1)由于深度模型的高计算成本,很难做出准确的后验推断。因此,后验分布由简单分布近似,即,变分推理减少了计算工作量。蒙特卡罗丢弃(MC-丢弃),变分推理方法,可以近似,fω()后验分布,而不改变原始的神经网络模型。具体而言,在编码器-解码器和预测网络的每一层应用随机由于随机脱落过程服从伯努利分布,因此伯努利分布可以用于近似参数分布(Gal和Ghahramani,2016;Kingma和Welling,2013)。fω()的输出可以近似为通过后验估计生成的随机样本。分布(Gal,2016)。3.3. 不确定度计算量化神经网络的不确定性有助于决策。量化BEDDNN的认知不确定性将受到关注。不确定性量化目标是在模型的输出结果中以数字方式传达不确定因素对结果的影响程度。BEDDNN模型的输出服从后验分布,允许使用样本方差预测不确定性近似模型给定BEDDNN模型中的输入x结果y=1,. . . ,y通过计算M次获得,样本方差可以表示为:N(n)(2)Nn=1W12Nnn=1在贝叶斯神经网络中,后验分布样本是渐近正态的。置信区间可以通过贝叶斯区间估计来计算。设参数为后验分布π(ω|x)的W.给定输入x和置信度1−a,其中a∈(0,1)计算ωL=x),ωU=ωU(x),使得置信度满足条件ωLWωU|X≥1−a。然后[confide]nceintervalwith4. 可视化设计介绍了公交车不确定性可视化系统的设计目标、设计思路、系统交互和实现。4.1. 设计概述乘客作为公交系统的主要参与者,通过公交运营不确定性信息可以获得更丰富的感知。可视化通过图表传达视觉信息,这是向乘客提供有关公交车运行不确定性的信息的有效工具公交出行不确定性可视化通过可视化图形传达不确定性信息,帮助乘客感知公交出行的不确定性并做出决策。为了有效地通过可视化传达公交出行不确定性信息,我们围绕以下两个设计目标设计了公交出行不确定性可视化图形:(1)不确定性可视化的表达性和(2)不确定性可视化的有效性。为了满足上述两个设计目标意味着需要使用简单的视觉图表来描述公交车行程的不确定性。设计具有良好视觉感知的视觉模型,确保用户通过视觉编码与公交出行不确定性信息进行有效交互为了帮助用户从可视化模型中获取公交出行的不确定性信息,从公交线路信息总览与出行预测、公交线路探索和公交站点探索三个维度构建了公交出行可视化系统图3.公交车行程时间不确定性可视化分析系统界面。系统按照从概述到细节的分析原则,从左到右纵向分为信息面板部分、信息概述与预测部分、公交线路探索部分和公交站点探索部分。本节的其余部分详细描述了总线不确定性可视化分析系统。4.2. 巴士信息概览可视化系统中的公交车概览信息的呈现便于用户直观地访问公交车行驶信息,并构建关于公交车运行的第一印象。信息面板、信息概览和预测部分如图3a-f所示。该系统从公交线路站点、时间和空间三个方面对公交信息进行了直观的展现,并提供了公交参数输入、线路探索和公交预测等功能。用户可以根据探索目标路线在信息面板中输入公交路线图3a和比较站点图3b。然后在图中选择公交车行驶方向。 3 c在信息概览部分生成公交出行不确定性可视化模型。 3 e-f,巴士路线部分图。 3 g-i和巴士站部分图。3j-k。以上部分将在以下章节中详细描述。在线路信息视图中,在图3D中,使用颜色对站稳定性的水平进行编码,从绿色到红色指示站稳定性的降低。地图操作面板图。3e在2D地图平面上绘制公交车轨迹,标记站点,使用不同的颜色来绘制跑步置信区间包含总体均值的置信水平反映了范围的置信水平。由于BEDDNN模型的输出样本是连续的随机变量,可用于拟合后验分布,因此使用概率密度函数来描绘输出样本在一定区间内的概率。然后,可以使用累积分布函数来描述随机变量的概率分布。路段 稳定性反映了公共汽车是否会到达准时到站,在空间维度上给予用户关于公交出行不确定性的信息感知公交线路预测图3f从时间层面显示公交车行驶不确定性信息,并提供行程预测功能。预测结果由BEDDNN模型得到。图中的水平条形图。3f为用户提供模型预测结果,用横轴表示W. Zhao,G. Wang, Z. Wang等人视觉信息学6(2022)15图三. 公交车行程时间不确定性可视化分析系统界面。a.总线输入盒。B. 车站输入箱。C.巴士运行方向。D.公交线路信息。e.地图操作面板。F. 公交线路时间预测G. 路线稳定性视图。H. 路由状态视图。I. 车站日历视图。J. 概率平行视图。K. 传奇表示预测时间,纵轴表示站点。每个测站对应的矩形是累积概率密度的线性表示。每个矩形的水平边界由累积概率分布的间隔确定,表示在相应的时间间隔内到达站点的概率(Fernan-des et al. ,2018年)。色彩心理学中的四种原色被用来概括公共汽车在时间间隔内到达的风险(Elliot和Maier,2014)。例如,绿色表示安全,并指示在该矩形时间的到达概率最高。颜色方案用于在公交车行程时间不确定性的视觉分析系统中呈现不确定性,如图4所示。配色方案包含离散和连续的颜色,从各个方面(如车站和线路)充分吸引视觉感官,呈现有关公交车行驶的不确定性的4.3. 公交路线可视化从公交线路的角度研究公交车的运行情况,可以获取公交车的整体运行特征,如公交车经过的站点顺序和公交线路的运行时间等。根据公交站点的时序特征,设计开发了公交线路可视化视图,包括线路稳定性视图图、公交站点动态性视图图。图3g是路线状态视图 3 h,和车站日历视图图。3i.公交线路可视化视图通过公交线路与运行时间的二元关系来描述公交线路的不确定性。我们每天都在探索公共汽车旅行时间的不确定性信息。公共汽车按固定路线行驶。折线图直观高效地对趋势和顺序做出反应,直观高效。图3h显示了路线状态视图,它基于折线图给出了公交车行驶的概述,可视化了公交车数据中时间和站点之间BEDDNN见图4。颜 色 方案用于表示系统中的不确定性。离散而连续的颜色描述了不同系统组件中的相关概率和稳定性。模型计算出95%的置信区间,预测不同站点的到达时间,反映不同时间公交车运行的稳定性。图3g呈现了公交路线的稳定视图。横轴表示公交车站。纵轴表示置信区间。红点到绿点分别表示95%置信区间的上界和下界,它们之间的距离是W. Zhao,G. Wang, Z. Wang等人视觉信息学6(2022)16图五、3 1 路 公 交 车 到 达 概 率 的平行视图。置信区间置信区间从统计图的层次上体现了公交车在不同站点运行的稳定性我们通过将一天的公交车运行时间除以小时数来进一步细化分析的时间粒度车站日历图见图3i。它由日历图和条形图组成。日历图表固定了与订单的二维颜色编码站稳定性。越不稳定,颜色越红。它符合人类唯一的心理感受,绿色使人舒适,红色使人焦虑。图表的外围条是相应轴的汇总。例如,最稳定的站是图1所示的站18。 3 i.4.4. 公交车站可视化每个车站到达时间的不确定性也是用户的一个重要问题。从车站的角度探索公交出行可以捕捉各个车站的特征。在不确定性分析中,概率密度函数图和累积分布函数图是必不可少的.概率密度函数图用于表示完整的概率信息。对于用户来说,从概率密度函数图中的面积关系中获得可能性是具有挑战性的。累积概率分布函数图表从概率累积的角度为用户提供了额外的可视化,具有与用户的认知直觉相匹配的逐渐增大的区域图。我们通过BEDDNN模型获得后验分布,预测台站的到达时间不确定性。这为公交站点不确定性可视化提供了原始材料。为了更好地呈现与线路站点相关的概率密度函数视图和累积概率分布视图如图3j所示,概率并行视图由三部分组成:概率密度函数面积图、概率密度颜色梯度图和累积概率矩形图。概率密度函数面积图按面积表示到达概率密度函数面积图可以提供公交车到站时间的概率估计,并通过传递误差信息来帮助解释不确定性的通常情况下,概率估计与风险容忍度有关。分析概率密度图有助于用户作出保守估计。站点概率密度图能有效地反映公交到站运行特征。一个例子的并行视图的巴士到达概率显示在图。5、比较了4、5、6站的概率密度函数面积图、概率密度颜色梯度图和累积概率矩形图。概率密度梯度图与概率密度函数面积图的高度直接相关。概率密度函数图像越高,概率密度颜色梯度越集中。图5显示了该站点5、6号站13:00 - 14:00相对不稳定。概率密度颜色梯度将关于时间和概率的二维特征压缩到时间的一维中。通过查看梯度范围和颜色阴影,概率密度梯度图有助于理解概率密度函数的区域图像。与图中的水平条形图一样。3f,车站的累积概率分布用公交车到达概率的色块表示。概率密度渐近线和累积概率矩形图是概率密度函数面积图的补充说明,直观地编码了公交车到达概率。用户可以直观地观察公交车在一天中不同时间到达特定站点的概率,以便进一步规划行程。4.5. 可视化交互可视化交互是获取知识的重要途径.通过设置适当的可视化交互,可以提高信息传递的准确性,保证不确定性可视化的有效性。交互过程中的视觉反馈给用户一个清晰的视觉感知,减少了由于缺乏视觉提示而造成的信息缺失用户发现理解曲线和由抽象曲线形成的区域是具有挑战性的为了解决这个问题,我们在概率密度分布图中添加了一条辅助线,以帮助获得公交车在指定时间的到达概率 如图6、辅助线将区域划分为目标区域图的个体。我们将计算这条辅助线左侧面积的百分比,并用悬停表示W. Zhao,G. Wang, Z. Wang等人视觉信息学6(2022)17表1总线运行数据示例指数车旗GPS日期时间V地位反方向车站编号10596874442029202101211607481401119610596940642029202101211608032901159105973402420292021012116093325011194105977500420292021012116110329011195图六、添 加 辅助信息以帮助信息感知。短信了此外,为了使可视化视图更具可读性,所有2D统计视图都支持放大和缩小操作。在文本方面,我们在系统的每个部分添加了特征概述信息,以帮助用户快速定位特征点。 如图3k,表格形状的图例被添加,以指导用户在视觉视图探索与功能概述。5. BEDDNN模型评价在本节中,我们首先介绍用于训练BEDDNN模型的实验数据。然后描述训练细节以说明模型计算的结果最后,通过与基准模型的性能比较,验证了模型的有效性。5.1. 数据培训采用L市公交公司提供的公交车运行数据训练数据包含79条公交线路,平均27个站点,每条线路1558条记录,时间跨度40天,共计约33.3万条GPS记录。31路公交车被选为示例。表1显示了总线运行数据的示例。轨迹数据是由GPS位置和时间组成的时空序列数据。站与站之间存在向后和向前的顺序关系训练样本由步长为1的滑动窗口构造。每个滑动窗口包含一个电台序列和填充值,目的是预测滑动窗口中的电台序列中的下一个电台5.2. BEDDNN模型训练和预测在训练模型之前,通过归一化函数对输入和输出数据进行归一化。通过网格搜索BEDDNN模型的超参数具体而言,学习率从0.0001增加到0.1。训练深度学习模型的迭代次数从1000次增加辍学率从0.01到0.2不等。网格搜索结果表明,该模型具有最小的预测误差,使用BEDDNN模型的辍学率为0.02 50,000次迭代和学习率为0.0005的Adam优化器。由于31路公交车经过郊区和市区,因此可以反映公交车在中心区和外围区的行驶情况。因此,31路公交车具有代表性。以第31行为例,我们训练了BEDDNN模型。模型预测结果如图所示。7 .第一次会议。图中的红色虚线。7是实际旅行时间,黑色实线表示通过概率模型估计的平均旅行时间,深灰色和浅灰色分别表示95%和99%置信区间。可以看出,该模型更好地捕捉了真实值。表2将BEDDNN模型与基线模型进行比较测度概率模型非概率模型BEDDNNDNN线性SVRDTRRMSE0.151350.224060.3250.2430.270Mae0.111330.161460.2220.1450.161MSE0.024110.061880.1050.0590.073表3总线预测性能比较。公交线路RMSEMAEMSE号32510.153950.108670.02489号32110.163430.118040.02787号27510.156520.106970.02668号23510.160030.118780.02678号17910.147430.100990.02295平均0.156270.110690.025835.3. 绩效评价为了评估模型的有效性,我们使用留一交叉验证方法来比较BEDDNN模型和基线模型的性能。MSE、RMSE和MAE被用作所有模型的度量。由于BEDDNN预测网络部分是DNN模型,因此将BEDDNN与四种基线模型进行比较:DNN模型,线性模型,支持向量回归(SVR)和决策树回归(DTR)。DNN模型保持与BEDDNN的DNN部分相同的结构表2中的结果表明,作为概率模型,BEDDNN模型在公交车行程时间预测任务中的性能优于其他确定性模型。BEDDNN优于DNN模型的性能说明了由编码器-解码器和DNN组成的BEDDNN结构的合理性。为了验证BEDDNN模型在不同公交运行数据下的预测性能,我们评估了BEDDNN模型在几条公交运行路线上的性能。几条公交线路的预测结果如表3所示。结果表明,该模型在公交行程时间预测中具有较好的鲁棒性。6. 可视化评价在本节中,进行案例研究和用户评价,以说明公交车旅行时间的可视化分析方法的有效性6.1. 为例分析公交车行程时间的不确定性是这项工作的主要目标。L市的31路公交车包含具有鲜明驾驶特征的住宅区和商业以31路公交出行规划为例,从公交线路和公交站点两个角度对31路公交出行的不确定性信息进行可视化分析。在乘坐公交车之前,乘客需要确定公交车的起点站和终点站。首先,进入W. Zhao,G. Wang, Z. Wang等人视觉信息学6(2022)18图7.第一次会议。 预测结果表 明 , 该 方 法 能 够 较 好 地 预 测 公交车 的 运 行状 况 。31岁巴士31号图在图3a中,乘客获得关于图3d和图3e的车辆路线站的地理位置和顺序的信息,以确定他们需要从站四到达站九。不幸的是,这些车站由于高度不稳定(由交通堵塞等引起)而被编码为红色。 乘客希望获取更多的公交出行信息,选择公交运行平稳(稳定性高)时出行。乘客探索巴士路线的稳定性(图3g)发现,在路线站的平均等待时间约为15分钟。3h显示,慢公交路段集中在7-12号站之间,而16号站周边也是如此。从图中的颜色编码。3i,已知站4至9与其它站相比是不稳定的。乘客通过图中的纵轴直方图比较一天中不同时间公交车的稳定性,就能知道14:00发车。3i与到达时间预测图3f区。乘客要详细分析行程路线车站。进入图3b中的目标车站后,乘客在公交车站部分探索车站细节系统在图。 3 j.在阅读图中的图例信息后,3k时,乘客通过PDF形状和颜色渐变程度判断公交车在相应站点和时间的运行稳定性。然后从CDF颜色推断公共汽车到达概率。所有这些公交出行不确定性信息有助于乘客构建更繁荣的公交出行印象,增加他们乘坐公交车的信心6.2. 用户研究通过用户评价,说明了公交车行程时间不确定性可视化分析系统对用户感知和决策的影响。这些步骤包括以下内容。首先,基于分析目标制定评估任务,招募乘客作为志愿者用于用户评估实验。我们向志愿者介绍评估任务,并确保他们了解任务目标。第二,志愿者使用该系统根据评估任务的要求对系统支持用户完成评估任务的程度进行最后,评估结果进行了分析,以讨论系统在影响用户感知和决策方面的有效性(Hullmanet al. ,2018年)。6.2.1. 评价工作感知行为发生在大脑感知和理解外部刺激产生的信息时。当视觉图像刺激视觉感官时,大脑获取视觉图像所传达的视觉信息并产生反应。可视化模型通过视觉编码来传达为了确定系统对用户感知和决策的影响,评价目标是评估公交车行程时间不确定性可视化分析系统在向用户传达不确定性信息方面的有效性。信息影响感知和决策。根据任务目标,参与者评价如何以及系统支持分析任务的完成后,使用该系统来说明该系统在传达不确定信息的有效性。明确的任务目标有助于用户完成分析任务。评价任务应避免指导用户使用系统。相反,评估任务应该定义评估目标,并指导用户使用系统来达到分析目标。为了评估不确定性可视化系统对用户感知和决策的影响,本文设计了以下T0。获取巴士旅行中最不稳定路段的地理信息。该任务需要从空间的角度来看,线路运行间隔W. Zhao,G. Wang, Z. Wang等人视觉信息学6(2022)19在地图中,线路运行间隔的颜色越深,在这一段就越不稳定和波动。线路运行间隔的颜色越浅,则通过该区段的线路越稳定,波动性越小。T1得到公交车出行最不稳定路段的候车时间跨度。从时间的角度,比较不同站点之间的等待时间跨度的大小,以获得具有最大等待时间跨度的站点。这可以通过探索巴士路线来实现。T2 获取在公共汽车的特定路段上行驶的最不稳定时间段该任务需要选择目标站点来比较不同时间段的公交车行驶稳定性,这可以通过系统的公交车路线探索部分和公交车站点探索部分之间的协作来完成。特别是公交站点探测断面的概率密度函数面积图、渐近图和累积概率分布矩形图,为公交在同一站点不同时间的行驶稳定性比较提供了详细的信息。T3在固定的时间段内获得公交车行驶的最不稳定路段。这项任务需要选择一个目标时间段来比较不同道路上公交车行驶的稳定性。类似地,该任务可以由公共汽车路线探索部分和公共汽车站探索部分协作完成。T4制定乘车计划并分析路线停靠站的稳定性。该任务要求乘客从时间和空间两个层面对公交出行进行分析,以了解公交线路站点的不稳定性,并对公交出行进行规划。该任务涉及不确定性感知和决策,并要求用户使用所有可视化视图。当志愿者完成任务时,他们被要求使用Likert量表对系统支持完成分析任务的程度进行评分。使用强烈不同意、不同意、中立、同意和强烈同意进行响应,分别编码为值1、2、3、4和5强烈反对意味着本文中的可视化系统对分析任务没有帮助。相反,强一致性意味着可视化系统对分析任务非常有帮助。最后,对评分结果进行了分析,以说明该系统在传递不确定信息方面的有效性。6.2.2. 评价过程在实验开始之前,选择31号路线作为代表性的公交路线进行评价。14名常客 这条路线的志愿者被邀请,包括8名男子和6名妇女。他们都有良好的视力,年龄从18岁到32岁不等,拥有高中以上学历,从事各种职业。他们有不同的出行习惯,例如经常在上午或下午出行,这意味着他们在使用系统时可能有不同的偏好。采用搭载M1芯片的Macbook Air作为实验平台,提供统一的性能和显示。评估目标是评估系统在传递不确定信息方面的有效性及其影响用户的感知和决策。志愿者将被介绍到评价内容,可视化视图组件,和可视化系统的基本操作。这确保志愿者对评价有清楚的了解。从T0到T4依次执行评价任务。评估任务T0-T3与系统传达不确定信息的有效性有关。评估任务T4与决策有关。在评估任务T0-T3中,用户根据任务目标使用系统来获得关于公交车运行的不确定性的信息以产生感知。评估任务T4是用户使用系统在获得评估结果之后做出推断决定的情况。与公交车运行相关的不确定信息见图8。箱形图显示了用户评级和统计值的分布。 横轴是用户分析任务,纵轴是用户对任务的评分。结果表明,该可视化方法能够将不确定性信息传递给用户(T0-T3),方便用户基于不确定性信息进行决策推理(T4)。评估任务T0-T3。志愿者需要在实验过程中积极探索可视化系统的详细内容。确保志愿者在单独且不受干扰的空间进行实验,10分钟后对上述评价内容进行评分。6.2.3. 评价结果和分析通过对不同任务的实验结果进行分析,探讨了不确定性可视化在传递不确定性信息方面的有效性分析表明,利用公交车行程时间不确定性可视化系统可以有效地传达不确定信息,帮助用户进行决策。我们通过描述性统计分析了不同评价任务的用户评分。图8显示了关于用户任务评级的箱形图,反映了用户任务评级的分散度图图8中,绿点、钢蓝点和黑点分别表示平均值、众数和标准差,橙色线表示中位数。可以看出,平均值和众数大于3点(中性)。所有任务的投票得分都为3分(中立)和3分以上(同意或强烈同意),除了任务T3,其中有2分(不同意)投票。如图9所示,我们使用小提琴图来补充任务评级的投票数分布。票数越高,小提琴图就越宽。可以看出,用户对本文系统完成分析任务的支持度评价集中在肯定投票段,即,投票分数大于或等于3分(中立、同意或强烈同意)。用户认为本文的可视化系统有助于分析任务的完成。实验结果表明,该系统能够有效地传递不确定信息,帮助用户进行感知和决策。要查看用户任务投票的组成,可以使用发散堆叠条形图来显示投票评级的数量。如图10,该图从部分到整体呈现投票结果,使用视觉基线将结果分为负面,正面和中性类别。 如视觉基线位置所示,中性类别被分类为中性结果,而不是分类到视觉基线的左侧(阴性)或右侧(阳性)。可以看出,除了任务T3之外,用户对每个任务都有积极或中立的态度,这也表明可视化视图对用户对关于任务T3的信息的理解具有积极的影响W. Zhao,G. Wang, Z. Wang等人视觉信息学6(2022)110见图9。用户评分小提琴图,用于显示用户评分投票数。与箱形图类似,横轴是用户分析任务,纵轴是任务的评级见图10。发 散 堆叠条形图。横轴表示投票数,纵轴表示用户任务分析。任务投票数显示用户评分趋势。巴士不确定性T4正评价率为84.62%,说明该系统对用户的推理决策有一定的帮助投票结束后对与会者进行了采访访谈的重点是在实验过程中给他们留下深刻印象的可视化。一些参与者认为,用颜色对不确定性进行编码是引人注目的,可以从视觉上反映公共汽车旅行的不确定性。此外,给予负面评价的参与者发现很难通过直接判断任务T3中的区域来推断不确定性。这个问题得到了改善,通过交互式获取提示。这是因为理解曲线累积概率分布是一个挑战。如何使不确定性可视化更加直观易懂也是后续改进的方向7.
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功