CN101615340A - 公交动态调度中的实时信息处理方法 - Google Patents

Abstract

一种公交动态调度中的实时信息处理方法，专用于地面公交单线或区域多线路动态调度。实时信息包括车辆定位信息和客流信息，采集设备包括GPS车载终端及IC卡POS机终端，处理方法包括：实时信息采集及传输；实时信息处理预处理；对获取的数据进行二次处理；以公交车辆定位技术、公交客流采集技术、网络通信技术、WebGIS等ITS、计算机相关技术为支撑，采集地面公交线路运营实时信息，对其进行加工处理，计算车辆延误时间、断面客流量、满载率等运营状态，并进行车辆串车识别；利用卡尔曼滤波模型，对公交车辆到站时间、延误时间进行预测，为动态调度措施的确定提供决策依据。

Description

公交动态调度中的实时信息处理方法

技术领域

本发明属于公交动态信息处理领域，专用于地面公交单线或区域多线路动态调度。

背景技术

公交动态调度是我国地面公交运营组织未来一个重要的发展方向，目前在我国多个城市也开展了相应的示范建设工程，取得了一定的效果。随着ITS技术的发展，对动态信息的采集、传输技术已十分成熟，在国内外应用也较为广泛，但在保证实时性的前提下，如何将动态信息加工处理成为能够支撑公交调度决策的依据，还需进行深入的研究。目前主要存在以下问题：

目前，公交车辆定位主要用于车辆监控及报警等用途，并未形成对相关动态信息(地理坐标、速度、时间)的有效加工处理方法，公交车辆的行驶状态如旅行时间延误、串车等信息无法获取，即获取的原始动态信息尚未能作为公交动态调度决策的数据支撑。

目前，公交动态调度大多采用基于事件响应机制的动态调度方法，即发现异常情况后再进行调度，存在有一定的滞后性。

发明内容

本发明的目的在于，通过提供一种公交动态调度中的实时信息处理方法以公交实时信息为对象，提出处理方法获得公交运营状态(延误、串车等)信息；选取卡尔曼滤波算法，结合实时信息与历史数据对公交车辆到站时间进行预测，为公交动态调度决策提供数据支撑。

本发明是采用以下技术手段实现的：

一种公交动态调度中的实时信息处理方法，包括车辆定位信息机客流信息，采集设备包括GPS车载终端及IC卡POS机终端，包括如下步骤：

步骤1：实时信息采集及传输；

当公交车辆到达站点i时，通过地理坐标匹配，确认公交车辆是否到站；当乘客刷卡完毕、车辆离站时，将实时信息与客流信息打包经通信网络传输到调度中心；

步骤2：实时信息处理预处理；

对实时信息进行处理，获取相关运行状态数据，包括：车辆到达站点时间、车辆停靠站时间、车辆路段实际行程时间、车辆单程实际行程时间、车辆周转时间、断面客流量、满载率：其中；

2.1.车辆到达站点时间；

根据车辆定位信息计算：

AT(i)_k＝LT(i)_k-ST(i)_k

AT(i)_k：班次k到达i站点的时间；

LT(i)_k：班次k离开i站点的时间；

ST(i)_k：班次k在i站点的停靠站时间；

2.2.车辆停靠站时间；

即ST(i)_k，根据车辆定位信息直接获取；

2.3.车辆路段实际行程时间；

将车辆在相邻两站点之间的行驶时间定义为路段行程时间，处理方法为：

RT(i-1，i)_k＝AT(i)_k-AT(i-1)_k

RT(i-1，i)_k：班次k在i-1站与i站间路段实际行程时间

2.4.车辆单程实际行程时间；

$\mathrm{RT}{(1,n)}_k=\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{RT}{(i-1,i)}_k\\ \mathrm{AT}{\left(n\right)}_k-T_k\end{array}\right.$

其中：TT_k＝：班次k单程实际行程时间；

      i：站点编号；

      AT(n)_k：班次k到达终点站(n)的时间；

T_k：班次k发车时间；

2.5.车辆周转时间；

分段计价时采用计算2倍单程实际行程时间与车辆在终点站停站时间的和：

TT_k＝2×RT(1，n)_k+ST(n)_k

TT_k：班次k周转时间；

ST(n)_k：班次k在终点站(n)停站时间；

一票制采用计算车辆k在同一场站相邻两次发车时首位乘客刷卡时间差：

TT_k＝TT_k(j+1)P₁(1)-TT_kjP₁(1)

TT_kjP₁(1)：表示车辆k在首站第j次发车时首位乘客的刷卡时间；

2.6.断面客流量；

通过统计乘客刷卡数识别上车人数，对于一票制线路建立站点下车概率矩阵计算下车人数，分段计价线路直接统计下车刷卡人数；

一票制线路：

$V_j=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left[\frac{(\mathrm{BP}\left(i\right)-P)}{\mathrm{\μ}}\right]}_k$

V_j：第j个断面内所有车次的客流量之和，即断面客流量；

BP(i)：第i站上车(刷卡)乘客数；

DP(i)：第i站下车(刷卡)乘客数；

μ：公交乘客刷卡率；

k：班次号；

P：P＝(p_ij)_m×m，即在站点i上车的乘客在站点j下车的概率矩阵。确定下车概率矩阵方法如下：

$F_{\mathrm{ij}}=\frac{e^{-\mathrm{\λ}}{\mathrm{\λ}}^{(j-i)}}{(j-i)!}$

其中：F_ij——i站点上车乘客在j站点下车的概率；

      λ——平均公交出行途径站点数量，当i站点以后的站点数量小于平均出行途径站点数时，λ＝n-i，n为线路单向站点数量；

另外需计算各站点吸引强度，定义W_i为公交线路各站点吸引权：

$W_i=\frac{S_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{S}_i}$

S_i：为站点i吸引范围；

站点下车概率矩阵与下车概率及站点吸引强度相关，故计算：

$P_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{F_{\mathrm{ij}}\&times;W_j}{\underset{j=i+1}{\overset{n}{\mathrm{\&Sigma;}}}{F}_{\mathrm{ij}}\&times;W_j},i<j\\ 0,i\&GreaterEqual;j\end{array}\right.$

得到下车概率矩阵后，代入下述公式即可计算站点下车人数；

$\mathrm{DP}\left(i\right)=\underset{i=1}{\overset{j-1}{\mathrm{\&Sigma;}}}(\mathrm{BP}\left(i\right)\&times;p_{\mathrm{ij}}),i=\mathrm{1,2},...,n$

分段计价线路：

$V_j=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left[\frac{\mathrm{BP}\left(i\right)-\mathrm{DP}\left(i\right)}{\mathrm{\&mu;}}\right]}_k$

2.7.满载率；

$\mathrm{\&theta;}=\frac{Q_{\mathrm{kT}}}{Q_k}$

θ：车辆满载率；

Q_kT：实际载客量，通过处理实时客流信息得到；

$Q_{\mathrm{kT}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left[\frac{\mathrm{BP}\left(i\right)-\mathrm{DP}\left(i\right)}{\mathrm{\&mu;}}\right]$

Q_k：班次k的额定载客量；

步骤3：对获取的数据进行二次处理；

3.1.预测车辆到站时间

$g(k+1)=\frac{e\left(k\right)+\mathrm{VAR}\left[{\mathrm{data}}_{\mathrm{out}}\right]}{\mathrm{VAR}[{\mathrm{data}}_{\mathrm{in}}+\mathrm{VAR}[{\mathrm{data}}_{\mathrm{out}}]+e\left(k\right)]}$

a(k+1)＝1-g(k+1)

e(k+1)＝VAR[data_in]·g(k+1)

PRT(i-1，i)_k+1＝a(k+1)·RT(i-1，i)_k+g(k+1)·RT(i-1，i)_hk

PAT(i)_k+1＝PRT(i-1，i)_k+1+AT(i-1)_k+1

其中：

g：为筛选所得；

a：为循环所得；

e：代表筛选误差；

PRT(i-1，i)_k+1：班次k+1在站点i-1与i之间预测路段行程时间；

PAT(i)_k+1：班次k+1到达站点i的预测时间；

RT(i-1，i)_hk：为历史数据中同时段班次在第i站与i-1站间的路段实际运行时间的均值；

VAR[data_out]：为站点间路段运行时间的预测方差；

VAR[data_in]：为同时段同路段历史数据实际运行时间的方差；

3.2.车辆路段行程延误时间；

PDT(i)_k+1：预测班次k+1到达i站的延误时间；

T_k，k+1：班次k与班次k+1之间的发车间隔时间；

3.3.车辆路段实际延误时间；

以发车间隔作为衡量标准，计算各班次车辆路段实际延误时间：

DT(i)_k+1：班次k+1到达i时的延误时间；

若班次k+1滞留在站点i-1与站点i之间，无法获取该班次到达站点i的实际时间，则定时上传班次k+1实时信息RT(i-1，i)k+1，比较[RT(i-1，i)k+1-RT(i)k]与T的大小，定时计算班次k+1延误时间，按照延误时间级别进行预警及采取动态调度措施；

3.4.车辆单程实际延误时间；

${\mathrm{DT}}_k=\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{DT}{\left(i\right)}_k\\ [\mathrm{AT}{\left(n\right)}_k-\mathrm{AT}{\left(n\right)}_{k-1}]-T_{k-1,k}\end{array}\right.$

DT_k：班次k单程实际延误时间；

i：站点编号；

3.5.车辆串车识别；

车辆串车识别先利用预测到站时间计算，再对比相邻班次实际到站时间进行串车识别确认；

预测车辆串车：

δ：判断车辆串车阈值，根据实时信息识别串车：

前述的由实时信息获取的数据包括：预测车辆到站时间、预测车辆路段行程延误时间、车辆路段实际延误时间、车辆单程实际延误时间、车辆串车识别。

前述的车辆到达时间，其首班车到站时间预测值采用历史均值。

本发明与现有技术相比，具有以下明显的优势和有益效果：

一种公交动态调度中的实时信息处理方法，利用车辆定位技术，能够动态跟踪车辆行驶状态，对其进行加工处理，计算车辆延误时间、断面客流量、满载率等运营状态，并进行车辆串车识别；利用卡尔曼滤波模型，对公交车辆到站时间、延误时间进行预测，为动态调度措施的确定提供决策依据。并使动态调度工作具备提前生成决策功能，提高公交动态调度的效率。

附图说明

图1是预测车辆到站时间方法应用流程图；

图2是公交车辆路段行程时间延误计算流程图。

具体实施方式

以下结合说明书附图对本发明的实施方式进一步说明：

图1是预测车辆到站时间方法应用流程图；根据实时信息，确定班次k在站点i与i-1之间的路段实际行程时间，当前时段及当前路段的历史平均行程时间已知，利用卡尔曼滤波模型，预测班次k+1到达站点i的时间，前提为班次k+1晚于班次k到达站点i，若班次k+1中途超过班次k，则按照到站先后顺序对班次k进行预测。根据班次k+1到站时间预测值，可计算班次k+1延误时间预测值并进行串车预测。

图2是公交车辆路段行程时间延误计算流程图。首先根据实时信息，确定各班次到达各站点时间，计算相邻班次到达同一站点的时间差，再将该时间差与该相邻班次发车间隔作比较，若时间差大于发车间隔，则表示后一班次出现延误，延误时间为到站时间差与发车间隔的差值；若小于发车间隔，则表示正常行驶，若差值小于30s，则认为相邻班次发生串车。根据班次k在各个站点的延误时间之和或乘客刷卡时间间隔，还可计算班次k单程延误总时间，具体计算方法见说明书步骤3。

本发明以公交智能调度系统为依托平台，公交智能调度系统具有动态信息采集功能、通信功能、数据处理功能、生成调度方案等功能。动态信息主要包括车辆定位信息机客流信息，采集设备包括GPS车载终端及IC卡POS机终端，采集信息内容如下：

车辆信息：线路号，车辆号，站点号，离开站点时间，停留时间，路段速度，行驶瞬时速度，地理坐标，时间；

客流信息：IC卡号，上车站点，下车站点，刷卡时间。

本发明是根据采集的实时信息，提出一种信息处理方法，将实时信息提炼成为公交调度管理决策所需的数据，提高公交动态调度效率及准确性。具体实现过程及步骤如下：

步骤1：实时信息采集及传输；

当公交车辆到达站点i时，通过地理坐标匹配，确认公交车辆是否到站。当乘客刷卡完毕、车辆离站时，将实时信息(站点i-1至站点i的车辆定位信息)与客流信息打包经通信网络传输到调度中心。

步骤2：实时信息处理预处理

当实时信息传入调度中心数据库时，需对其进行处理，获取相关运行状态数据，首先对实时信息进行预处理，获得数据具体包括：车辆到达站点时间、车辆停靠站时间、车辆路段实际行程时间、车辆单程实际行程时间、车辆周转时间、断面客流量、满载率：

对以下数据进行计算：

1、车辆到达站点时间；

2、车辆停靠站时间；

3、车辆路段实际行程时间；

4、车辆单程实际行程时间；

5、车辆周转时间；

6、断面客流量；

通过统计乘客刷卡数识别上车人数，对于一票制(单次刷卡)线路建立站点下车概率矩阵计算下车人数，分段计价线路(双次刷卡)直接统计下车刷卡人数。

步骤3：实时信息二次处理

根据步骤2获取的数据结果，结合其他相关信息与算法，对实时信息进行深入挖掘，获取的数据具体包括：预测车辆到站时间、预测车辆路段行程延误时间、车辆路段实际延误时间、车辆单程实际延误时间、车辆串车识别，处理方法如下：

1、预测车辆到站时间

本发明选择卡尔曼滤波算法模型计算车辆到站预测时间，卡尔曼预测模型需要结合实时信息与历史数据进行计算。

一般情况下，当全天第二班车辆出发时，首班车辆未到达终点站，故对第二班车辆只能预测首班车已经过站点的到站时间，随着首班车全程运营结束，才能预测后续车辆到达各个站点的时间。根据交通出行规律及历史数据规律，首班车到站时间预测值可选用历史均值。

获取公交车辆到站预测时间后，可以进行车辆到站延误预测、串车识别预测、车辆到达终点站时间预测等计算，为动态调度提供决策依据，具体流程见附图1。

2、车辆路段行程延误时间

3、车辆路段实际延误时间

理想条件下，公交车辆运行遵循发车时刻表，即车辆间车头时距等于发车间隔时间，但实际运行中，车辆会发生不同程度的延误，且延误程度不同对整个线路正常运营的影响程度也有差异，本发明以发车间隔作为衡量标准，计算各班次车辆路段实际延误时间。处理过程如下：

若班次k+1滞留在站点i-1与站点i之间，无法获取该班次到达站点i的实际时间，则定时上传班次k+1实时信息RT(i-1，i)_k+1，比较[RT(i-1，i)_k+1-RT(i)_k]与T的大小，定时计算班次k+1延误时间，按照延误时间级别进行预警及采取动态调度措施，具体流程见附图2。

4、车辆单程实际延误时间；

5、车辆串车识别

车辆串车识别先利用预测到站时间计算，再对比相邻班次实际到站时间进行串车识别确认。

为验证车辆到站时间预测方法，选取2008年4月21日、23日、25日北京市53路实时信息数据，选取中途10个站点进行车辆到站时间预测，预测时段为早7:00~8:00，预测结果见图3，

其平均相对误差见下表：

站名	湾子	广外甘石桥	达观营	广安门南	椿树馆街	白纸坊	菜户营桥北	大观园	右安门	北京南站
											实际路段行程时间(s)	143	104	63	203	178	157	315	113	245	263
预测路段行程时间(s)	110	77	84	263	120	115	249	91	190	338
											平均绝对误差(s)	33	27	21	60	58	42	66	22	55	75
平均相对误差	23％	26％	33％	30％	33％	27％	21％	20％	22％	29％

Claims (3)

1、一种公交动态调度中的实时信息处理方法，包括车辆定位信息和客流信息，采集设备包括GPS车载终端及IC卡POS机终端，其特征在于包括如下步骤：

步骤1：实时信息采集及传输；

当公交车辆到达站点i时，通过地理坐标匹配，确认公交车辆是否到站；当乘客刷卡完毕、车辆离站时，将实时信息与客流信息打包经通信网络传输到调度中心；

步骤2：实时信息处理预处理；

对实时信息进行处理，获取相关运行状态数据，包括：车辆到达站点时间、车辆停靠站时间、车辆路段实际行程时间、车辆单程实际行程时间、车辆周转时间、断面客流量、满载率：其中；

2.1.车辆到达站点时间；

根据车辆定位信息计算：

AT(i)_k＝LT(i)_k-ST(i)_k

AT(i)_k：班次k到达i站点的时间；

LT(i)_k：班次k离开i站点的时间；

ST(i)_k：班次k在i站点的停靠站时间；

2.2.车辆停靠站时间；

即ST(i)_k，根据车辆定位信息直接获取；

2.3.车辆路段实际行程时间；

将车辆在相邻两站点之间的行驶时间定义为路段行程时间，处理方法为：

RT(i-1，i)_k＝AT(i)_k-AT(i-1)_k

RT(i-1，i)_k：班次k在i-1站与i站间路段实际行程时间

2.4.车辆单程实际行程时间；

${\mathrm{RT}(1,n)}_k=\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{RT}{(i-1,i)}_k\\ \mathrm{AT}{\left(n\right)}_k-T_k\end{array}\right.$

TT_k：班次k单程实际行程时间；

i：站点编号；

AT(n)_k：班次k到达终点站(n)的时间；

T_k：班次k发车时间；

2.5.车辆周转时间；

分段计价时采用计算2倍单程实际行程时间与车辆在终点站停站时间的和：

TT_k＝2×RT(1，n)_k+ST(n)_k

TT_k：班次k周转时间；

ST(n)_k：班次k在终点站(n)停站时间；

一票制采用计算车辆k在同一场站相邻两次发车时首位乘客刷卡时间差：

TT_k＝TT_k(j+1)P₁(1)-TT_kjP₁(1)

TT_kjP₁(1)：表示车辆k在首站第j次发车时首位乘客的刷卡时间；

2.6.断面客流量；

通过统计乘客刷卡数识别上车人数，对于一票制线路建立站点下车概率矩阵计算下车人数，分段计价线路直接统计下车刷卡人数；

一票制线路：

$V_j=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left[\frac{(\mathrm{BP}\left(i\right)-P)}{\mathrm{\&mu;}}\right]}_k$

V_j：第j个断面内所有车次的客流量之和，即断面客流量；

BP(i)：第i站上车(刷卡)乘客数；

DP(i)：第i站下车(刷卡)乘客数；

μ：公交乘客刷卡率；

k：班次号；

P：P＝(p_ij)_m×m，即在站点i上车的乘客在站点j下车的概率矩阵。确定下车概率矩阵方法如下：

$F_{\mathrm{ij}}=\frac{e^{-\mathrm{\&lambda;}}{\mathrm{\&lambda;}}^{(j-i)}}{(j-i)!}$

其中：F_ij——i站点上车乘客在j站点下车的概率；

λ——平均公交出行途径站点数量，当i站点以后的站点数量小于平均出行途径站点数时，λ＝n-i，n为线路单向站点数量；

另外需计算各站点吸引强度，定义W_i为公交线路各站点吸引权：

$W_i=\frac{S_i}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{S}_i}$

S_i：为站点i吸引范围；

站点下车概率矩阵与下车概率及站点吸引强度相关，故计算：

$P_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{F_{\mathrm{ij}}\&times;W_j}{\underset{j=i+1}{\overset{n}{\mathrm{\&Sigma;}}}{F}_{\mathrm{ij}}\&times;W_j},i<j\\ 0,i\&GreaterEqual;j\end{array}\right.$

得到下车概率矩阵后，代入下述公式即可计算站点下车人数；

$\mathrm{DP}\left(i\right)=\underset{i=1}{\overset{j-1}{\mathrm{\&Sigma;}}}(\mathrm{BP}\left(i\right)\&times;p_{\mathrm{ij}}),i=\mathrm{1,2},...,n$

分段计价线路：

$V_j=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left[\frac{\mathrm{BP}\left(i\right)-\mathrm{DP}\left(i\right)}{\mathrm{\&mu;}}\right]}_k$

2.7.满载率；

$\mathrm{\&theta;}=\frac{Q_{\mathrm{kT}}}{Q_k}$

θ：车辆满载率；

Q_kT：实际载客量，通过处理实时客流信息得到；

$Q_{\mathrm{kT}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left[\frac{\mathrm{BP}\left(i\right)-\mathrm{DP}\left(i\right)}{\mathrm{\&mu;}}\right]$

Q_k：班次k的额定载客量；

步骤3：对获取的数据进行二次处理；

3.1.预测车辆到站时间

$g(k+1)=\frac{e\left(k\right)+\mathrm{VAR}\left[{\mathrm{data}}_{\mathrm{out}}\right]}{\mathrm{VAR}[{\mathrm{data}}_{\mathrm{in}}+\mathrm{VAR}[{\mathrm{data}}_{\mathrm{out}}]+e\left(k\right)]}$

a(k+1)＝1-g(k+1)

e(k+1)＝VAR[data_in]·g(k+1)

PRT(i-1，i)_k+1＝a(k+1)·RT(i-1，i)_k+g(k+1)·RT(i-1，i)_hk

PAT(i)_k+1＝PRT(i-1，i)_k+1+AT(i-1)_k+1

g：为筛选所得；

a：为循环所得；

e：代表筛选误差；

PRT(i-1，i)_k+1：班次k+1在站点i-1与i之间预测路段行程时间；

PAT(i)_k+1：班次k+1到达站点i的预测时间；

RT(i-1，i)_hk：为历史数据中同时段班次在第i站与i-1站间的路段实际运行时间的均值；

VAR[data_out]：为站点间路段运行时间的预测方差；

VAR[data_in]：为同时段同路段历史数据实际运行时间的方差；

3.2.车辆路段行程延误时间；

PDT(i)_k+1：预测班次k+1到达i站的延误时间；

T_k，k+1：班次k与班次k+1之间的发车间隔时间；

3.3.车辆路段实际延误时间；

以发车间隔作为衡量标准，计算各班次车辆路段实际延误时间：

DT(i)_k+1：班次k+1到达i时的延误时间；

若班次k+1滞留在站点i-1与站点i之间，无法获取该班次到达站点i的实际时间，则定时上传班次k+1实时信息RT(i-1，i)_k+1，比较[RT(i-1，i)_k+1-RT(i)_k]与T的大小，定时计算班次k+1延误时间，按照延误时间级别进行预警及采取动态调度措施；

3.4.车辆单程实际延误时间；

${\mathrm{DT}}_k=\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{DT}\left(i\right)}_k\\ [\mathrm{AT}{\left(n\right)}_k-\mathrm{AT}{\left(n\right)}_{k-1}]-T_{k-1,k}\end{array}\right.$

DT_k：班次k单程实际延误时间；

i：站点编号；

3.5.车辆串车识别；

车辆串车识别先利用预测到站时间计算，再对比相邻班次实际到站时间进行串车识别确认；

预测车辆串车：

δ：判断车辆串车阈值，根据实时信息识别串车：

2、根据权利要求1所述的一种公交动态调度中的实时信息处理方法，其特征在于：所述获取的数据包括：车辆到达站点时间、车辆停靠站时间、车辆路段实际行程时间、车辆单程实际行程时间、车辆周转时间、断面客流量、满载率、预测车辆到站时间、预测车辆路段行程延误时间、车辆路段实际延误时间、车辆单程实际延误时间、车辆串车识别。

3、根据权利要求1所述的一种公交动态调度中的实时信息处理方法，其特征在于：所述的预测车辆到站时间，其首班车到站时间预测值采用历史均值，预测车辆到站时间是基于车辆路段预测行程时间计算而得。

Images