CN103838868A - 一种基于多公交线路运行数据融合的城市公交到站时间预测方法 - Google Patents

Abstract

本发明公开了一种基于多公交线路运行数据融合的城市公交到站时间预测方法，包含步骤10）采集待预测公交站点沿线的公交运行相关数据、步骤20）建立公交到站时刻历史数据库、步骤30）建立公交运行数据预测数据库、步骤40）确定公交到站时间预测函数、步骤50）检测公交到达并更新数据库、步骤60）预测公交到站时间及步骤70）记录公交实际到站时间并更新数据库。该发明方法结合现有公交到站时间预测方法，通过适合我国城市内部交通环境的系统设置，采用多线路公交运行数据的融合，为公交乘客提供各个站点的公交到站预测时间，降低乘客在公交站点的等候时间，提高城市居民时间的利用效率，进而提升城市公交系统的吸引力。

Description

一种基于多公交线路运行数据融合的城市公交到站时间预测方法

技术领域

本发明涉及城市公交的运营、服务、公交运行检测、监控及到站时间预测技术，尤其涉及一种基于多公交线路运行数据融合的城市公交到站时间预测方法。

背景技术

现代社会经济的飞速发展带动了城市的规模越来越大，城市居民的出行需求越来越大。但是居民的出行需求与城市的交通供给间存在一定的差距，由此引发了诸多的交通问题。为了应对城市中出现的以交通拥堵为代表的各种问题，我国的城市管理者很早就提出了要大力发展、优先发展城市公共交通的思路，并着力从政策保障、经济投入与技术支撑等方面支持城市公交的发展。

对于公交的运营公司来说，在保障城市居民基本的公交出行需求的同时，如何尽可能的提升公交服务水平、提供便捷的公交出行服务也是其非常关心的因素。而对于乘客来说，能按时按点的乘坐公交车辆，是其非常关注的点。然而在实际的公交运营过程中，由于交通流量较大、站点停靠时间的变化等因素的影响，往往而言公交车辆的到站并不规律。在某些交通特别拥堵的时段，常会出现长时间美欧公交到站的情况，使公交乘客等候过多时间，降低了公交的服务水平，也影响了公交分担率的提升。

近年来，在一些大城市（如江苏南京、浙江杭州等）的公交站点，已经出现对公交车辆到站的预测。但是目前的公交车辆到站预测均是结合公交车辆的车载GPS系统，给出公交车辆距离站点的距离。这虽然能给予公交乘客一定的参考，但是实际上，相同的行驶距离可能对应着完全不同的行驶时间，其实际实用意义不大。在美国的一些城市（如洛杉矶、旧金山、西雅图），公交乘客均可通过公交运营公司的网站或者相关的软件查询公交到站的时间，方便乘客安排时间，降低等候时间。考虑到美国城市道路的干扰较少，交通流构成简单，对于公交到站时间与其时刻表的预定值偏差不大，到站时间的预测难度较小。而我国城市交通环境复杂，目前已有的成熟预测方法并不能很好的预测公交到站的时间，其精度往往较低，亟待开发一种新型的公交到站时间预测方法。本发明便是在这样的背景下而产生的。

发明内容

本发明为了提高我国城市公交系统的服务水平，充分利用我国城市公交运行GPS数据、公交停靠起步数据，通过适合我国城市内部交通环境的系统设置，采用多线路公交运行数据的融合，为公交乘客提供各个站点的公交到站预测时间，降低其在公交站点的等候时间，提高城市居民时间的利用效率，进而提升城市公交系统的吸引力。

本发明采用的技术方案为：

一种基于多公交线路运行数据融合的城市公交到站时间预测方法，其特征在于该方法充分利用待预测公交站点沿线的所有公交线路的运行数据，通过不同公交线路间的运行数据融合，获取关键数据并得到公交的到站预测时间。包含以下步骤：

步骤10）采集待预测公交站点沿线的公交运行相关数据。

待预测公交站点沿线的公交运行相关数据包含：该公交站点上游最近的公交站点至该公交站点间的所有公交线路数N、各条公交线路的名称集合M,M＝{m_i|N≥i＞0}，公交到站时刻数据。

其中，各条公交线路的名称集合M中，m_i为第i条公交线路的名称，其中，i为公交线路的序号，i为整数。

公交到站时刻数据包含：第i条公交线路的第j班次的公交到达所述待预测公交站点上游最近的公交站点的时刻

第i条公交线路的第j班次公交到达所述待预测公交站点的时刻为公交班次的序号，j为整数。

步骤20）建立公交到站时刻历史数据库。

将所述步骤10）中采集得到的公交到站时刻数据按照

的大小由小到大排序，并依次存储公交到站时刻数据及线路数据，建立公交到站时刻历史数据库。

公交到站时刻历史数据库采用数组方式存储，其结构如下：

其中，H为公交到站时刻历史数据库中的数据总数，k为所述步骤10）中集得到的公交到站时刻数据按照

的大小由小到大排序后的第k个公交到站时刻数据，k为整数，0＜k≤H，R_k为该数据对应公交车辆所属的线路名称，R_k∈M，T_pre,k为该数据对应公交车辆到达所述待预测公交站点上游最近的公交站点的时刻，T_tar,k为该数据对应公交车辆到达待预测公交站点的时刻。

步骤30）建立公交运行数据预测数据库。

将所述步骤10）中采集得到的公交到站时刻数据按照的大小由小到大排序，针对序号为k的数据，倒序（从k-1到1）搜索所述步骤20）公交到站时刻历史数据库中，第一个与序号为k的公交线路的名称相同的数据的序号值S_k，计算最近的相同线路的公交运行时间、最近的不同线路的公交运行时间，依次融合不同线路的公交运行数据，计算公交运行融合时间，建立公交运行数据预测数据库。

公交运行数据预测数据库采用数组方式存储，其结构如下：

其中，k、H的定义与所述步骤20）中相同，T_same,k为公交运行数据预测数据库中第k个数据所对应的最近的相同线路的公交运行时间，如果S_k存在则否则T_same,k＝0；T_diff,k为公交运行数据预测数据库中第k个数据所对应的最近的不同线路的公交运行时间，当k=1时T_diff,k＝0，否则T_diff,k＝T_tar,k-1-T_pre,k-1；T_mix,k为公交运行数据预测数据库中第k个数据对应公交车辆的公交运行融合时间。

步骤40）确定公交到站时间预测函数。

公交到站时间预测函数为T_tar＝b₀+b₁T_same+b₂T_diff+b₃T_mix+T_pre，采用matlab软件，将所述步骤20）中公交到站时刻历史数据库中的T_tar,k带入步骤40）中预测函数的T_tar、将所述步骤20）中公交到站时刻历史数据库中的T_pre,k带入步骤40）中预测函数的T_pre，将所述步骤30）中公交运行数据预测数据库的T_same,k、T_diff,k、T_mix,k分别带入步骤40）中预测函数的T_same、T_diff、T_mix，得到公交到站时间预测函数中的b₀、b₁、b₂、b₃值，确定公交到站时间预测函数。

步骤50）检测公交到达并更新数据库。

当检测到有新的公交到达所述待预测公交站点上游最近的公交站点时，在所述步骤20）公交到站时刻历史数据库中新增一个数据记录H+1，记录该新的公交的线路名称R_H+1，记录该公交到达所述待预测公交站点上游最近的公交站点的时刻T_pre,H+1；在所述步骤30）公交运行数据预测数据库中新增一个数据记录H+1，计算并记录最近的相同线路的公交运行时间T_same,H+1、最近的不同线路的公交运行时间T_diff,H+1、公交运行融合时间T_mix,H+1。

其中，

其中下标S_H+1为倒序（从H到1）搜索所述步骤20）公交到站时刻历史数据库中，第一个与序号为H+1的公交线路的名称相同的数据的序号值；T_diff,H+1＝T_tar,H-T_pre,H。

步骤60）预测公交到站时间。

将步骤50）得到的T_same,H+1、T_diff,H+1、T_mix,H+1、T_pre,H+1带入步骤40）中确定的公交到站时间预测函数T_tar＝b₀+b₁T_same+b₂T_diff+b₃T_mix+T_pre中的T_same、T_diff、T_mix、T_pre，计算得到预测的公交到站时间。

步骤70）记录公交实际到站时间并更新数据库。

当所述步骤20）公交到站时刻历史数据库中的数据记录序号H+1对应的公交到达目标公交站点时，将该时间记录入所述步骤20）公交到站时刻历史数据库中数据记录序号H+1中的公交到达所述待预测公交站点的时刻T_tar,H+1。随后，将所述所有数据库中的数据记录序号H增加1。

所述步骤30）依次融合不同线路的公交运行数据，计算公交运行融合时间，以及所述步骤50）计算并记录公交运行融合时间，第k个数据记录的公交运行融合时间的计算按照下式：

$T_{\mathrm{mix},k}=\frac{1}{\frac{1}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-1}}+\frac{1}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-2}}+\frac{1}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-3}}}\·\underset{q=1}{\overset{3}{\mathrm{\Σ}}}\frac{T_{\mathrm{tar},k-q}-T_{\mathrm{pre},k-q}}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-q}}$ 计算得到。

有益效果：

1）、本发明方法在常规的公交到站时间预测的基础上，创新性的通过多线路公交运行数据的融合预测公交到站时间，提高了预测的精度；

2）本发明方法在预测公交到站时间时，采用了形式较为简单的线性预测方式，降低了预测的操作难度，提高了发明方法的工程操作性；

3）本发明方法便于移植，可以通过计算机实现自动化的预测，并且可以实现连续站点的到站时间预测，发明方法的实用性强。

附图说明

图1为本发明的总体流程图。

图2为本发明的算例数据基本信息。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步说明。

附图1为本发明的总体流程图。可以看出，该发明方法主要包含了以下7个步骤：

步骤10）采集待预测公交站点沿线的公交运行相关数据。

待预测公交站点沿线的公交运行相关数据包含：该公交站点上游最近的公交站点至该公交站点间的所有公交线路数N、各条公交线路的名称集合M,M＝{m_i|N≥i＞0}，公交到站时刻数据。

其中，各条公交线路的名称集合M中，m_i为第i条公交线路的名称，其中，i为公交线路的序号，i为整数。

公交到站时刻数据包含：第i条公交线路的第j班次的公交到达所述待预测公交站点上游最近的公交站点的时刻

第i条公交线路的第j班次公交到达所述待预测公交站点的时刻j为公交班次的序号，j为整数。

上述步骤10)中的所有数据均可以通过城市公交系统的车载GPS或者AVL系统自动采集得到。

步骤20）建立公交到站时刻历史数据库。

将所述步骤10）中采集得到的公交到站时刻数据按照

的大小由小到大排序，并依次存储公交到站时刻数据及线路数据，建立公交到站时刻历史数据库。

公交到站时刻历史数据库采用数组方式存储，其结构如下：

其中，H为公交到站时刻历史数据库中的数据总数，k为所述步骤10）中集得到的公交到站时刻数据按照

的大小由小到大排序后的第k个公交到站时刻数据，k为整数，0＜k≤H，R_k为该数据对应公交车辆所属的线路名称，R_k∈M，T_pre,k为该数据对应公交车辆到达所述待预测公交站点上游最近的公交站点的时刻，T_tar,k为该数据对应公交车辆到达待预测公交站点的时刻。

步骤30）建立公交运行数据预测数据库。

将所述步骤10）中采集得到的公交到站时刻数据按照

的大小由小到大排序，针对序号为k的数据，倒序（从k-1到1）搜索所述步骤20）公交到站时刻历史数据库中，第一个与序号为k的公交线路的名称相同的数据的序号值S_k，计算最近的相同线路的公交运行时间、最近的不同线路的公交运行时间，依次融合不同线路的公交运行数据，计算公交运行融合时间，建立公交运行数据预测数据库。

公交运行数据预测数据库采用数组方式存储，其结构如下：

其中，k、H的定义与所述步骤20）中相同，T_same,k为公交运行数据预测数据库中第k个数据所对应的最近的相同线路的公交运行时间，如果S_k存在则

否则T_same,k＝0；T_diff,k为公交运行数据预测数据库中第k个数据所对应的最近的不同线路的公交运行时间，当k=1时T_diff,k＝0，否则T_diff,k＝T_tar,k-1-T_pre,k-1；T_mix,k为公交运行数据预测数据库中第k个数据对应公交车辆的公交运行融合时间。

步骤40）确定公交到站时间预测函数。

公交到站时间预测函数为T_tar＝b₀+b₁T_same+b₂T_diff+b₃T_mix+T_pre，采用matlab软件，将所述步骤20）中公交到站时刻历史数据库中的T_tar,k带入步骤40）中预测函数的T_tar、将所述步骤20）中公交到站时刻历史数据库中的T_pre,k带入步骤40）中预测函数的T_pre，将所述步骤30）中公交运行数据预测数据库的T_same,k、T_diff,k、T_mix,k分别带入步骤40）中预测函数的T_same、T_diff、T_mix，得到公交到站时间预测函数中的b₀、b₁、b₂、b₃值，确定公交到站时间预测函数。

在步骤40）中采用了matlab软件，通过将前述数据库的数据代入公交到站时间预测函数中对应的自变量，matlab软件可以自动的获得函数中的b₀、b₁、b₂、b₃值，从而确定公交到站时间预测函数。

步骤50）检测公交到达并更新数据库。

当检测到有新的公交到达所述待预测公交站点上游最近的公交站点时，在所述步骤20）公交到站时刻历史数据库中新增一个数据记录H+1，记录该新的公交的线路名称R_H+1，记录该公交到达所述待预测公交站点上游最近的公交站点的时刻T_pre,H+1；在所述步骤30）公交运行数据预测数据库中新增一个数据记录H+1，计算并记录最近的相同线路的公交运行时间T_same,H+1、最近的不同线路的公交运行时间T_diff,H+1、公交运行融合时间T_mix,H+1。

其中，

其中下标S_H+1为倒序（从H到1）搜索所述步骤20）公交到站时刻历史数据库中，第一个与序号为H+1的公交线路的名称相同的数据的序号值；T_diff,H+1＝T_tar,H-T_pre,H。

步骤60）预测公交到站时间。

将步骤50）得到的T_same,H+1、T_diff,H+1、T_mix,H+1、T_pre,H+1带入步骤40）中确定的公交到站时间预测函数T_tar＝b₀+b₁T_same+b₂T_diff+b₃T_mix+T_pre中的T_same、T_diff、T_mix、T_pre，计算得到预测的公交到站时间。

步骤70）记录公交实际到站时间并更新数据库。

当所述步骤20）公交到站时刻历史数据库中的数据记录序号H+1对应的公交到达目标公交站点时，将该时间记录入所述步骤20）公交到站时刻历史数据库中数据记录序号H+1中的公交到达所述待预测公交站点的时刻T_tar,H+1。随后，将所述所有数据库中的数据记录序号H增加1。

所述步骤30）依次融合不同线路的公交运行数据，计算公交运行融合时间，以及所述步骤50）计算并记录公交运行融合时间，第k个数据记录的公交运行融合时间的计算按照下式：

$T_{\mathrm{mix},k}=\frac{1}{\frac{1}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-1}}+\frac{1}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-2}}+\frac{1}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-3}}}\·\underset{q=1}{\overset{3}{\mathrm{\Σ}}}\frac{T_{\mathrm{tar},k-q}-T_{\mathrm{pre},k-q}}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-q}}$ 计算得到。

下面，结合一算例对本发明方法进行进一步的说明。

采用了江西省某城市2012年11月22日的公交运行GPS数据，选取了公交公司站作为待预测公交站点，而交警支队站作为公交站点上游最近的公交站点，公交站点上游最近的公交站点至该公交站点间的所有公交线路数N=6,6条公交线路非别为1路、2路、8路、17路、116路、118路。在11月22日当天，公交车辆的到站数据共有505条。相关数据的基本统计信息见图2所示。

随后，通过对上述步骤10）采集得到的相关数据进行处理，采用区中的404条数据作为历史数据，得到了步骤20）及步骤30）的公交到站时刻历史数据库及公交运行数据预测数据库。其余的101条数据当成检测的公交到站数据，进行到站时间的预测，并和真实值进行比对。

通过步骤40）的matlab软件，得到公交到站时间预测函数为T_tar＝-0.1184+0.3752T_same+0.4643T_diff+0.3574T_mix+T_pre

随后，按照步骤50）-步骤70）的要求，就可以得到101条数据的预测到站时间。

为检验算例中最后预测的到站时间与真实到站时间的差异，本算例特别引入了3中常用的评价指标：绝对平均误差(MAE)，绝对平均百分误差(MAPE)以及均方根误差(RMSE)。通过计算，本算例的预测结果的绝对平均误差为18.29秒，绝对平均百分误差为14.38%，均方根误差为23.68秒。预测的整体精度很高，满足公交系统的使用要求。

Claims (4)

1.一种基于多公交线路运行数据融合的城市公交到站时间预测方法，其特征在于，该方法充分利用待预测公交站点沿线的所有公交线路的运行数据，通过不同公交线路间的运行数据融合，获取关键数据并得到公交的到站预测时间，具体包含以下步骤：

步骤10）采集待预测公交站点沿线的公交运行相关数据；

待预测公交站点沿线的公交运行相关数据包含：该公交站点上游最近的公交站点至该公交站点间的所有公交线路数N、各条公交线路的名称集合M＝{m_i|N≥i＞0}和公交到站时刻数据，其中，所述各条公交线路的名称集合M中，m_i为第i条公交线路的名称，其中，i为公交线路的序号，i为整数，公交到站时刻数据包含：第i条公交线路的第j班次的公交到达所述待预测公交站点上游最近的公交站点的时刻

第i条公交线路的第j班次公交到达所述待预测公交站点的时刻

为公交班次的序号，j为整数；

步骤20）建立公交到站时刻历史数据库；

将所述步骤10）中采集得到的公交到站时刻数据按照

的大小由小到大排序，并依次存储公交到站时刻数据及线路数据，建立公交到站时刻历史数据库，所述公交到站时刻历史数据库采用数组方式存储；

步骤30）建立公交运行数据预测数据库；

将所述步骤10）中采集得到的公交到站时刻数据按照

的大小由小到大排序，针对序号为k的数据，按照从k-1到1的倒序搜索所述步骤20）公交到站时刻历史数据库中，第一个与序号为k的公交线路的名称相同的数据的序号值S_k，计算最近的相同线路的公交运行时间、最近的不同线路的公交运行时间，依次融合不同线路的公交运行数据，计算公交运行融合时间，建立公交运行数据预测数据库；所述公交运行数据预测数据库采用数组方式存储；

步骤40）确定公交到站时间预测函数；

公交到站时间预测函数为T_tar＝b₀+b₁T_same+b₂T_diff+b₃T_mix+T_pre，采用matlab软件，将所述步骤20）中公交到站时刻历史数据库中的T_tar,k带入步骤40）中预测函数的T_tar、将所述步骤20）中公交到站时刻历史数据库中的T_pre,k带入步骤40）中预测函数的T_pre，将所述步骤30）中公交运行数据预测数据库的T_same,k、T_diff,k、T_mix,k分别带入步骤40）中预测函数的T_same、T_diff、T_mix，得到公交到站时间预测函数中的b₀、b₁、b₂、b₃值，确定公交到站时间预测函数；

步骤50）检测公交到达并更新数据库；

当检测到有新的公交到达所述待预测公交站点上游最近的公交站点时，在所述步骤20）公交到站时刻历史数据库中新增一个数据记录H+1，记录该新的公交的线路名称R_H+1，记录该公交到达所述待预测公交站点上游最近的公交站点的时刻T_pre,H+1，在所述步骤30）公交运行数据预测数据库中新增一个数据记录H+1，计算并记录最近的相同线路的公交运行时间T_same,H+1、最近的不同线路的公交运行时间T_diff,H+1、公交运行融合时间T_mix,H+1，其中，

其中下标S_H+1为按照从H到1的倒序搜索所述步骤20）公交到站时刻历史数据库中，第一个与序号为H+1的公交线路的名称相同的数据的序号值，T_diff,H+1＝T_tar,H-T_pre,H；

步骤60）预测公交到站时间；

将所述步骤50）得到的T_same,H+1、T_diff,H+1、T_mix,H+1、T_pre,H+1带入步骤40）中确定的公交到站时间预测函数T_tar＝b₀+b₁T_same+b₂T_diff+b₃T_mix+T_pre中的T_same、T_diff、T_mix、T_pre，计算得到预测的公交到站时间；

步骤70）记录公交实际到站时间并更新数据库；

当所述步骤20）公交到站时刻历史数据库中的数据记录序号H+1对应的公交到达目标公交站点时，将该时间记录入所述步骤20）公交到站时刻历史数据库中数据记录序号H+1中的公交到达所述待预测公交站点的时刻T_tar,H+1。随后，将所述所有数据库中的数据记录序号H增加1。

2.根据权利要求1所述的城市公交到站时间预测方法，其特征在于，所述步骤20）中公交到站时刻历史数据库的数组共有H行，其中第k行存储的数据包含：公交线路R_k、公交到达所述待预测公交站点上游最近的公交站点的时刻T_pre,k、公交到达所述待预测公交站点的时刻T_tar,k，其中，所述H为所述公交到站时刻历史数据库中的数据总数，所述k为步骤10）中采集得到的公交到站时刻数据按照

的大小由小到大排序后的第k个公交到站时刻数据，k为整数且0＜k≤H，所述公交线路R_k为所述公交到站时刻历史数据库中第k个公交到站时刻数据对应的公交车辆所属的线路名称，R_k∈M，所述T_pre,k为所述公交到站时刻历史数据库中第k个公交到站时刻数据对应的公交车辆到达所述待预测公交站点上游最近的公交站点的时刻，所述T_tar,k为所述公交到站时刻历史数据库中第k个公交到站时刻数据对应的公交车辆到达待预测公交站点的时刻。

3.根据权利要求1所述的城市公交到站时间预测方法，其特征在于，所述步骤30）中公交运行数据预测数据库的数组共有H行，其中第k行存储的数据包含：最近的相同线路的公交运行时间T_same,k、最近的不同线路的公交运行时间T_diff,k、公交运行融合时间T_mix,k，其中，该步骤中所述k、H的定义与步骤20）中所述的k、H定义相同，所述T_same,k为所述公交运行数据预测数据库中第k个数据所对应的最近的相同线路的公交运行时间，如果存在S_k，则

否则T_same,k＝0，所述T_diff,k为所述公交运行数据预测数据库中第k个数据所对应的最近的不同线路的公交运行时间，当k=1时T_diff,k＝0，否则T_diff,k＝T_tar,k-1-T_pre,k-1，所述T_mix,k为所述公交运行数据预测数据库中第k个数据对应公交车辆的公交运行融合时间。

4.根据权利要求1所述的城市公交到站时间预测方法，其特征在于，所述步骤30）依次融合不同线路的公交运行数据，计算公交运行融合时间，以及所述步骤50）计算并记录公交运行融合时间，第k个数据记录的公交运行融合时间的计算按照下式：

$T_{\mathrm{mix},k}=\frac{1}{\frac{1}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-1}}+\frac{1}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-2}}+\frac{1}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-3}}}\·\underset{q=1}{\overset{3}{\mathrm{\Σ}}}\frac{T_{\mathrm{tar},k-q}-T_{\mathrm{pre},k-q}}{T_{\mathrm{pre},k}-T_{\mathrm{pre},k-q}}$ 计算得到。

Images