CN102708701B - 一种公交车到站时间实时预测系统和方法 - Google Patents

Abstract

本发明涉及一种公交车到站时间实时预测系统和方法，它包括位于公交车上的智能采集模块，预测处理模块，显示模块，所述智能采集模块，用于采集公交车实时的位置信息，并将此位置信息通过3G网络传送给预测处理模块；所述预测处理模块，用于根据接收到的位置信息建立路段耗费时间模型，预测每个路段的公交车到站时间，并将公交车到站时间信息通过3G网络发送给显示模块；所述显示模块，用于显示接收到的公交车到站时间。本发明的特点是通过以当前公交车和站点之间的路段上的公交车当前实时的汇报数据作为参考，使用多个特征信息进行预测，提高了公交车到站时间预测精度。具有良好的实时性、自适应性、可扩展性。

Description

一种公交车到站时间实时预测系统和方法

技术领域

本发明涉及公交车辆到达时间预测技术，尤其是一种公交车到达时间实时预测系统和方法。

背景技术

公交车辆到站时间预测作为公交系统信息化的关键技术，受到了国内外研究人员的极大关注。在已知的现有技术中，公交车辆到达时间的预测技术主要包括历史数据模型预测模型、人工神经网络模型和卡尔曼滤波器模型等。

基于历史数据的到达时间预测模型以大量历史数据为基础，假设交通模式具有循环变化的规律，在特定路段内历史行程时间与当前行程时间是一致的。该模型的原理十分简单、直观，操作方便，因此目前大多数城市的电子站牌显示时间预测是基于此方式进行。例如美国的Lin和Zeng利用GPS定位数据、公交时刻表等信息为Virginia的Blacksburg地区提出了基于GPS定位的实时公交车辆到达时间预测模型。基于历史数据的预测算法以来的历史定位数据间隔较大精度不高，只是用于郊区车辆稀疏的情况，不适合大城市复杂的交通状况。

申请号/专利号为200510110083的预测公交车到站的方法，是基于人工神经网络结构的公交车到达时间预测模型，以到达时间、站点滞留时间以及公交时刻表时间差为输入，由最小预测误差确定隐藏层权重和参数的最优值，由预测结果选择、训练网络，并确定最佳的训练函数。Jeong和Rilett[30]在德克萨斯州休斯顿市采集公交车的实时AVL数据，综合考虑实际到站时间与时刻表到站时间之差以及滞留时间的影响，利用人工神经网络技术建立起公交车到站时间预测模型。人工神经网络模型具有解决复杂非线性问题的能力，但是在实际应用中却需要利用经验尝试选择较优的训练函数、学习函数以及一些参数达到一定的预测精度，同时很难实现实时在线的训练和动态预测。

申请号/专利号为200910199431的一种公交车到站时间预测模型控制方法中，利用卡尔曼滤波器模型，它是一个最优化自回归数据处理算法，可以从一组有限的包含噪声的对物体位置的观察序列（可能有偏差）预测出物体未来的位置的坐标及速度。Wall和Dailey提出使用卡尔曼滤波模型来跟踪车辆位置，结合自动车辆定位系统和历史数据预测华盛顿地区的公交车辆的到站时间。Shalaby和Farhan使用了从多伦多城区采集的车辆定位数据进行分析预测，发现卡尔曼滤波方法比历史数据模型和神经网络模型效果更好。卡尔曼滤波器模型利用不断逼近的方式获得较高的预测精度，但同时计算量很大，实时性较差。

发明内容

本发明所要解决的技术问题是提供一种公交车到站时间预测精度高，具有良好的实时性、自适应性和可扩展性的基于最大熵理论的公交车到站时间实施预测系统和方法。

本发明解决上述技术问题的技术方案如下：一种公交车到站时间实时预测系统，它包括位于公交车上的智能采集模块，预测处理模块，显示模块；

所述智能采集模块，用于采集公交车实时的位置信息，并将此位置信息通过3G网络传送给预测处理模块；

所述预测处理模块，用于根据接收到的位置信息建立路段耗费时间模型，预测每个路段的公交车到站时间，并将公交车到站时间信息通过3G网络发送给显示模块；

所述显示模块，用于显示接收到的公交车到站时间。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述智能采集模块包括GPS模块，3G无线模块、WiFi无线模块、处理器模块和电源模块；

所述GPS模块，用于感知公交车地理位置信息并传送给处理器模块；

所述3G无线模块，用于受处理器模块控制并传输公交车信息和位置信息给预测处理模块；

WiFi无线模块，用于由处理器模块控制，与显示模块通信；

处理器模块，用于获取所搭载的车辆信息和地理位置信息并传送到3G无线模块和WiFi无线模块；

电源模块，用于给GPS模块、3G无线模块、WiFi无线模块、处理器模块供电。

进一步，所述预测处理模块包括一个或一个以上的接收终端和一个时间预测服务器；

所述接收终端与所述时间预测服务器相连接，用于接收公交车信息和位置信息并将这些信息发送给所述时间预测服务器进行公交车到站时间预测，并将预测结果发送到显示模块。

进一步，所述每一个接收终端负责一条或一条以上公交线路上运行的所有公交车。

进一步，所述显示模块包括智能公交站牌和／或移动通信设备。

一种公交车到站时间实时预测方法，它包括以下步骤：

步骤1：采集公交车实时的位置信息并发送给预测处理模块；

步骤2：预测处理模块根据接收到的位置信息建立路段耗费时间模型，预测每个路段的公交车到站时间，将公交车到站时间通过3G网络发送给显示模块；

步骤3：显示模块显示公交车到站时间。

进一步，所述步骤2中所述建立路段耗费时间模型和预测每个路段的公交车到站时间包括以下步骤：

步骤2.1:进行所有公交线路的路段划分，即将线路上每两个相邻的站点划分路段，记录在每一个公共路段上运行的公交线路集合；

步骤2.2:根据公交车的位置信息历史数据对各路段耗费时间进行统计，即识别每辆公交车到达各个公交站点的时间，统计记录每辆公交车在每个路段上运行耗费的时间；

步骤2.3:以每辆公交车在每个路段上运行耗费的时间作为训练集，挑选特征路段，根据最大熵理论建立路段运行耗费时间的模型。

步骤2.4:根据所有公交车的汇报数据，根据实时的公交车位置数据统计前一时间周期内公交车到站情况，并计算公交车在前一路段所耗费的时间；

步骤2.5：计算当前时间周期每个路段的特征信息，利用路段耗费时间模型，计算预测下一个时间周期每个路段公交车运行耗费的时间；

步骤2.6:周期性的选择一个站点，获取经过该站点的公交线路集合,挑选每个线路距离该站点最近的公交车；

步骤2.7:计算挑选出的公交车到达该站点需要经过的路段，根据预测的路段耗费时间计算该公交车到达站点的时间。

进一步，所述采集到的公交车实时的位置信息发送给预测处理模块的发送周期为至少十五秒。

进一步，所述时间周期为至少一分钟。

采用上述方案的有益效果是通过以当前公交车辆和站点之间的路段上的公交车辆当前实时的汇报数据作为参考，使用多个特征信息进行预测，大大提高了公交车辆到站时间预测精度，具有良好的实时性、自适应性、可扩展性，在实时性和预测精度之间取得了很好的折中。

附图说明

图1为本发明系统机构图；

图2为本发明方法流程图；

图3为本发明路段划分示意图；

附图中，各标号所代表的部件列表如下：

1、显示模块，1-1、移动通讯设备，1-2、智能公交站牌，2、预测处理模块，3、3G网络，4、智能采集模块

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例1

如图1所示，一种公交车到站时间实时预测系统，它包括位于公交车上的智能采集模块，预测处理模块，显示模块；

所述智能采集模块4，用于采集公交车实时的位置信息，并将此位置信息通过3G网络3传送给预测处理模块2；

所述预测处理模块2，用于根据接收到的位置信息建立路段耗费时间模型，预测每个路段的公交车到站时间，并将公交车到站时间信息通过3G网络发送给显示模块；

所述显示模块1，用于显示接收到的公交车到站时间。

所述智能采集模块4包括GPS模块6，3G无线模块5、WiFi无线模块8、处理器模块7和电源模块8；

所述GPS模块6，用于感知公交车地理位置信息并传送给处理器模块8；

所述3G无线模块5，用于受处理器模块8控制并传输公交车信息和位置信息给预测处理模块2；

WiFi无线模块8，用于由处理器模块7控制，与显示模块1通信；

处理器模块7，用于获取所搭载的车辆信息和地理位置信息并传送到3G无线模块5和WiFi无线模块8；

电源模块，用于给GPS模块6、3G无线模块5、WiFi无线模块8、处理器模块7供电。

所述预测处理模块包括一个或一个以上的接收终端和一个时间预测服务器；

所述接收终端与所述时间预测服务器相连接，用于接收公交车信息和位置信息并将这些信息发送给所述时间预测服务器进行公交车到站时间预测，并将预测结果发送到显示模块。

所述每一个接收终端负责一条或一条以上公交线路上运行的所有公交车。

所述显示模块包括智能公交站牌和／或移动通信设备。

一种公交车到站时间实时预测方法，它包括以下步骤：

步骤1：采集公交车实时的位置信息并发送给预测处理模块2；

步骤2：预测处理模块2根据接收到的位置信息建立路段耗费时间模型，预测每个路段的公交车到站时间，将公交车到站时间通过3G网络发送给显示模块1；

步骤3：显示模块1显示公交车到站时间。

所述步骤2中所述建立路段耗费时间模型和预测每个路段的公交车到站时间包括以下步骤：

步骤2.1:进行所有公交线路的路段划分，即将线路上每两个相邻的站点划分路段，记录在每一个公共路段上运行的公交线路集合；

步骤2.2:根据公交车的位置信息历史数据对各路段耗费时间进行统计，即识别每辆公交车到达各个公交站点的时间，统计记录每辆公交车在每个路段上运行耗费的时间；

步骤2.3:以每辆公交车在每个路段上运行耗费的时间作为训练集，挑选特征路段，根据最大熵理论建立路段运行耗费时间的模型。

步骤2.4:根据所有公交车的汇报数据，根据实时的公交车位置数据统计前一时间周期内公交车到站情况，并计算公交车在前一路段所耗费的时间；

步骤2.5：计算当前时间周期每个路段的特征信息，利用路段耗费时间模型，计算预测下一个时间周期每个路段公交车运行耗费的时间；

步骤2.6:周期性的选择一个站点，获取经过该站点的公交线路集合,挑选每个线路距离该站点最近的公交车；

步骤2.7:计算挑选出的公交车到达该站点需要经过的路段，根据预测的路段耗费时间计算该公交车到达站点的时间。

所述采集到的公交车实时的位置信息发送给预测处理模块2的发送周期为至少十五秒。

所述时间周期为至少一分钟。

公交车辆到达时间实时预测技术的流程如图2所示。

1）路段划分。a1:预测处理模块进行所有公交线路的路段划分，即将线路上每两个相邻的站点划分路段，记录在每一个公共路段上运行的公交线路集合；

公交线路信息由无锡市XX公司提供，每个公交线路都按顺序依次排列公交站点位置信息，环行线路区分上行和下行。公交站点位置数据包括站名、线路、线路编号、序号、方向、距起点里程、标志、进站经度、进站纬度、进站方位角、出站经度、出站纬度和出站方位角等，环行线路站点区分上行站点和下行站点。以无锡市XX公司XX路公交车经过的站点为例示意如下：

根据公交车路线数据，每一组相邻站点（Si,Sj）划分为一个独立路段R(i,j)。并查找所有在两个站点之间运行的所有公交线路[La,Lb……]，查找到的公交线路集合称为复用线路集合,建立路段合和复用线路的映射关系<R(i,j),[La,Lb……]>

2）路段耗费时间统计

预测处理模块根据公交车GPS位置信息历史数据对各路段耗费时间进行统计，即识别每辆公交车到达各个公交站点的时间，统计记录每辆公交车在每个路段上运行耗费的时间,从无锡市XX公司获取了将近一个月的公交车运行GPS位置日志，格式以无锡市XX公司XX路编号XX-XXXXX的公交车汇报的数据为例示意如下：

首先处理每一条位置信息，计算公交车与公交线路中每个站点距离在15米之内并且速度为0的记录时间作为公交车到站的时间，获取每公交车运行的历史到站时刻表。根据公交车的历史到站时刻表计算公交车在两个相邻站点（Si,Sj）之间运行耗费的时间tij，并保存在对应的路段Rij的历史耗费时间集合中。

3）基于最大熵理论建立路段耗费时间模型

以路段上运行耗费的时间作为训练集，挑选特征空间，根据最大熵理论建立路段运行耗费时间的模型,生成在不同路段运行时间训练样本集T={(x1,y1)，(x2,y2)，……，(xn,yn)}，(xi,yi)表示在训练样本集中某公交车在路段上运行时间为yi时，在该路段前一段时间通过该路段的公交车运行耗费时间的集合为xi。

用概率分布的极大似然对路段运行时间训练样本集表示如下，其中Count(x,y)是(x,y)在样本集中出现的次数，N为总样本数。

$p(x,y)=\frac{1}{N}\&times;\mathrm{Count}(x,y)$

特征f是指x与y之间存在的某种特定关系，用二值函数函数表示：

特征的经验概率是所有满足特征要求的的经验概率之和，即

$\frac{~}{p}\left(f\right)=\underset{x,y}{\mathrm{\&Sigma;}}\frac{~}{p}(x,y)f(x,y)$

定义特征空间，这里选取当前运行记录ti的前五次公交车运行记录的路段耗费时间，当前记录的星期和时间段，即：{ti-5,ti-4,ti-3,ti-2,ti-1,W，H}。根据特征引入(Feature Induction，简称FI)算法从特征空间中选择k个特征fi(i=1,2,…,k)。多个约束等式构成的约束集可表示为：

$C=\{p\&Element;P|P\left(f\right)=\frac{~}{p}\left(f\right)\},i\&Element;\{i=\mathrm{1,2},...,k\}$

最大熵模型，是满足约束集条件的所有模型中熵最大的模型，即p*=argmaxH(p),其中p为满足约束集C条件的某一统计模型。最后对于选取的每个特征都赋予一个权值,特征fi的权重用相对应的参数λ_i表示，则满足最大熵的条件p(y|x)用指数形式表示为

$P_{\mathrm{\&lambda;}}\left(y\right|x)=\frac{1}{Z_{\mathrm{\&lambda;}}\left(x\right)}\exp \left(\underset{i}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_i{f}_i(x,y)\right)$

最大熵模型的参数求解方法使用Della Pietra在1995年提出的IIS算法（The Improved Iteration Scaling Algorithm），计算出每个特征对应的参数值λ₁

4）获取公交车辆实时位置信息

智能采集模块每个发送周期都发送包含GPS定位信息的汇报数据给预测处理模块，运行阶段，在公交车辆上搭载的基于物联网的智能采集模块每15秒钟发送包含GPS定位信息的汇报数据，

预测处理模块获取并处理所有公交车辆汇报数据，根据公交车的地理位置计算并保存公交车当前所处的路段Rij并保持在数据库中。

另外检查公交车的速度并计算公交车与站点的距离，查看公交车是否到站。如果公交车已经到站，则计算公交车在刚刚经过的路段运行耗费时间，并保存到该路段对应的数据库中。

5）预测下一个周期每个路段公交车辆运行耗费的时间

预测处理模块获取所有公交车的汇报数据，根据实时的公交车位置数据统计前一时间周期内公交车到站情况，并计算公交车在前一路段所耗费的时间；预测处理模块计算当前时间周期每个路段的特征信息，利用路段耗费时间模型，计算预测下一个时间周期每个路段公交车运行耗费的时间；预测处理模块周期性的选择一个站点，获取经过该站点的公交线路集合,挑选每个线路距离该站点最近的公交车。

针对路段Tij，选取最近五次公交车运行路段耗费时间记录、当前的星期和时间段作为特征值，利用基于最大熵理论建立路段耗费时间模型获取的特征权值计算下一周期该路段公交车辆运行耗费的时间：

$T_{i,j}=\underset{k}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_k{f}_k(x,y)$

最终计算完所有路段的运行耗费时间，如图3所示例。

6）运行阶段，每隔1分钟更新一次公交车到站时间预测。

计算挑选出的公交车到达该站点需要经过的路段，根据预测的路段耗费时间计算该公交车到达站点的时间，首先在所有站点集合依次选择一个站点Si，同时获取通过该站点的公交线路集合Li{Lik|Si在线路Lik上}；

结合在1）中得到的线路集合Li中每条线路上所有公交车辆的所处的路段Ri，从每条线路中选择距离公交站点Si最近的公交车辆生成候选公交车集合Ci；

然后候选公交车集合Ci中每辆公交车到目标站点Si路程中需要经过的路段集合Ri；利用最新的公交车辆路段运行耗费时间模型计算公交车通过这些路段到达目标站点Si需要花费的总时间：

t=∑Tn,Tn∈R_i

最后预测处理模块将每个站点对应的公交车到站时间预测结果发送到该站点。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种公交车到站时间实时预测系统，其特征在于，它包括位于公交车上的智能采集模块(4)，预测处理模块(2)，显示模块(1)，

所述智能采集模块(4)，用于采集公交车实时的位置信息，并将此位置信息通过3G网络(3)传送给预测处理模块(2)；

所述预测处理模块(2)，用于根据接收到的位置信息建立路段耗费时间模型，预测每个路段的公交车到站时间，即根据所有公交车的汇报数据，根据实时的公交车位置数据统计前一时间周期内公交车到站情况，并计算公交车在前一路段所耗费的时间；计算当前时间周期每个路段的特征信息，利用路段耗费时间模型，计算预测下一个时间周期每个路段公交车运行耗费的时间；周期性的选择一个站点，获取经过该站点的公交线路集合,挑选每个线路距离该站点最近的公交车；计算挑选出的公交车到达该站点需要经过的路段，根据预测的路段耗费时间计算该公交车到达站点的时间；并将公交车到站时间信息通过3G网络发送给显示模块；所述根据接收到的位置信息建立路段耗费时间模型具体为，进行所有公交线路的路段划分，即将线路上每两个相邻的站点划分路段，记录在每一个公共路段上运行的公交线路集合；根据公交车的位置信息历史数据对各路段耗费时间进行统计，即识别每辆公交车到达各个公交站点的时间，统计记录每辆公交车在每个路段上运行耗费的时间；以每辆公交车在每个路段上运行耗费的时间作为训练集，挑选特征路段，根据最大熵理论建立路段耗费时间模型；

所述显示模块(1)，用于显示接收到的公交车到站时间。

2.根据权利要求1所述的公交车到站时间实时预测系统，其特征在于：所述智能采集模块(4)包括GPS模块(6)，3G无线模块(5)、WiFi无线模块(8)、处理器模块(7)和电源模块(8)；

所述GPS模块(6)，用于感知公交车地理位置信息并传送给处理器模块(8)；

所述3G无线模块(5)，用于受处理器模块(8)控制并传输公交车信息和位置信息给预测处理模块(2)；

WiFi无线模块(8)，用于由处理器模块(7)控制，与显示模块(1)通信；

处理器模块(7)，用于获取所搭载的车辆信息和地理位置信息并传送到3G无线模块(5)和WiFi无线模块(8)；

电源模块，用于给GPS模块(6)、3G无线模块(5)、WiFi无线模块(8)、处理器模块(7)供电。

3.根据权利要求1或2任一所述的公交车到站时间实时预测系统，其特征在于:所述预测处理模块(2)包括一个或一个以上的接收终端和一个时间预测服务器；

所述接收终端与所述时间预测服务器相连接，用于接收公交车信息和位置信息并将这些信息发送给所述时间预测服务器进行公交车到站时间预测，并将预测结果发送到显示模块(1)。

4.根据权利要求3所述的公交车到站时间实时预测系统，其特征在于：每一个所述接收终端负责一条或一条以上公交线路上运行的所有公交车。

5.根据权利要求1或2任一所述的公交车到站时间实时预测系统，其特征在于：所述显示模块(1)包括智能公交站牌(1-2)和/或移动通信设备(1-1)。

6.一种公交车到站时间实时预测方法，其特征在于，它包括以下步骤：

步骤1：采集公交车实时的位置信息并发送给预测处理模块(2)；

步骤2：预测处理模块(2)根据接收到的位置信息建立路段耗费时间模型，预测每个路段的公交车到站时间，将公交车到站时间通过3G网络发送给显示模块(1)；

所述步骤2中所述建立路段耗费时间模型和预测每个路段的公交车到站时间包括以下步骤：步骤2.1:进行所有公交线路的路段划分，即将线路上每两个相邻的站点划分路段，记录在每一个公共路段上运行的公交线路集合；

步骤2.2:根据公交车的位置信息历史数据对各路段耗费时间进行统计，即识别每辆公交车到达各个公交站点的时间，统计记录每辆公交车在每个路段上运行耗费的时间；

步骤2.3:以每辆公交车在每个路段上运行耗费的时间作为训练集，挑选特征路段，根据最大熵理论建立路段耗费时间模型；

步骤2.4:根据所有公交车的汇报数据，根据实时的公交车位置数据统计前一时间周期内公交车到站情况，并计算公交车在前一路段所耗费的时间；

步骤2.5：计算当前时间周期每个路段的特征信息，利用路段耗费时间模型，计算预测下一个时间周期每个路段公交车运行耗费的时间；

步骤2.6:周期性的选择一个站点，获取经过该站点的公交线路集合,挑选每个线路距离该站点最近的公交车；

步骤2.7:计算挑选出的公交车到达该站点需要经过的路段，根据预测的路段耗费时间计算该公交车到达站点的时间；

步骤3：显示模块(1)显示公交车到站时间。

7.根据权利要求6所述的公交车到站时间实时预测方法，其特征在于：所述采集到的公交车实时的位置信息发送给预测处理模块(2)的发送周期为至少十五秒。

8.根据权利要求6所述的公交车到站时间实时预测方法，其特征在于：所述时间周期为至少一分钟。