CN103678917A - 一种基于模拟退火算法的公交实时到站时间预测方法 - Google Patents

Abstract

本发明公开了一种基于模拟退火算法的公交实时到站时间预测方法，包含以下的主要步骤：（1）基于历史行车数据建立不同站点不同班次的公交车历史运行时间的数据库；（2）采用模拟退火算法对历史运行时间数据进行训练，对数据进行聚类，形成一个基于时间段聚类的不同路段的平均行驶时间OD矩阵；（3）利用被预测公交车的动态运行信息来修正由模拟退火算法预测的平均行驶时间OD矩阵，得到该公交车的最佳平均行驶时间。本发明不仅充分发挥模拟退火算法在启发式迭代优化搜索算法方面的优势，而且还根据公交车运行的最新数据自动修正平均行驶时间OD矩阵中的参数，是一种动态的公交车到站时间预测模型和计算方法。

Description

一种基于模拟退火算法的公交实时到站时间预测方法

技术领域

本发明涉及城市智能公交系统技术领域，具体涉及一种基于模拟退火算法的公交实时到站时间预测系统和方法。

背景技术

公交车到站时间预测是公交系统智能化和信息化的关键技术，受到了国内外研究人员的极大关注。但是由于种种客观因素的影响，一直很难找到非常有效的方法来得到比较准确的预测结果。目前统计出影响预测准确性的因素有：（1）公交车辆的定位精度的影响。目前的车载GPS系统本身的定位精度是影响公交车到站时间的重要因素之一。（2）道路交通拥堵情况的影响。城市道路拥堵情况以及其它车辆与公交车的相互影响，使得公交车的行驶速度很难控制。（3）道路交叉口的信号灯的影响。（4）交通流量随时间变化而变化的影响。如早晚高峰时段、工作日和周末等流量都是不同的。（5）天气变化的影响。如雨、雪、雾霾、沙尘等不可避免延缓车辆的到达时间。（6）上下客人流量的多少也会影响车辆在站台的停留时间。

以上的这些不确定的影响因素很难找到一个数学公式来表达出来，是完全非线性的问题，目前这个问题被人们归类为NP难题。在分析这个问题过程中，人们发现诸如交通流量、客流集散度等在不同星期的对应时间上具有高度的相似性，而天气变化的影响力也具有某种程度的可估计性。而城市交通控制系统与公交系统是不相连的，公交系统无法得到交叉路口的交通信号灯的时间信息，信号灯的延误是一种不确定的影响因素。由此可见，公交车到站时间的预测具有一定的规律性，并且受到多种随机因素的影响，所以必须在充分利用历史运行数据的基础上采用先进的智能控制理论和方法来解决。目前的车辆到站时间预测方法主要有：历史趋势法、多元线性回归法、时间序列分析、卡尔曼滤波法、神经网络、随机排队机理论模型以及专家系统等。

基于历史数据的到达时间预测模型是以大量公交行车历史数据为基础，假设交通模式具有循环变化的规律，在特定路段内历史行驶时间与当前行驶时间是一致的。专利号200510110083提出了基于人工神经网络结果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含层权重和参数的最优解，由预测结果选择、训练网络来确定最佳的训练函数。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。专利号200910199431.4提出了一种公交车到站时间预测模型控制方法，采用BP神经网络对历史数据进行训练，然后引入公交车的动态运行信息来修正BP神经网络方法得到的平均行程时间。专利号201310099912.4提出了用于公交系统的自适应调度方法，根据统计的历史行车时间采用遗传算法预测路线行车时间。专利号201210256952.3提出了一种基于最大熵理论的公交车到站时间实时预测系统和方法，但是该方法缺少基于历史数据的经验，很难处理公交运行过程中的不确定的随机因素的影响,该方法的实时性和自适应性较差。

模拟退火算法(SA)是一种优秀的优化算法，首先是由Metropolis等于20世纪50年代初提出的，它是依据固体退火原理而发展起来的。其基本原理是：首先让固体温度升高至充分高，然后再让其徐徐冷却，温度升高时，固体内部粒子变为紊乱无序，内能增大，而固体内部的粒子慢慢冷却时逐渐趋向有序，在确定的每个温度其状态都可以达到平衡；最后在常温时变得稳定，即达到基态，内能降到最低。依据退火准则，当粒子在温度t时，其趋于平衡的概率为exp(-ΔJt)，其中J为温度为t时刻的内能，ΔJ为其内能的改变量。Kirkpatrick等人于1983年将SA应用到组合优化问题当中，将内能E映射为目标函数值，温度t映射成控制参数，从而得到解组合优化问题的SA：由初始解i以及控制参数初值t开始，对待求解进行“产生一个新解—>计算目标函数差—>舍弃或者接受”的迭代，并不断衰减t的值，算法终止时所得到的解即为所得最优或近似最优解，它是一种启发式迭代优化搜索算法和模式识别算法。

发明内容

本发明的目的是为了克服现有的公交车实时到站时间预测不准的问题，提供一种基于模拟退火算法的公交实时到站时间预测方法。

为了实现上述的发明目的，本发明采用下述的技术方案：

一种基于模拟退火算法的公交实时到站时间预测方法，包含以下的顺序步骤：

步骤1、基于历史行车数据建立不同站点不同班次的公交车历史运行时间的数据库；

步骤2、采用模拟退火算法对历史运行时间数据进行训练，对数据进行聚类，形成一个基于时间段聚类的不同路段的平均行驶时间OD矩阵；

步骤3、利用被预测公交车的动态运行信息来修正由模拟退火算法预测的平均行驶时间OD矩阵，得到该公交车的最佳平均行驶时间；

所述步骤2中，采用模拟退火算法对历史运行时间数据进行训练，对数据进行聚类，形成一个基于时间段聚类的公交站台间的平均行驶时间OD矩阵，包括如下顺序步骤：

步骤2.1、以欧式距离作为相似度测度建立最优数学模型，适应性函数选取误差平方和作为目标函数：（1）式中，

是第j个样本点，

是第i类的聚类中心，K为预期的历史运行时间聚类中心数目，N为全部历史运行时间样本数目，d_ji(t)表示从当前解

的邻域

中随机选取解

后，接受

的退火惩罚因子，取值如下：

式中，ΔJ是状态

和

的目标差，

式中，t为当前的温度，

为第i类初始聚类中心向量，w_ij为第i类初始聚类中心量第j维的元素；

步骤2.2、基于历史运行时间的数据库作为原始的样本数据，通过模拟退火算法计算最优聚类；

步骤2.3、通过模拟退火算法的最优聚类结果，形成一个基于时间段聚类的公交站台间的平均行驶时间OD矩阵；

所述步骤2.2中，模拟退火算法计算最优聚类，包括如下顺序步骤：

步骤2.2.1、根据每天道路交通拥挤的情况不同，给定聚类类别数K和迭代允许误差ε；

步骤2.2.2、设定退火策略：ti+1=λ·t_i（4）式中，其中i≥0，λ=0.9，λ称为退火速率；设定初始温度t=t₀；

步骤2.2.3、在步骤1的公交车历史运行时间的数据库中随机选取一组样本数据作为初始的聚类中心令

其中i=1,2,…,K；

步骤2.2.4、取k=1；

步骤2.2.5、按照下式修正退火惩罚因子dji（其中i=1,2,…,K，j=1,2,…,N）：

（5）；

步骤2.2.6、按下式修正聚类中心

（其中i=1,2,…,K），

${{\stackrel{\→}{W}}_i}^{(k+1)}=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{d}_{\mathrm{ji}}{\stackrel{\→}{X}}_{\mathrm{ji}}/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{d}_{\mathrm{ji}}---\left(6\right);$

步骤2.2.7、计算误差： $e=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left|\right|{{\stackrel{\→}{W}}_i}^{(k+1)}-{{\stackrel{\→}{W}}_i}^{\left(k\right)}{\left|\right|}^2---\left(7\right);$

步骤2.2.8、如果e<ε，则模拟退火算法结束，

为最优聚类；否则，如果k<N-1，k=k+1，转步骤2.2.5继续计算；如果k=N-1，取t_i+1=λ·t_i，转步骤2.2.4继续计算。

所述步骤1中的基于历史行车数据建立不同站点不同班次的公交车历史运行时间的数据库，包括如下顺序步骤：

步骤1.1、收集公交车运行过程中的历史数据，所述公交车运行过程中的历史数据为同一线路上不同发班时间的公交车运行的经度、纬度、时间、速度；

步骤1.2、基于上述信息计算出不同站点之间、不同发班时间的公交车运行时间，形成历史运行时间的数据库。

所述步骤3中，利用公交车的动态运行信息来修正由模拟退火算法预测的平均行驶时间OD矩阵，得到公交车的最佳平均行驶时间，包括如下顺序步骤：

步骤3.1、公交行车数据处理中心系统模块获取当前公交车的行车实时数据，确定当前该车的实际路段位置，通过平均行驶时间OD矩阵获得该车到达预测站台的一般行驶时间T₀；

步骤3.2、公交行车数据处理中心系统模块判断车辆的实时速度是否低于5公里/小时，如果实时速度低于5公里/小时且持续时长超过1分钟，公交行车数据处理中心系统模块直接发送“路段拥堵，公交车到达将延后”的信息给公交站台信息显示模块，公交站台信息显示模块对其进行显示，并执行步骤3.3；若实时速度不低于5公里/小时，则返回步骤3.1；

步骤3.3、公交行车数据处理中心系统模块获取刚经过预测站台的一辆公交车的相同路段的行车实时行车时间T₁；

步骤3.4、公交行车数据处理中心系统模块通过计算时间T₁和T₀的平均值(T₀+T₁)2作为该车到达预测站台最佳行驶时间T_best，并将该最佳行驶时间T_best发送给公交站台信息显示模块，公交站台信息显示模块对其进行显示；

步骤3.5、车辆到站后，公交行车数据处理中心系统模块判断车辆是否出站，若为是，执行步骤3.1；若为否，公交站台信息显示模块显示“车辆到站”信息。

所述的公交行车数据处理中心系统模块获取当前公交车的行车实时数据的周期为10～15秒。

所述的公交行车数据处理中心系统模块把计算得到的车辆到站时间预测值发送给公交站台信息显示模块的时间周期是30～60秒。

所述的同一路同一方向的车辆到站时间预测值只发送距离最近的一次发送给公交站台信息显示模块的时间周期是30～60秒。

与现有技术相比，本发明具有以下有益效果：

1.本发明能根据前后车的实时行驶时间，实时考虑了线路当时的可能的异常影响因素的影响，在异常情况下也能够较为准确的预测公交车的到站时间；

2.本发明可以根据公交车运行的最新数据自动修正模拟退火算法预测模型得到的平均行驶时间OD矩阵中的参数，是一种完全动态的公交车到站时间预测模型和计算方法，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较好的平衡。

附图说明

图1为本发明实施的一种基于模拟退火算法的公交实时到站时间预测系统示意图；

图2为本发明实施的一种基于模拟退火算法的公交实时到站时间预测方法的流程图；

图3为本发明实施的采用模拟退火算法建立平均行驶时间OD矩阵的流程图；

图4为本发明实施的模拟退火算法计算最优聚类的流程图；

图5为本发明实施的公交行车数据处理中心系统模块的处理流程图。

具体实施方式

为了使本发明的目的、技术特征及方法得到更清楚的描述，以下结合附图和实例作详细的说明。

实施例1

如图2、3、4、5所示，一种基于模拟退火算法的公交实时到站时间预测方法，包含以下的顺序步骤：

步骤1、基于历史行车数据建立不同站点不同班次的公交车历史运行时间的数据库；

步骤2、采用模拟退火算法对历史运行时间数据进行训练，对数据进行聚类，形成一个基于时间段聚类的不同路段的平均行驶时间OD矩阵；

步骤3、利用被预测公交车的动态运行信息来修正由模拟退火算法预测的平均行驶时间OD矩阵，得到该公交车的最佳平均行驶时间；

所述步骤2中，采用模拟退火算法对历史运行时间数据进行训练，对数据进行聚类，形成一个基于时间段聚类的公交站台间的平均行驶时间OD矩阵，包括如下顺序步骤：

步骤2.1、以欧式距离作为相似度测度建立最优数学模型，适应性函数选取误差平方和作为目标函数：

（1）式中，

是第j个样本点，

是第i类的聚类中心，K为预期的历史运行时间聚类中心数目，N为全部历史运行时间样本数目，d_ji(t)表示从当前解

的邻域

中随机选取解后，接受的退火惩罚因子，取值如下：

式中，ΔJ是状态

和

的目标差，

式中，t为当前的温度，

为第i类初始聚类中心向量，w_ij为第i类初始聚类中心量第j维的元素；

步骤2.2、基于历史运行时间的数据库作为原始的样本数据，通过模拟退火算法计算最优聚类；

步骤2.3、通过模拟退火算法的最优聚类结果，形成一个基于时间段聚类的公交站台间的平均行驶时间OD矩阵；

所述步骤2.2中，模拟退火算法计算最优聚类，包括如下顺序步骤：

步骤2.2.1、根据每天道路交通拥挤的情况不同，给定聚类类别数K和迭代允许误差ε；

步骤2.2.2、设定退火策略：t_i+1=λ·t_i（4）式中，其中i≥0，λ=0.9，λ称为退火速率；设定初始温度t=t₀；

步骤2.2.3、在步骤1的公交车历史运行时间的数据库中随机选取一组样本数据作为初始的聚类中心

令

其中i=1,2,…,K；

步骤2.2.4、取k=1；

步骤2.2.5、按照下式修正退火惩罚因子d_ji（其中i=1,2,…,K，

j=1,2,…,N）：（5）；

步骤2.2.6、按下式修正聚类中心

（其中i=1,2,…,K），

${{\stackrel{\&RightArrow;}{W}}_i}^{(k+1)}=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_{\mathrm{ji}}{\stackrel{\&RightArrow;}{X}}_{\mathrm{ji}}/\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_{\mathrm{ji}}---\left(6\right);$

步骤2.2.7、计算误差： $e=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}\left|\right|{{\stackrel{\&RightArrow;}{W}}_i}^{(k+1)}-{{\stackrel{\&RightArrow;}{W}}_i}^{\left(k\right)}{\left|\right|}^2---\left(7\right);$

步骤2.2.8、如果e<ε，则模拟退火算法结束，

为最优聚类；否则，如果k<N-1，k=k+1，转步骤2.2.5继续计算；如果k=N-1，取t_i+1=λ·ti，转步骤2.2.4继续计算。

所述步骤1中的基于历史行车数据建立不同站点不同班次的公交车历史运行时间的数据库，包括如下顺序步骤：

步骤1.1、收集公交车运行过程中的历史数据，所述公交车运行过程中的历史数据为同一线路上不同发班时间的公交车运行的经度、纬度、时间、速度；

步骤1.2、基于上述信息计算出不同站点之间、不同发班时间的公交车运行时间，形成历史运行时间的数据库。

所述步骤3中，利用公交车的动态运行信息来修正由模拟退火算法预测的平均行驶时间OD矩阵，得到公交车的最佳平均行驶时间，包括如下顺序步骤：

步骤3.1、公交行车数据处理中心系统模块获取当前公交车的行车实时数据，确定当前该车的实际路段位置，通过平均行驶时间OD矩阵获得该车到达预测站台的一般行驶时间T₀；

步骤3.2、公交行车数据处理中心系统模块判断车辆的实时速度是否低于5公里/小时，如果实时速度低于5公里/小时且持续时长超过1分钟，公交行车数据处理中心系统模块直接发送“路段拥堵，公交车到达将延后”的信息给公交站台信息显示模块，公交站台信息显示模块对其进行显示，并执行步骤3.3；若实时速度不低于5公里/小时，则返回步骤3.1；

步骤3.3、公交行车数据处理中心系统模块获取刚经过预测站台的一辆公交车的相同路段的行车实时行车时间T1；

步骤3.4、公交行车数据处理中心系统模块通过计算时间T₁和T₀的平均值(T₀+T₁)2作为该车到达预测站台最佳行驶时间T_best，并将该最佳行驶时间T_best发送给公交站台信息显示模块，公交站台信息显示模块对其进行显示；

步骤3.5、车辆到站后，公交行车数据处理中心系统模块判断车辆是否出站，若为是，执行步骤3.1；若为否，公交站台信息显示模块显示“车辆到站”信息。

所述的公交行车数据处理中心系统模块获取当前公交车的行车实时数据的周期为10～15秒。

所述的公交行车数据处理中心系统模块把计算得到的车辆到站时间预测值发送给公交站台信息显示模块的时间周期是30～60秒。

所述的同一路同一方向的车辆到站时间预测值只发送距离最近的一次发送给公交站台信息显示模块的时间周期是30～60秒。

实施例2

如图1所示，公交实时到站时间预测系统包括公交车实时行车数据采集系统模块100、公交行车数据处理中心系统模块200、公交站台信息显示模块300，公交行车数据处理中心系统模块200分别与公交车实时行车数据采集系统模块100和公交站台信息显示模块300连接。

所述的公交车实时行车数据采集系统模块100，用于采集公交车实时的位置信息，并将此位置信息通过移动通信网络传送给公交行车数据处理中心系统模块；

所述的公交车实时行车数据采集系统模块100包含北斗定位模块110，移动通信模块120、ARM处理器模块130和电源模块140；

所述的北斗定位模块110，用于感知公交车的地理位置信息和运行状态信息并传送给ARM处理器模块130；

所述的移动通信模块120，用于传输公交车信息和位置信息给公交行车数据处理中心系统模块200，传输方式可以是GPRS、CDMA、3G、4G中的一种或者其它的移动通信方式；移动通信模块120受到ARM处理器模块130的控制；

所述的ARM处理器模块130，用于获取所搭载的车辆信息和地理位置信息，并传送到移动通信模块120；

所述的电源模块140，用于给北斗定位模块110，移动通信模块120、ARM处理器模块供电130。

所述的公交行车数据处理中心系统模块200，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移动通信网络发送给公交站台信息显示模块

所述的公交行车数据处理中心系统模块200包含一个或多个移动通信收发终端210、一个时间预测服务器220、数据库服务器230；

所述的移动通信收发终端210与时间预测服务器220相连接，用于接收公交车实时位置信息并将这些信息发送给所述的时间预测服务器220，并将时间预测服务器220的预测结果发送到公交站台信息显示模块300；移动通信收发终端210的传输方式可以是GPRS、CDMA、3G、4G中的一种或者其它的移动通信方式；每一个移动通信收发终端210负责一条或一条以上公交线路上运行的所有的公交车；

所述的时间预测服务器220负责从数据库服务器230中获取历史数据并预测管辖范围内的所有公交车的实时到站时间的计算；

所述的数据库服务器230负责实时存储和管理管辖范围内的所有公交车的历史行车数据；

所述的公交站台信息显示模块300，用于显示接收到的公交车到站时间。

所述的公交站台信息显示模块300包含电子显示站牌310和移动通信模块320。

ARM处理器模块130的第一信号输出端与北斗定位模块110的第一信号输入端连接，ARM处理器模块130的第二信号输出端与移动通信模块120的第一信号输入端连接；北斗定位模块110的第一信号输出端与ARM处理器模块130的第一信号输入端连接；电源模块140的第一输出端与ARM处理器模块130的第三输入端连接，电源模块140的第二输出端与北斗定位模块110的第二输入端连接，电源模块140的第三输出端移动通信模块120的第二输入端连接；移动通信模块120的第一信号输出端与ARM处理器模块130的第二信号输入端连接，移动通信模块120的第三信号输出端与移动通信收发终端210的第一信号输入端连接；移动通信收发终端210的第一信号输出端与移动通信模块120的第三信号输入端连接，移动通信收发终端210的第二信号输出端与时间预测服务器220的第一信号输入端连接，移动通信收发终端210的第三信号输出端与数据库服务器230的第一信号输入端连接，移动通信收发终端210的第四信号输出端与移动通信模块320的第一信号输入端连接；时间预测服务器220的第一信号输出端与移动通信收发终端210的第二信号输入端连接，时间预测服务器220的第二信号输出端与数据库服务器230的第二信号输入端连接；数据库服务器230的第一信号输出端与移动通信收发终端210的第三信号输入端连接，数据库服务器230的第二信号输出端与时间预测服务器22的第二信号输入端连接；移动通信模块320的第一信号输出端与移动通信收发终端210的第四信号输入端连接，移动通信模块320的第二信号输出端与电子显示站牌310的信号输入端连接。

实施例3

图2为本发明实施的一种基于模拟退火算法的公交实时到站时间预测方法的流程图，包含以下的主要步骤：

步骤1，基于历史行车数据建立不同站点不同班次的公交车历史运行时间的数据库；

步骤2，采用模拟退火算法对历史运行时间数据进行训练，对数据进行聚类，形成一个基于时间段聚类的不同路段的平均行驶时间OD矩阵；

步骤3，利用被预测公交车的动态运行信息来修正由模拟退火算法预测的平均行驶时间OD矩阵，得到该公交车的最佳平均行驶时间。

所述步骤1中的公交车历史运行时间的数据库建立过程如下：

步骤1.1，收集公交车运行过程中的历史数据，如同一线路上不同发班时间的公交车运行的经度、纬度、时间、速度；

步骤1.2，基于上述信息计算出不同路段（站点）、不同发班时间的公交车运行时间，形成历史运行时间的数据库。

图3中给出了采用模拟退火算法建立平均行驶时间OD矩阵的流程图，具体建立过程如下：

步骤2.1，以欧式距离作为相似度测度建立最优数学模型，适应性函数选取误差平方和作为目标函数：

$J=\left({\stackrel{\&RightArrow;}{W}}_i\right)=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_{\mathrm{ji}}\left(t\right)\&CenterDot;{\left|\right|{\stackrel{\&RightArrow;}{X}}_j-{\stackrel{\&RightArrow;}{W}}_i\left|\right|}^2$

式中

是第j个样本点，

是第i类的聚类中心，K为预期的历史运行时间聚类中心数目，N为全部历史运行时间样本数目，d_ji(t)表示从当前解的邻域

中随机选取解

后，接受

的退火惩罚因子，取值如下：

其中，ΔJ是状态

和

的目标差，即

t为当前的温度。

为第i类初始聚类中心向量；w_ij为第i类初始聚类中心量第j维的元素

步骤2.2，基于历史运行时间的数据库作为原始的样本数据，通过模拟退火算法计算最优聚类；

步骤2.3，通过模拟退火算法的最优聚类结果，形成一个基于时间段聚类的公交站台间的平均行驶时间OD矩阵

图4中给出了本发明实施的模拟退火算法计算最优聚类的流程图，具体步骤如下：

步骤2.2.1，根据每天道路交通拥挤的情况不同，给定聚类类别数K和迭代允许误差ε；

步骤2.2.2，设定退火策略：t_i+1=λ·t_i，其中i≥0，λ=0.9，λ称为退火速率；设定初始温度t₀，一般初始温度值选得比较高，如t₀=1000，以防止计算收敛时落入极小值区间；

步骤2.2.3，随机给定一个初始的聚类中心

令

其中i=1,2,…,K；

步骤2.2.4，取k=1；

步骤2.2.5，按照下式修正退火惩罚因子d_ji（其中i=1,2,…,K，j=1,2,…,N）：

步骤2.2.6，按下式修正聚类中心（其中i=1,2,…,K）；

${{\stackrel{\&RightArrow;}{W}}_i}^{(k+1)}=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_{\mathrm{ji}}{\stackrel{\&RightArrow;}{X}}_j/\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_{\mathrm{ji}}$

步骤2.2.7，计算误差：

$e=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}\left|\right|{{\stackrel{\&RightArrow;}{W}}_i}^{(k+1)}-{{\stackrel{\&RightArrow;}{W}}_i}^{\left(k\right)}{\left|\right|}^2$

步骤2.2.8，如果e<ε，则模拟退火算法结束，

即为最优聚类。否则，如果k<N-1，k=k+1，转步骤2.2.5继续计算。如果k=N-1，取t_i+1=λ·t_i，转步骤2.2.4继续计算；

图5中给出了本发明实施的公交行车数据处理中心系统模块的处理流程图，该流程利用公交车的动态运行信息来修正由模拟退火算法预测的平均行驶时间OD矩阵，得到公交车的最佳平均行驶时间，具体建立过程如下：

步骤3.1，公交行车数据处理中心系统模块获取当前公交车的行车实时数据，确定当前该车的实际路段位置，通过平均行驶时间OD矩阵获得该车到达预测站台的一般行驶时间T₀；

步骤3.2、公交行车数据处理中心系统模块判断车辆的实时速度是否低于5公里/小时，如果实时速度低于5公里/小时且持续时长超过1分钟，公交行车数据处理中心系统模块直接发送“路段拥堵，公交车到达将延后”的信息给公交站台信息显示模块，公交站台信息显示模块对其进行显示，并执行步骤3.3；若实时速度不低于5公里/小时，则返回步骤3.1；

步骤3.3，公交行车数据处理中心系统模块获取刚经过预测站台的一辆公交车的的相同路段的行车实时时间T₁；

步骤3.4，公交行车数据处理中心系统模块通过时间T₁和T₀的平均值来修正该车到达预测站台的最佳行驶时间T_best。并将其发送给公交站台信息显示模块，公交站台信息显示模块对其进行显示；

步骤3.5，车辆到站后，公交行车数据处理中心系统模块判断车辆是否出站，若为是，执行步骤3.1，若为否，公交站台信息显示模块显示“车辆到站”信息。

进一步的，公交行车数据处理中心系统模块获取当前公交车的行车实时数据的周期为10～15秒；

进一步的，公交行车数据处理中心系统模块把计算得到的车辆到站时间预测值发送给公交站台信息显示模块的时间周期是30～60秒；

进一步的，同一路同一方向的车辆到站时间预测值只发送距离最近的一次发送给公交站台信息显示模块的时间周期是30～60秒。

以上所述的具体实施方法和实例是对本发明一个详细的说明，本发明的具体实现形式并不局限于此。对于本技术领域的一般技术人员来说，在不背离本发明所述系统和方法的精神和权利要求范围的情况下，可以对本发明进行各种改动和变型。在本发明所述系统和方法的精神和权利要求范围内，对本发明进行的各种显而易见的改变都在本发明的保护范围之内。

Claims (6)

1.一种基于模拟退火算法的公交实时到站时间预测方法，其特征在于，包含以下的顺序步骤：

步骤1、基于历史行车数据建立不同站点不同班次的公交车历史运行时间的数据库；

步骤2、采用模拟退火算法对历史运行时间数据进行训练，对数据进行聚类，形成一个基于时间段聚类的不同路段的平均行驶时间OD矩阵；

步骤3、利用被预测公交车的动态运行信息来修正由模拟退火算法预测的平均行驶时间OD矩阵，得到该公交车的最佳平均行驶时间；

所述步骤2中，采用模拟退火算法对历史运行时间数据进行训练，对数据进行聚类，形成一个基于时间段聚类的公交站台间的平均行驶时间OD矩阵，包括如下顺序步骤：

步骤2.1、以欧式距离作为相似度测度建立最优数学模型，适应性函数选取误差平方和作为目标函数：

（1）式中，

是第j个样本点，

是第i类的聚类中心，K为预期的历史运行时间聚类中心数目，N为全部历史运行时间样本数目，d_ji(t)表示从当前解的邻域中随机选取解

后，接受

的退火惩罚因子，取值如下：

式中，ΔJ是状态

和的目标差，

式中，t为当前的温度，

为第i类初始聚类中心向量，w_ij为第i类初始聚类中心量第j维的元素；

步骤2.2、基于历史运行时间的数据库作为原始的样本数据，通过模拟退火算法计算最优聚类；

步骤2.3、通过模拟退火算法的最优聚类结果，形成一个基于时间段聚类的公交站台间的平均行驶时间OD矩阵；

所述步骤2.2中，模拟退火算法计算最优聚类，包括如下顺序步骤：

步骤2.2.1、根据每天道路交通拥挤的情况不同，给定聚类类别数K和迭代允许误差ε；

步骤2.2.2、设定退火策略：t_i+1=λ·t_i（4）式中，其中i≥0，λ=0.9，λ称为退火速率；设定初始温度t=t₀；

步骤2.2.3、在步骤1的公交车历史运行时间的数据库中随机选取一组样本数据作为初始的聚类中心令

其中i=1,2,…,K；

步骤2.2.4、取k=1；

步骤2.2.5、按照下式修正退火惩罚因子d_ji（其中i=1,2,…,K，j=1,2,…,N）：

（5）；

步骤2.2.6、按下式修正聚类中心

（其中i=1,2,…,K），

${{\stackrel{\&RightArrow;}{W}}_i}^{(k+1)}=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_{\mathrm{ji}}{\stackrel{\&RightArrow;}{X}}_{\mathrm{ji}}/\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_{\mathrm{ji}}---\left(6\right);$

步骤2.2.7、计算误差： $e=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}\left|\right|{{\stackrel{\&RightArrow;}{W}}_i}^{(k+1)}-{{\stackrel{\&RightArrow;}{W}}_i}^{\left(k\right)}{\left|\right|}^2---\left(7\right);$

步骤2.2.8、如果e<ε，则模拟退火算法结束，

为最优聚类；否则，如果k<N-1，k=k+1，转步骤2.2.5继续计算；如果k=N-1，取t_i+1=λ·t_i，转步骤2.2.4继续计算。

2.如权利要求1所述的基于模拟退火算法的公交实时到站时间预测方法，其特征在于：所述步骤1中的基于历史行车数据建立不同站点不同班次的公交车历史运行时间的数据库，包括如下顺序步骤：

步骤1.1、收集公交车运行过程中的历史数据，所述公交车运行过程中的历史数据为同一线路上不同发班时间的公交车运行的经度、纬度、时间、速度；

步骤1.2、基于上述信息计算出不同站点之间、不同发班时间的公交车运行时间，形成历史运行时间的数据库。

3.如权利要求1所述的基于模拟退火算法的公交实时到站时间预测方法，其特征在于：所述步骤3中，利用公交车的动态运行信息来修正由模拟退火算法预测的平均行驶时间OD矩阵，得到公交车的最佳平均行驶时间，包括如下顺序步骤：

步骤3.1、公交行车数据处理中心系统模块获取当前公交车的行车实时数据，确定当前该车的实际路段位置，通过平均行驶时间OD矩阵获得该车到达预测站台的一般行驶时间T₀；

步骤3.2、公交行车数据处理中心系统模块判断车辆的实时速度是否低于5公里/小时，如果实时速度低于5公里/小时且持续时长超过1分钟，公交行车数据处理中心系统模块直接发送“路段拥堵，公交车到达将延后”的信息给公交站台信息显示模块，公交站台信息显示模块对其进行显示，并执行步骤3.3；若实时速度不低于5公里/小时，则返回步骤3.1；

步骤3.3、公交行车数据处理中心系统模块获取刚经过预测站台的一辆公交车的相同路段的行车实时行车时间T₁；

步骤3.4、公交行车数据处理中心系统模块通过计算时间T₁和T₀的平均值(T₀+T₁)2作为该车到达预测站台最佳行驶时间T_best，并将该最佳行驶时间T_best发送给公交站台信息显示模块，公交站台信息显示模块对其进行显示；

步骤3.5、车辆到站后，公交行车数据处理中心系统模块判断车辆是否出站，若为是，执行步骤3.1；若为否，公交站台信息显示模块显示“车辆到站”信息。

4.如权利要求3所述的基于模拟退火算法的公交实时到站时间预测方法，其特征在于：所述的公交行车数据处理中心系统模块获取当前公交车的行车实时数据的周期为10～15秒。

5.如权利要求3所述的基于模拟退火算法的公交实时到站时间预测方法，其特征在于：所述的公交行车数据处理中心系统模块把计算得到的车辆到站时间预测值发送给公交站台信息显示模块的时间周期是30～60秒。

6.如权利要求3所述的基于模拟退火算法的公交实时到站时间预测方法，其特征在于：所述的同一路同一方向的车辆到站时间预测值只发送距离最近的一次发送给公交站台信息显示模块的时间周期是30～60秒。

Images