CN103903429B - 一种快速公交停靠站的延误时间组合预测方法 - Google Patents

Abstract

本发明提供一种快速公交停靠站的延误时间组合预测方法，应用于有公交专用道的快速公交BRT系统，通过交通信息采集设备采集BRT车辆和同路段社会车辆必要的交通流信息，将信息整合成一个时间序列，对数据序列先进行线性自回归预测，再将得到的初始残差用经遗传算法优化参数后的支持向量机方法进行非线性回归法预测，叠加得到最终的BRT车辆停站延误。本发明在快速公交模式的前提下，充分利用BRT系统的先进的交通信息采集技术，紧密结合复杂交通系统的实时运行参数，运用先进的数据处理手段，对BRT车辆的停站延误进行准确预测，为其时间层面的优先提供依据，从而提高快速公交系统的整体运行效率。

Description

一种快速公交停靠站的延误时间组合预测方法

技术领域

本发明属于公交停靠站时间预测技术领域，用于快速公交BRT系统，具体涉及一种快速公交停靠站延误时间的组合型数值预测方法。

背景技术

城市公共交通在缓解由城市巨大的交通需求引发的交通拥堵、交通安全以及交通污染方面有着积极的意义。然而，现状下我国的城市交通体系不够完善，技术水平相对落后，服务质量相对低下，公共交通在与众多交通方式的竞争中处于不利地位，通过先进的软硬件技术手段，提升公交的运行效率和服务水平是以公交优先带动城市交通问题解决的必然之举。

大多数国外的快速公交系统与ITS技术紧密结合，能够实时较为准确的提供BRT车辆行驶的相关信息，尤其是BRT车辆的到站时刻给乘客，这迅速的提升了公共交通在城市交通中的地位，提升了公交出行的比例，但国内的大多数快速公交系统虽然拥有相对先进的用于交通信息采集的硬件设备，却缺乏较好的技术手段去利用丰富的交通信息资源对公交车的行驶时间，尤其是公交车的站点延误进行预测。这显然难以给科学的公交优先策略提供有力支撑，更无法体现快速公交在改善城市交通现状中的优越性，对整个城市交通系统运行效率存在不利影响。

发明内容

本发明要解决的问题是：我国的大多数快速公交系统信息化智能化程度较低，不能运用先进的数据处理技术利用好大量的智能硬件设施采集到的交通信息数据来预测快速公交在站台的延误，降低了快速公交系统控制与管理的科学性、整体性和实际运行效率。

本发明的技术方案为：一种快速公交停靠站的延误时间组合预测方法，应用于快速公交BRT系统，通过交通信息采集设备采集相关数据，运用线性模型和非线性模型相组合的方法，对BRT车辆的站台延误进行预测，包括如下步骤：

1)采集BRT公交站台所在路段的公交车辆、社会车辆和乘客的相关信息：

BRT公交车辆的相关信息包括：公交车进站延误时间t^delay _i；当下所检测的BRT公交车与上一辆BRT公交车的时间距离t^headway _i，其中i表示第i辆检测到的BRT公交车；

社会车辆相关信息包括：检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数n^traffic _i，以及距离停车处最近的下游交叉口进口道处的排队长度l^traffic _i，其中i表示这时检测到第i辆BRT公交车；

乘客相关信息：检测到第i辆BRT公交车时，造成此延误的上车乘客数nⁱⁿ _i和下车乘客数n^out _i，其中i表示这时检测到第i辆BRT公交车。

2)将步骤1)中采集到的BRT公交车延误数据t^delay _i(i＝1,2,3…N)按照采集到的时间顺序组成一个时间序列，建立自回归移动平均模型(ARIMA)进行停站延误的初始预测模型：

$\mathrm{\φ}\left(B\right){\▿}^d{t^{delay}}_i=\mathrm{\θ}\left(B\right){\mathrm{\ϵ}}_i---\left(1\right)$

式中，为零均值白噪声序列；

d为非负整数，对应于普通差分阶数；

φ(B)＝1-φ₁B-…-φ_pB^p；

θ(B)＝1-θ₁B-…-θ_qB^q。p，q均为模型参数。

3)根据步骤2)中所预测到的结果t^preA _i(i＝1,2,3…N)，将t^delay _i与t^preA _i作差，得到第一次预测的误差Δt^delay _i，将其所为下一步预测的输入向量的主变量，将步骤1)采集到的当下所检测的BRT公交车与上一辆BRT公交车的时间距离t^headway _i，检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数n^traffic _i，距离停车处最近的下游交叉口进口道处的排队长度l^traffic _i和乘客此时上下客的人数nⁱⁿ _i、n^out _i作为下一预测输入向量的属性变量。

4)根据步骤3)构造的输入向量序列x_i＝(Δt^delay _i，t^headway _i，n^traffic _i，l^traffic _i，nⁱⁿ _i，n^out _i)，将向量序列带入支持向量回归机模型中进行残差序列的预测，模型可通过下式子求解：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }W(\mathrm{\α},{\mathrm{\α}}^{*})=\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\left\{\begin{array}{c}\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i^{*}(y_i-\mathrm{\ϵ})-{\mathrm{\α}}_i\left(y_i+\mathrm{\ϵ}\right)\\ -\frac{1}{2}\underset{i=1}{\overset{l}{\Σ}}\underset{j=1}{\overset{l}{\Σ}}\left({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i\right)\left({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j\right)\\ K(x_i,x_j)\end{array}\right\}---\left(2\right)$

约束条件为：

$\left\{\begin{array}{c}0\≤{\mathrm{\α}}_i\≤C,i=1,\mathrm{...},l\\ 0\≤{\mathrm{\α}}_i^{*}\≤C,i=1,\mathrm{...},l\\ \underset{i=1}{\overset{l}{\Σ}}\left({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i\right)=0\end{array}\right.---\left(3\right)$

由此，求得的拉格朗日待定系数α_i和回归函数f(x)则为：

$f\left(x\right)=\underset{SVs}{\Σ}({\stackrel{\‾}{\mathrm{\α}}}_i-{\stackrel{\‾}{\mathrm{\α}}}_i^{*})K(x_i,x)---\left(4\right)$

其中K(x,x_i)成为核函数。

5)重复步骤4)运用遗传算法对支撑向量回归机模型的参数进行优化。优化参数有：惩罚因子C、不敏感损失系数ε以及核函数参数γ。

6)选取不同的核函数，每种核函数下分别重复步骤4)和步骤5)至最大迭代遗传算法中设置的最大进化数目T，选择预测效果最优的核函数带入预测模型中。

7)将步骤2)和步骤6)所得的初始预测结果t^preA _i和残差预测结果t^preB _i进行累加，得到最终的预测结果t^pre _i。

步骤1)中，在公交站台BRT车辆停车处布置检测器，测得第i辆公交车停靠的时间t^delay _i和到达的时刻t_i，与之间车辆到达的时间t_i-1作差，得到当下所检测的BRT公交车与上一辆BRT公交车的时间距离t^headway _i，在公交站台所在的道路路段和交叉口进口道上布置检测器，可检测到路段上的社会车辆数n^traffic _i和距离停车处最近的下游交叉口进口道处的排队长度l^traffic _i，通过人工采集的方法，可以得到上下客人数nⁱⁿ _i、n^out _i。

步骤2)包括如下步骤：

21)观察数据序列散点图，判断数据序列是否平稳，若不平稳，执行步骤22)；

22)调整差分的阶数d，直至数据序列平稳；

23)观察数据序列的自相关函数和偏相关函数图，确定参数p，q的范围；

24)确定初始参数p，q的值，用SPSS软件计算出相应的Akaike信息统计量。若信息统计量值最大，则执行步骤26)，否则转至步骤25)；

25)调整p，q的值(p，q均为整数)，重复步骤24)；

26)输出初始预测序列t^preA _i；

步骤4)具体为：

41)判定输入向量维数是否高于限值，一般认为维数大于10即为过高，若过高则进行步骤42)；

42)运行matlab软件的SVM工具箱，对输入向量进行降维和归一化操作；

43)求解式(2)和式子(3)确定的规划问题，得出拉格朗日待定系数α_i和

44)选择合适的核函数，构造回归函数；

步骤5)详细步骤如下：

51)确定遗传算法的具体优化参数：惩罚因子C、不敏感损失系数ε以及核函数参数γ；

52)设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个优化参数个体作为初始群体P(0)；

53)确定适应度函数，即支持向量机模型预测结果的均方误差的相反数 $g\left(x\right)=-MSE=-\frac{1}{n}\underset{i=1}{\overset{N}{\Σ}}{({{\mathrm{\Δt}}^{delay}}_i-{t^{preB}}_i)}^2,$ 并计算群体中每个个体的适应度；

54)按照随机产生的概率分别执行步骤55)、步骤56)和步骤57)；

55)执行选择运算：把优化的适应度好的个体直接遗传到下一代；

56)执行交叉运算：两个父代个体的部分结构加以替换重组而生成新个体进入下一刻种群；

57)执行变异运算：对群体中的个体串的某些基因座上的基因值作变动，构成新个体；

58)更新得到下一代种群P(t+1)，若在t＝T时，在整个进化过程中，选择适应度最大的个体作为优化得到的参数个体，得到优化的惩罚因子C、不敏感损失系数ε以及核函数参数γ，输入至支持向量回归机模型中，终止步骤5)；否则，重复步骤5.4)。

现有的快速公交BRT系统中，大量的交通信息采集系统可以采集到丰富的基础交通信息数据，但是由于先进数据处理技术未能完全融入快速公交系统中，快速公交在站台的停靠时间往往被忽略或者不能得到准确的预测，造成了快速公交有效信息丢失，公交优先手段缺少合理支撑的局面，交通快速公交的管理控制的信息化智能化水平和整体运行效率也因此显得较为低下。为了克服现有快速公交BRT系统中站台预测方法落后乃至缺失的问题，本发明提供一种快速公交停靠站的延误时间组合预测方法，在快速公交模式的前提下，通过交通信息采集设备采集相关数据，将快速公交在站台的停靠时间分为线性自回归部分和非线性部分，分别运用线性的自回归移动平均模型和非线性的支持向量回归机模型相组合的方法，对两部分分别进行预测，再叠加得最后较为准确的预测结果，促进了快速公交系统控制与管理水平的提升。现有的快速公交站台延误预测方法较为匮乏，且多以简单的数理统计模型为主，没有充分考虑复杂的交通巨系统中各因素相互作用的偶然性和非线性，这使得快速公交站台延误预测的科学性和准确性大大降低，使得交通信息的利用价值大打折扣。与现有技术不同，本发明快速公交停靠站的延误时间组合预测方法，是先将采集到的公交延误数据组成时间序列，通过一维数据移动自回归的方式，计算出初始预测结果，再将结果与真值进行比较，得出预测残差，并将残差映射到高维空间，运用非线性回归的方法得出预测结果的第二部分，再将两部分叠加得最终的预测结果。这样不仅考虑到延误序列的时间相关性对于车辆停站延误的约束，又运用高级的数据挖掘技术，保证了现实世界系统的非线性和偶然性在模型中加以体现，提升了快速公交站台延误预测的准确性，为公交的信号优先策略乃至整个公交系统的协调运行提供帮助。

附图说明

图1为本发明方法的流程图。

图2为车站局部格局示意图。

图3为组合预测方法最终效果图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种快速公交(BRT)停靠站的延误时间组合预测方法流程图，下面结合实例进一步说明。

(1)采集BRT公交站台所在路段的公交车辆、社会车辆和乘客的相关信息：本步骤中，

BRT公交车辆的相关信息包括：公交车进站延误时间t^delay _i；当下所检测的BRT公交车与上一辆BRT公交车的时间距离t^headway _i，其中i表示第i辆检测到的BRT公交车；

社会车辆相关信息包括：检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数n^traffic _i，以及距离停车处最近的下游交叉口进口道处的排队长度l^traffic _i，其中i表示这时检测到第i辆BRT公交车；

乘客相关信息：检测到第i辆BRT公交车时，造成此延误的上车乘客数nⁱⁿ _i和下车乘客数n^out _i，其中i表示这时检测到第i辆BRT公交车。

本实例中，BRT公交车辆相关信息中的公交车进站延误时间t^delay _i可由环形线圈检测器检测到的车辆占用该检测器时间得到，公交车的到站时间距离t^headway _i可以通过检测器检测到的公交车开始占用检测器的时间差得到，社会车辆数n^traffic _i，以及排队长度l^traffic _i，可采用视频法采集，即通过摄像机采集相关的视频，并通过专门的视频处理软件(例如，Adobe公司的PremierePro2.0)对视频信息进行处理，得出站台相应地段社会车辆的相关数据；上车乘客数nⁱⁿ _i和下车乘客数n^out _i可以安排足够的调查人员在公交到站的时刻对其进行计数。

(2)将步骤1)中采集到的BRT公交车延误数据t^delay _i(i＝1,2,3…N)按照采集到的时间顺序组成一个时间序列，建立自回归移动平均模型进行停站延误的初始预测模型：

$\mathrm{\φ}\left(B\right){\▿}^d{t^{delay}}_i=\mathrm{\θ}\left(B\right){\mathrm{\ϵ}}_i---\left(1\right)$

式中，为零均值白噪声序列；

d为非负整数，对应于普通差分阶数；

φ(B)＝1-φ₁B-…-φ_pB^p；

θ(B)＝1-θ₁B-…-θ_qB^q。p，q均为模型参数。

本实例中，以数学方法预测为主，仅采用公交延误值构成的一维时间序列数据，模型的基本形式已经确定，只需要确定模型中的必要参数，便可进行初步预测，具体步骤如下：

(21)观察数据序列散点图，判断数据序列是否平稳，若不平稳，执行步骤23)；

(22)调整差分的阶数d，直至数据序列平稳；

(23)观察数据序列的自相关函数和偏相关函数图，确定参数p，q的范围；

(24)确定初始参数p，q的值，用SPSS软件计算出相应的Akaike信息统计量。若信息统计量值最大，则执行步骤(26)，否则执行步骤25)；

(25)调整p，q的值(p，q均为整数)，重复步骤24)；

(26)输出初始预测序列t^preA _i；

(3)根据步骤2)中所预测到的结果和采集到的相关原始数据，确定下一步输入数据向量中的因子，包括主变量的属性变量。

本实例中，完成纯数学预测后，需要对公交车辆的运行交通环境与系统进行分析，确定与公交车运行相互作用的影响因素，并加以量化，用于非线性预测。该系统中，BRT公交车在公交专用道上行驶，但在常规自然环境的影响下，延误仍是人(主要是乘客)、公交车自身与社会车辆(运行信息与公交车在时间上仍有相关性)综合影响的整体。因此，将t^delay _i与t^preA _i作差，得到第一次预测的误差Δt^delay _i，将其所为下一步预测的输入向量的主变量，将步骤1)采集到的当下所检测的BRT公交车与上一辆BRT公交车的时间距离t^headway _i，检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数n^traffic _i，距离停车处最近的下游交叉口进口道处的排队长度l^traffic _i和乘客此时上下客的人数nⁱⁿ _i、n^out _i作为下一步预测输入向量的属性变量。

(4)根据步骤3)构造的输入向量序列x_i＝(Δt^delay _i，t^headway _i，n^traffic _i，l^traffic _i，nⁱⁿ _i，n^out _i)，将向量序列带入支持向量回归机模型中进行残差序列的预测，模型可通过下式子求解：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }W(\mathrm{\α},{\mathrm{\α}}^{*})=\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\left\{\begin{array}{c}\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i^{*}(y_i-\mathrm{\ϵ})-{\mathrm{\α}}_i\left(y_i+\mathrm{\ϵ}\right)\\ -\frac{1}{2}\underset{i=1}{\overset{l}{\Σ}}\underset{j=1}{\overset{l}{\Σ}}\left({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i\right)\left({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j\right)\\ K(x_i,x_j)\end{array}\right\}---\left(2\right)$

约束条件为：

$\left\{\begin{array}{c}0\≤{\mathrm{\α}}_i\≤C,i=1,\mathrm{...},l\\ 0\≤{\mathrm{\α}}_i^{*}\≤C,i=1,\mathrm{...},l\\ \underset{i=1}{\overset{l}{\Σ}}\left({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i\right)=0\end{array}\right.---\left(3\right)$

由此，求得的拉格朗日待定系数αⁱ和回归函数f(x)则为：

$f\left(x\right)=\underset{SVs}{\Σ}({\stackrel{\‾}{\mathrm{\α}}}_i-{\stackrel{\‾}{\mathrm{\α}}}_i^{*})K(x_i,x)---\left(4\right)$

其中K(x,x_i)成为核函数。

本实例中，已采集足够的数据供非线性回归过程进行训练，并选取核函数的方法将数据向量映射到高维特征空间中，既保证了复杂的系统特性在预测中的作用，又避免了庞大的高维运算与预测时效性之间的矛盾，具体步骤如下：

(41)判定输入向量维数是否大于10，若过高则进行步骤(42)；

(42)运行matlab软件的SVM工具箱，对输入向量进行降维和归一化操作；

(43)求解式(2)和式子(3)确定的规划问题，得出拉格朗日待定系数α_i和

(44)选择合适的核函数，构造回归函数；

(5)重复步骤4)运用遗传算法对支撑向量回归机模型的参数进行优化。

本实例中，支持向量机的预测难以一步到位，需要不断的迭代调整预测参数，才能达到良好的预测效果。因此借助以自然界中进化规律得来的遗传算法，随机搜索支持向量机预测中关键参数：惩罚因子、不敏感损失系数以及核函数参数，通过构建适应度函数作为优化标准，来选择最优的预测参数。具体步骤如下：

(51)确定遗传算法的具体优化参数：惩罚因子C、不敏感损失系数ε以及核函数参数γ；

(52)设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个优化参数个体作为初始群体P(0)；

(53)确定适应度函数，即支持向量机模型预测结果的均方误差的相反数 $g\left(x\right)=-MSE=-\frac{1}{n}\underset{i=1}{\overset{N}{\Σ}}{({{\mathrm{\Δt}}^{delay}}_i-{t^{preB}}_i)}^2,$ 并计算群体中每个个体的适应度；

(54)按照随机产生的概率分别执行步骤55)、步骤56)和步骤57)；

(55)执行选择运算：把优化的适应度好的个体直接遗传到下一代；

(56)执行交叉运算：两个父代个体的部分结构加以替换重组而生成新个体进入下一刻种群；

(57)执行变异运算：对群体中的个体串的某些基因座上的基因值作变动，构成新个体；

(58)更新得到下一代种群P(t+1)，若在t＝T时，在整个进化过程中，选择适应度最大的个体作为优化得到的参数个体，得到优化的惩罚因子C、不敏感损失系数ε以及核函数参数γ，输入至支持向量回归机模型中，终止步骤5)；否则，重复步骤5.4)。

(6)选取不同的核函数重复步骤4)和步骤5)至最大迭代遗传算法中设置的最大进化数目T，选择预测效果最优的核函数带入预测模型中。

本实例中，采用不同的核函数分别进行残差预测，以保证预测的科学性和准确性。采用过的核函数如下：多项式形式的核函数，即K(x,x_i)＝[(x^Tx_i)+1]^q；径向基形式的函数，即S形核函数，如K(x,x_i)＝tanh(v(x^Tx_i)+c)。最终采取多项式型核函数进行预测。

(7)将步骤2)和步骤6)所得的初始预测结果t^preA _i和残差预测结果t^preB _i进行累加，得到最终的预测结果t^pre _i。

依照上述方法预测快速公交BRT车辆的站台延误，可得到较为准确的预测结果，为快速公交系统的信息发布和整体控制提供有效帮助。

为了验证本发明方法的有效性，下面结合某城市公交干线上的某一重要站点，如图2所示，对本发明做进一步说明。

公交站台对应区段上的公交车进站延误时间t^delay _i，公交车的到站时间距离t^headway _i，社会车辆数n^traffic _i，排队长度l^traffic _i，以及上车乘客数nⁱⁿ _i和下车乘客数n^out _i的预测的部分数据如表1所示：

表1采集数据信息示例

数据编号	停站时间(s)	到站间隔(s)	社会车流量(pcu/h)	社会车队长(m)	上/下客数(人)
						1	10	152	1250	13	9/1
2	7	244	1250	9	1/3
						3	32	87	1250	4	4/22
4	11	183	1249	6	4/0
						5	14	2	1249	4	8/5

为保证预测中数据量足够进行非线性回归，预测数据样本量为215，首先观察仅由延误值构成序列的散点图(附图3中的蓝线)，可见数据序列较为平稳，无需进行差分处理，故差分阶数d的值为0；运用SPSS软件进行序列的自相关函数和偏相关函数图，初定p，q的范围均为0～20，迭代修改参数值后，当p＝4，q＝20时，初始预测效果最好，即第一步预测结果为ARIMA(4,0,20)的预测结果。

上述结果与原始值作差，构成输入向量之后，进入残差预测阶段。输入向量x_i＝(Δt^delay _i，t^headway _i，n^traffic _ixl^traffic _i，nⁱⁿ _i，n^out _i)维数较低，无需对向量进行降维和归一化处理，选择实验效果较好的多项式核函数进行非线性回归，并用遗传算法进行优化参数，遗传算法的迭代次数N为100次，种群数量为20，通过SVM的matlab工具箱可计算得到，惩罚因子为C＝18.0807，核函数参数γ＝81.5492，不敏感损失系数ε＝0.1899。。215个原始数据进行残差自检验的结果为：回归均方误差MSE＝6.75745，回归平方相关系数目R＝0.889977。

将以上两步预测结果叠加，得到快速公交站台延误组合预测方法的最终结果，如图3所示，其整体预测效果较为良好。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干可以预期的改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种快速公交停靠站的延误时间组合预测方法，其特征是，应用于快速公交BRT系统，通过交通信息采集设备采集相关数据，运用线性模型和非线性模型相组合的方法，对BRT车辆的站台延误进行预测，包括如下步骤：

1)采集BRT公交站台所在路段的公交车辆、社会车辆和乘客的相关信息：

BRT公交车辆的相关信息包括：公交车进站延误时间t^delay _i，当下所检测的BRT公交车与上一辆BRT公交车的时间距离t^headway _i，其中i表示第i辆检测到的BRT公交车；

社会车辆相关信息包括：检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数n^traffic _i，以及距离停车处最近的下游交叉口进口道处的排队长度l^traffic _i，其中i表示这时检测到第i辆BRT公交车；

乘客相关信息：检测到第i辆BRT公交车时，造成此延误的上车乘客数nⁱⁿ _i和下车乘客数n^out _i，其中i表示这时检测到第i辆BRT公交车；

2)将步骤1)中采集到的BRT公交车进站延误时间t^delay _i，其中i＝1,2,3…，N，按照采集到的时间顺序组成一个时间序列，建立自回归移动平均模型ARIMA进行停站延误的初始模型预测：

φ(B)▽^dt^delay _i＝θ(B)ε_i(1)

式中，▽^d＝(1-B)^d；ε_i为零均值白噪声序列；

d为非负整数，对应于普通差分阶数；

φ(B)＝1-φ₁B-…-φ_pB^p；

θ(B)＝1-θ₁B-…-θ_qB^q；p，q均为模型参数；

3)根据步骤2)中所预测到的结果t^preA _i，其中i＝1,2,3…，N，将t^delay _i与t^preA _i作差，得到第一次预测的误差Δt^delay _i，将其作为下一步预测的输入向量的主变量，将步骤1)采集到的当下所检测的BRT公交车与上一辆BRT公交车的时间距离t^headway _i，检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数n^traffic _i，距离停车处最近的下游交叉口进口道处的排队长度l^traffic _i和乘客此时上下车的人数nⁱⁿ _i、n^out _i作为下一预测输入向量的属性变量；

4)根据步骤3)构造的输入向量序列x_i＝(Δt^delay _i，t^headway _i，n^traffic _i，l^traffic _i，nⁱⁿ _i，n^out _i)，将向量序列带入支持向量回归机模型中进行残差序列的预测，模型通过下式求解：

$\begin{array}{c}\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }W(\mathrm{\α},{\mathrm{\α}}^{*})=\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i^{*}(y_i-\mathrm{\ϵ})-{\mathrm{\α}}_i(y_i+\mathrm{\ϵ})\\ -\frac{1}{2}\underset{i=1}{\overset{l}{\Σ}}\underset{j=1}{\overset{l}{\Σ}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)\·K(x_i,x_j)\}\end{array}---\left(2\right)$

约束条件为：

$\left\{\begin{array}{c}0\≤{\mathrm{\α}}_i\≤C,i=1,...,l\\ 0\≤{\mathrm{\α}}_i^{*}\≤C,i=1,...,l\\ \underset{i=1}{\overset{l}{\Σ}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)=0\end{array}\right.---\left(3\right)$

由此，求得的拉格朗日待定系数α_i和回归函数f(x)则为：

$f\left(x\right)=\underset{SVs}{\Σ}({\stackrel{\‾}{\mathrm{\α}}}_i-{\stackrel{\‾}{\mathrm{\α}}}_i^{*})K(x_i,x)---\left(4\right)$

其中K(x,x_i)为核函数；

5)运用遗传算法重复步骤4)，对支撑向量回归机模型的参数进行优化，优化参数有：惩罚因子C、不敏感损失系数ε以及核函数参数γ；

6)选取不同的核函数，每个核函数各自分别重复步骤4)和步骤5)至达到最大迭代遗传算法中设置的最大进化数目T，选择预测效果最优的核函数带入预测模型中；

7)将步骤2)和步骤6)所得的初始预测结果t^preA _i和残差预测结果t^preB _i进行累加，得到最终的预测结果t^pre _i。

2.根据权利要求1所述的快速公交停靠站的延误时间组合预测方法，其特征是步骤1)，在公交站台BRT车辆停车处布置检测器，测得第i辆公交车停靠的时间t^delay _i和到达的时刻t_i，与之前车辆到达的时间t_i-1作差，得到当下所检测的BRT公交车与上一辆BRT公交车的时间距离t^headway _i，在公交站台所在的道路路段和交叉口进口道上布置检测器，检测到路段上的社会车辆数n^traffic _i和距离停车处最近的下游交叉口进口道处的排队长度l^traffic _i，通过人工采集的方法，得到上下客人数nⁱⁿ _i、n^out _i。

3.根据权利要求1所述的快速公交停靠站的延误时间组合预测方法，其特征是步骤2)包括如下步骤：

2.1)观察数据序列散点图，判断数据序列是否平稳，若不平稳，执行步骤2.2)；

2.2)调整差分的阶数d，直至数据序列平稳；

2.3)观察数据序列的自相关函数和偏相关函数图，确定参数p，q的范围，p，q均为整数；

2.4)确定初始参数p，q的值，用SPSS软件计算出相应的Akaike信息统计量，若信息统计量值最大，则执行步骤2.6)，否则，执行步骤2.5)；

2.5)调整p，q的值，重复步骤2.4)；

2.6)输出初始预测结果t^preA _i。

4.根据权利要求1所述的快速公交停靠站的延误时间组合预测方法，其特征是步骤4)，具体为：

4.1)判定输入向量维数是否高于限值，若高于则进行步骤4.2)；

4.2)运行matlab软件的SVM工具箱，对输入向量进行降维和归一化操作；

4.3)求解式(2)和式子(3)确定的规划问题，得出拉格朗日待定系数α_i和

4.4)选择合适的核函数，构造回归函数。

5.根据权利要求4所述的快速公交停靠站的延误时间组合预测方法，其特征是步骤4.1)中的限值为10。

6.根据权利要求1所述的快速公交停靠站的延误时间组合预测方法，其特征是步骤5)，具体为：

5.1)确定遗传算法的具体优化参数：惩罚因子C、不敏感损失系数ε以及核函数参数γ；

5.2)设置进化数目计数器t＝0，设置最大进化数目T，随机生成M个优化参数个体作为初始群体P(0)；

5.3)确定适应度函数，即支持向量机模型预测结果的均方误差的相反数 $g\left(x\right)=-MSE=-\frac{1}{n}\underset{i=1}{\overset{N}{\Σ}}{({{\mathrm{\Δt}}^{delay}}_i-{t^{preB}}_i)}^2,$ 并计算群体中每个个体的适应度；

5.4)按照随机产生的概率分别执行步骤5.5)、步骤5.6)和步骤5.7)；

5.5)执行选择运算：把优化的适应度好的个体直接遗传到下一代；

5.6)执行交叉运算：两个父代个体的部分结构加以替换重组而生成新个体进入下一个种群；

5.7)执行变异运算：对群体中的个体串的某些基因座上的基因值作变动，构成新个体；

5.8)更新得到下一代种群P(t+1)，若在t＝T时，在整个进化过程中，选择适应度最大的个体作为优化得到的参数个体，得到优化的惩罚因子C、不敏感损失系数ε以及核函数参数γ，输入至支持向量回归机模型中，终止步骤5)；否则，重复步骤5.4)。