CN104167110A - 基于数据延迟估计的公交车到站信息预报准确度校正方法 - Google Patents

Abstract

一种基于数据延迟估计的公交车到站信息预报准确度校正方法，包括如下步骤：步骤一、获取数据延迟时间：利用GPS时间对电子站牌时间进行校准，记录数据采样时刻的GPS时间T₀和电子站牌接收到公交车到站预报信息的时间T₁，计算每个预报周期的数据延迟t_delay；步骤二、以GM(1,1)灰色预测模型估计下一个预报周期的数据延迟步骤三、计算车辆的平均速度步骤四、对距离预报数据进行校正；步骤五、对到站时间预测结果进行校正；步骤六、将校正后的车辆位置信息和公交车到站时间预测结果发送到电子站牌进行显示。本发明实现简单，同时通过对数据延迟时间的估计，可以有效减少数据延迟对公交车到站信息预报准确度的影响，从而更加准确地获取公交车实时所在位置信息。

Description

基于数据延迟估计的公交车到站信息预报准确度校正方法

技术领域

本发明属于道路车辆的交通控制系统技术领域，具体的为一种基于数据延迟估计的公交车到站信息预报准确度校正方法，适用于提升公交信息服务水平。

背景技术

作为城市公共交通的重要组成部分，公交车是市民出行的主要交通工具之一，可以有效缓解城市日益突出的交通拥挤问题。为了提升公交系统的整体服务水平，增强公交出行的吸引力，越来越多的城市开始在公交车站安装电子站牌。通过公交电子站牌，乘客可以及时了解到车辆的到站距离以及到站时间等公交车到站信息，从而合理安排自己的出行。

公交车到站信息预报的及时性和准确性直接影响了公交电子站牌效用的发挥，从当前的实践经验看，预报的公交车到站信息还不足以满足乘客需求。预报的到站距离往往和车辆实际所在位置存在较大的偏差；如车辆实际已经进站，但公交电子站牌显示的却是车辆距离本站还有一定距离。而车辆的到站时间又是和车辆当前所在位置相关的，位置信息的偏差将进一步地导致到站时间预测精度降低。

为了获取准确的车辆位置信息，提高公交车到站信息预报准确度，目前适用于公交车定位的技术主要有信标定位技术、航迹推算技术和GPS定位技术等。信标定位技术是在城市内均匀的设置固定的自动车辆识别设施，再依据车辆与路边设施的关系，求出车辆与信号标杆的相对位置，公交车具有行驶线路固定的特点，因此信标定位技术可以很好的确定公交车辆的位置，但该技术的定位精度依赖于信号杆设置的疏密程度，基础设施建设投入大；航迹推算技术利用力学原理进行定位，通过测量车辆的运行距离确定相对于运行起点的位置，但随着距离的增加，定位误差会累加；GPS定位技术具有连续性、误差有界、成本较低等优点，但在高楼林立的城市中，卫星信号容易受到遮挡，部分区域会成为定位盲区，即存在无法实现定位的缺陷。鉴于单一定位方式存在缺陷，公开号为CN103295415A的中国专利申请公开了一种基于双信标和双模通信的公交车定位方法，采用了将信标定位和GPS定位相结合的模式，实现了公交信息预报服务。

从现有公开文献中可以看出，现有的公交车到站信息预报的研究关注点都集中在定位技术本身，忽略了数据延迟对公交车到站信息预报准确度所带来的影响。公交电子站牌系统普遍以GPS定位数据作为基础数据来源，并通过无线通信网络对数据进行传输，导致数据产生延迟的原因主要包括：

1)服务器处理延迟：数据的收发和运算通常集中于服务器端，服务器需要完成大量计算，因此存在服务器处理延迟；

2)通信延迟：GPS数据的传输依赖于无线通信网络，GPRS的平均通信延迟约为10s～20s，通信延迟存在于数据采集过程和预报信息发布过程；

3)数据发送机制延迟。公交车GPS终端通常以5秒或10秒为间隔来发送一次当前数据，即使不考虑服务器处理延迟和数据通信延迟，电子站牌显示的公交车到站信息也不是实时的。

因此，需要一种有效的方法对数据延迟进行处理，以减少数据延迟产生的影响，从而提供更加准确的公交服务信息，为乘客出行带来便利。

发明内容

有鉴于此，本发明的目的在于提供一种基于数据延迟估计的公交车到站信息预报准确度校正方法，能够更加实时、准确地获取公交车所在位置信息，提高电子站牌服务水平。

为达到上述目的，本发明提供如下技术方案：

一种基于数据延迟估计的公交车到站信息预报准确度校正方法，包括如下步骤：

步骤一、获取数据延迟时间：利用GPS时间对电子站牌时间进行校准，记录数据采样时刻的GPS时间T₀和电子站牌接收到公交车到站预报信息的时间T₁，计算每个预报周期的数据延迟t_delay；

步骤二、以GM(1,1)灰色预测模型估计下一个预报周期的数据延迟

步骤三、计算车辆的平均速度

步骤四、对距离预报数据进行校正：

校正后的预报距离＝校正前的预报距离-Δs

$\mathrm{\Δs}={\hat{t}}_{\mathrm{delay}}(n+1)\·\stackrel{-}{V}$

步骤五、对到站时间预测结果进行校正：

步骤六、将校正后的车辆位置信息和公交车到站时间预测结果发送到电子站牌进行显示。

进一步，所述步骤二中，还包括以下步骤：

(1)按照时间先后顺序建立原始数据时延序列：

$T_{\mathrm{delay}}^0=(t_{\mathrm{delay}}^0\left(1\right),t_{\mathrm{delay}}^0\left(2\right),...,t_{\mathrm{delay}}^0\left(n\right))$

(2)对原始数据时延序列进行变换得到灰色生成序列；

(3)以GM(1,1)灰色预测模型建模；

(4)估计下一个预报周期的数据延迟

进一步，所述步骤二中，灰色序列生成方法为累加生成法、逆累加生成法、均值生成法或级比生成法。

进一步，所述灰色序列生成方法为累加生成法，且所述原始数据时延序列的累加灰色生成序列为：

$T_{\mathrm{delay}}^1=(t_{\mathrm{delay}}^1\left(1\right),t_{\mathrm{delay}}^1\left(2\right),...,t_{\mathrm{delay}}^1\left(n\right))$

其中，

$t_{\mathrm{delay}}^1\left(k\right)=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{t}_{\mathrm{delay}}^0\left(m\right),(k=\mathrm{1,2},...,n).$

进一步，所述GM(1,1)灰色预测模型为：

$t_{\mathrm{delay}}^0\left(k\right)+{\mathrm{at}}_{\mathrm{delay}}^l\left(k\right)=b$

其中，a，b为模型参数，

令，

$D=\left[\begin{array}{c}{t}_{\mathrm{delay}}^0\left(2\right)\\ t_{\mathrm{delay}}^0\left(3\right)\\ \·\\ \·\\ \·\\ t_{\mathrm{delay}}^0\left(n\right)\end{array}\right],B=\left[\begin{array}{cc}{-z}^1\left(2\right)& 1\\ {-z}^1\left(3\right)& 1\\ \·& \·\\ \·& \·\\ \·& \·\\ {-z}^1\left(n\right)& 1\end{array}\right]$

其中，

$z^1\left(k\right)=(t_{\mathrm{delay}}^1\left(k\right)+t_{\mathrm{dealy}}^1(k-1))*0.5,(k=\mathrm{2,3},...,n)$

则GM(1,1)灰色预测模型中参数的最小二乘估计为：

${(\hat{a},\hat{b})}^T={\left({\mathrm{BB}}^T\right)}^{-1}{B}^{T}D.$

进一步，所述下一个预报周期的数据延迟的估计值为：

${\hat{t}}_{\mathrm{delay}}(n+1)={\hat{t}}_{\mathrm{delay}}^1(n+1)-{\hat{t}}_{\mathrm{delay}}^1\left(n\right)=(1-e^{\hat{a}})(t_{\mathrm{delay}}^0\left(1\right)-\hat{b}/\hat{a})e^{-\hat{a}n}$

其中，

${\hat{t}}_{\mathrm{delay}}^1(k+1)=(t_{\mathrm{dealy}}^0\left(1\right)-\hat{b}/\hat{a})e^{-\hat{a}k}+\hat{b}/\hat{a},(k=2,3,...,n).$

进一步，所述步骤三中，

$\stackrel{-}{V}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i{\mathrm{\Δt}}_i/T$

T＝Δt₁+Δt₂+Δt₃+...Δt_n

其中，v_i为采样时刻车辆的瞬时速度；Δt_i为数据采样的时间间隔。

本发明的有益效果在于：

本发明基于数据延迟估计的公交车到站信息预报准确度校正方法在对公交车到站信息预报准确度进行校正时，只需通过对数据延迟时间进行估计并涉及车辆平均速度，而公交车辆的平均速度又可根据速度变化的连续性获得，由此不仅可以得到到站时间预测结果的偏差，也可以计算得到距离预报数据的偏差，进而提高公交车到站信息预报的准确度；另外，本发明基于数据延迟估计的公交车到站信息预报准确度校正方法还具有实现简单、计算量小和可靠性高的优点，且在不需要增加新的基础设施投入的同时，可以有效地提高公交车到站信息预报准确度。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明基于数据延迟估计的公交车到站信息预报准确度校正方法实施例的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1所示，为本发明基于数据延迟估计的公交车到站信息预报准确度校正方法实施例的流程图。本实施例基于数据延迟估计的公交车到站信息预报准确度校正方法，包括如下步骤：

步骤一、获取数据延迟时间：

(1)利用GPS时间对电子站牌时间进行校准，由于公交车辆的定位信息由安装在车上的GPS终端设备获得，因此得到的基础数据(如经纬度、速度、方向、里程值等)采样时间基准为GPS时间。为了更准确的获取数据时延值，需要保证电子站牌的时间也是以GPS时间作为基准；

(2)记录数据采样时刻的GPS时间T₀；

(3)记录电子站牌接收到公交车到站预报信息的时间T₁，并由电子站牌向数据处理中心返回；

(4)计算每个预报周期的数据延迟t_delay，即：

t_delay＝T₁-T₀(t_delay＞0)。

步骤二、以GM(1,1)灰色预测模型估计下一个预报周期的数据延迟具体的，包括以下步骤：

(1)按照时间先后顺序建立原始数据延迟t_delay的时延序列：

$T_{\mathrm{delay}}^0=(t_{\mathrm{delay}}^0\left(1\right),t_{\mathrm{delay}}^0\left(2\right),...,t_{\mathrm{delay}}^0\left(n\right));$

(2)对原始数据时延序列进行变换得到灰色生成序列，灰色生成序列可以在保持原有序列形式的前提下，改变序列中数据的值和性质，进而显现出数据变化的规律；灰色序列生成方法有累加生成法、逆累加生成法、均值生成法和级比生成法，本实施例灰色序列生成方法为累加生成法，且原始数据时延序列的累加灰色生成序列为：

$T_{\mathrm{delay}}^1=(t_{\mathrm{delay}}^1\left(1\right),t_{\mathrm{delay}}^1\left(2\right),...,t_{\mathrm{delay}}^1\left(n\right))$

其中，

$t_{\mathrm{delay}}^1\left(k\right)=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{t}_{\mathrm{delay}}^0\left(m\right),(k=\mathrm{1,2},...,n);$

(3)以GM(1,1)灰色预测模型建模，具体的，GM(1,1)灰色预测模型为：

$t_{\mathrm{delay}}^0\left(k\right)+{\mathrm{at}}_{\mathrm{delay}}^l\left(k\right)=b$

其中，a，b为模型参数，

令，

$D=\left[\begin{array}{c}{t}_{\mathrm{delay}}^0\left(2\right)\\ t_{\mathrm{delay}}^0\left(3\right)\\ \·\\ \·\\ \·\\ t_{\mathrm{delay}}^0\left(n\right)\end{array}\right],B=\left[\begin{array}{cc}{-z}^1\left(2\right)& 1\\ {-z}^1\left(3\right)& 1\\ \·& \·\\ \·& \·\\ \·& \·\\ {-z}^1\left(n\right)& 1\end{array}\right]$

其中，

$z^1\left(k\right)=(t_{\mathrm{delay}}^1\left(k\right)+t_{\mathrm{dealy}}^1(k-1))*0.5,(k=\mathrm{2,3},...,n)$

则GM(1,1)灰色预测模型中参数的最小二乘估计为：

${(\hat{a},\hat{b})}^T={\left({\mathrm{BB}}^T\right)}^{-1}{B}^{T}D.$

(4)估计下一个预报周期的数据延迟本实施例下一个预报周期的数据延迟的估计值为：

${\hat{t}}_{\mathrm{delay}}(n+1)={\hat{t}}_{\mathrm{delay}}^1(n+1)-{\hat{t}}_{\mathrm{delay}}^1\left(n\right)=(1-e^{\hat{a}})(t_{\mathrm{delay}}^0\left(1\right)-\hat{b}/\hat{a})e^{-\hat{a}n}$

其中，

${\hat{t}}_{\mathrm{delay}}^1(k+1)=(t_{\mathrm{dealy}}^0\left(1\right)-\hat{b}/\hat{a})e^{-\hat{a}k}+\hat{b}/\hat{a},(k=2,3,...,n).$

步骤三、计算车辆的平均速度利用物体在运动过程中速度是连续变化的，但在短时间内速度的变化很小，可以近似为匀速运动这一特点，利用如下公式计算得到车辆的平均速度

$\stackrel{-}{V}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i{\mathrm{\Δt}}_i/T$

T＝Δt₁+Δt₂+Δt₃+...Δt_n

其中，v_i为采样时刻车辆的瞬时速度；Δt_i为GPS数据采样的时间间隔，通常为5s或者10s，也包括其它采样时间间隔，且采样时间间隔不是固定值。

步骤四、对距离预报数据进行校正：

在从原有GPS数据中获得的公交车辆距离本站还有多少米的基础上，可以对预报距离进行校正如下：

校正后的预报距离＝校正前的预报距离-Δs

其中，由于数据延迟造成的位置信息偏差为：

$\mathrm{\Δs}={\hat{t}}_{\mathrm{delay}}(n+1)\·\stackrel{-}{V}.$

步骤五、对到站时间预测结果进行校正，目前用于预测公交车到站时间的模型包括时间序列模型、卡尔曼滤波模型、神经网络模型和多元回归模型等；由于公交电子站牌通常显示的是相对时间，如车辆还有多少分钟到达本站点，因此本实施例针对预测模型得到的公交车到站时间预测结果进行校正如下：

步骤六、将校正后的车辆位置信息和公交车到站时间预测结果发送到电子站牌进行显示。

本实施例基于数据延迟估计的公交车到站信息预报准确度校正方法在对公交车到站信息预报准确度进行校正时，只需通过对数据延迟时间进行估计并涉及车辆平均速度，而公交车辆的平均速度又可根据速度变化的连续性获得，由此不仅可以得到到站时间预测结果的偏差，也可以计算得到距离预报数据的偏差，进而提高公交车到站信息预报的准确度；另外，本实施例基于数据延迟估计的公交车到站信息预报准确度校正方法还具有实现简单、计算量小和可靠性高的优点，且在不需要增加新的基础设施投入的同时，可以有效地提高公交车到站信息预报准确度。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (7)

1.一种基于数据延迟估计的公交车到站信息预报准确度校正方法，其特征在于：包括如下步骤：

步骤一、获取数据延迟时间：利用GPS时间对电子站牌时间进行校准，记录数据采样时刻的GPS时间T₀和电子站牌接收到公交车到站预报信息的时间T₁，计算每个预报周期的数据延迟t_delay；

步骤二、以GM(1,1)灰色预测模型估计下一个预报周期的数据延迟

步骤三、计算车辆的平均速度

步骤四、对距离预报数据进行校正：

校正后的预报距离＝校正前的预报距离-Δs

$\mathrm{\Δs}={\hat{t}}_{\mathrm{delay}}(n+1)\·\stackrel{-}{V}$

步骤五、对到站时间预测结果进行校正：

步骤六、将校正后的车辆位置信息和公交车到站时间预测结果发送到电子站牌进行显示。

2.根据权利要求1所述基于数据延迟估计的公交车到站信息预报准确度校正方法，其特征在于：所述步骤二中，还包括以下步骤：

(1)按照时间先后顺序建立原始数据时延序列：

$T_{\mathrm{delay}}^0=(t_{\mathrm{delay}}^0\left(1\right),t_{\mathrm{delay}}^0\left(2\right),...,t_{\mathrm{delay}}^0\left(n\right))$

(2)对原始数据时延序列进行变换得到灰色生成序列；

(3)以GM(1,1)灰色预测模型建模；

(4)估计下一个预报周期的数据延迟

3.根据权利要求2所述基于数据延迟估计的公交车到站信息预报准确度校正方法，其特征在于：所述步骤二中，灰色序列生成方法为累加生成法、逆累加生成法、均值生成法或级比生成法。

4.根据权利要求3所述基于数据延迟估计的公交车到站信息预报准确度校正方法，其特征在于：所述灰色序列生成方法为累加生成法，且所述原始数据时延序列的累加灰色生成序列为：

$T_{\mathrm{delay}}^1=(t_{\mathrm{delay}}^1\left(1\right),t_{\mathrm{delay}}^1\left(2\right),...,t_{\mathrm{delay}}^1\left(n\right))$

其中，

$t_{\mathrm{delay}}^1\left(k\right)=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{t}_{\mathrm{delay}}^0\left(m\right),(k=\mathrm{1,2},...,n).$

5.根据权利要求4所述基于数据延迟估计的公交车到站信息预报准确度校正方法，其特征在于：所述GM(1,1)灰色预测模型为：

$t_{\mathrm{delay}}^0\left(k\right)+{\mathrm{at}}_{\mathrm{delay}}^l\left(k\right)=b$

其中，a，b为模型参数，

令，

$D=\left[\begin{array}{c}{t}_{\mathrm{delay}}^0\left(2\right)\\ t_{\mathrm{delay}}^0\left(3\right)\\ \·\\ \·\\ \·\\ t_{\mathrm{delay}}^0\left(n\right)\end{array}\right],B=\left[\begin{array}{cc}{-z}^1\left(2\right)& 1\\ {-z}^1\left(3\right)& 1\\ \·& \·\\ \·& \·\\ \·& \·\\ {-z}^1\left(n\right)& 1\end{array}\right]$

其中，

$z^1\left(k\right)=(t_{\mathrm{delay}}^1\left(k\right)+t_{\mathrm{dealy}}^1(k-1))*0.5,(k=\mathrm{2,3},...,n)$

则GM(1,1)灰色预测模型中参数的最小二乘估计为：

${(\hat{a},\hat{b})}^T={\left({\mathrm{BB}}^T\right)}^{-1}{B}^{T}D.$

6.根据权利要求5所述基于数据延迟估计的公交车到站信息预报准确度校正方法，其特征在于：所述下一个预报周期的数据延迟的估计值为：

${\hat{t}}_{\mathrm{delay}}(n+1)={\hat{t}}_{\mathrm{delay}}^1(n+1)-{\hat{t}}_{\mathrm{delay}}^1\left(n\right)=(1-e^{\hat{a}})(t_{\mathrm{delay}}^0\left(1\right)-\hat{b}/\hat{a})e^{-\hat{a}n}$

其中，

${\hat{t}}_{\mathrm{delay}}^1(k+1)=(t_{\mathrm{dealy}}^0\left(1\right)-\hat{b}/\hat{a})e^{-\hat{a}k}+\hat{b}/\hat{a},(k=2,3,...,n).$

7.根据权利要求1所述基于数据延迟估计的公交车到站信息预报准确度校正方法，其特征在于：所述步骤三中，

$\stackrel{-}{V}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i{\mathrm{\Δt}}_i/T$

T＝Δt₁+Δt₂+Δt₃+...Δt_n

其中，v_i为采样时刻车辆的瞬时速度；Δt_i为数据采样的时间间隔。