CN104318759B - 基于自学习算法的公交车停靠站时间实时估计方法及系统 - Google Patents

Abstract

本发明公开了一种基于自学习算法的公交车停靠站时间实时估计方法，首先获得公交车辆停靠站时间的历史统计值和获得公交车辆、公交站点等基础信息；然后计算车辆相关系数、站间车辆修正时间、前车信息修正时间和驾驶行为修正时间；最后计算公交车停靠站时间；本发明提供的方法是在历史数据模型的基础上，通过对公交车辆与目标站点之间的车辆以及其他历史数据的分析，运用自学习算法对基于历史数据模型预测结果给予实时的修正，提高了公交车辆的停靠站时间的预测精度，即保证了算法的实时性又能适应多变的交通条件。

Description

基于自学习算法的公交车停靠站时间实时估计方法及系统

技术领域

本发明涉及智能交通系统技术领域，特别涉及一种基于自学习算法的公交车停靠站时间实时估计方法。

背景技术

公交车辆在公交站点停靠时间与上车人数、下车人数、车门数量、时段、天气、车辆类型、售票方式、站点类型、站点位置、乘客候车位置、车辆到达过程等因素相关。在智能交通系统研究中，公交车的站点停靠时间对公交动态调度、公交优先信号控制、公交运行状态监测以及公交到站时间预测等方面具有重要的作用。目前大部分城市的公交车辆都安装了GPS终端，可以提供公交车辆运行的实时状态信息，该数据的实时信息包含：车辆所在站点编号(表征当前车辆最近驶过的站点、站间里程(表征车辆在一次运营过程中从起点站到当前GPS定位点的行驶里程)、车辆状态(表征车辆的进站情况、出站情况、到站情况以及站点类型等)、车辆瞬时速度(表征车辆当前时刻的速度)、行驶里程(表征车辆从安装GPS装置后行驶的总里程)、行车方向(表征车辆发车方向，例如：起点站到终点站的行车方向定为“1”，终点站到起点站的行车方向定为“0”)、经纬度位置、当前时间(表征当前GPS定位点的年月日、时分秒等信息)以及车辆限速值等，能较好地支撑公交车停靠站时间的估计。

现有的有关公交车站点停靠时间研究主要集中在公交停靠站时间的影响因素分析与规律分析,主要研究成果如下：

长安大学学报(自然科学版)公开了一种公共汽车中途站停靠时间模型，其在公交车辆中途站停靠的基本模型的基础上，引入修正系数对模型进行修正,并给出了修正系数的求值方法以及推荐取值范围，给出的停靠时间公式更加接近实际公交车站的车辆停靠时间。

公路交通科技公开了一种站点驻留时间估计和预测方法，其采用概率模型的方式来对公交车站点驻留时间进行估计和预测，运用多重线性回归并排除不显著因素,最后采用加权最小二乘回归模型来进行参数估计。

以往的公交车站点停靠时间估计的方法主要从影响因素分析和数据关联动态分析。影响因素分析主要从影响公交车辆停靠站时间的因素出发，由于车辆类型、售票方式、站点类型、站点位置等影响因素统计过程复杂，而上车人数、下车人数等因素的统计局限于目前的检测手段不能大范围应用。而在动态方法中，首先，车辆的在公交站点的停靠时间受到多种因素影响而表现出较大的随意性和突变性，波动较大、较频繁的数据对预测有较大影响，将导致预测的不可靠性；其次，公交车辆在存在相对规律的发车间隔，在公交线路正常运营时段，线路上存在多辆公交车辆，之前公交车辆在公交站点的停靠行为对后续公交车辆的站点的客流量具有较大的影响，而随着两车间的相对距离及相隔站点数的不同，这种影响作用的程度和方式也有所不同；最后，经过目标站点的其他公交车辆以及驾驶员的驾驶行为，对公交车的停靠站时间估计也有影响。

因此需要综合考虑以上因素，建立一种基于自学习算法的计算公交车辆停靠站时间估计的方法。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种基于自学习算法的计算公交车辆停靠站时间估计的方法。

本发明的目的之一是提出一种基于自学习算法的公交车停靠站时间实时估计方法；本发明的目的之二是提出一种基于自学习算法的公交车停靠站时间实时估计系统。

本发明的目的之一是通过以下技术方案来实现的：

本发明提供的一种基于自学习算法的公交车停靠站时间实时估计方法，包括以下步骤：

步骤1：获得公交车辆停靠站时间的历史统计值，所述历史统计值包括各公交站点的进站时间与出站时间以及不同车辆在各个站点的停站时间；

步骤2：获得公交车辆、公交站点基础信息，所述基础信息包括车辆IP、所属线路编号、GPS时间、站间里程、进出站信号、上一站编号、线路编号、站点编号和进出站里程值；

步骤3：计算车辆相关系数λ_j；

步骤4：根据车辆相关系数λ_j计算站间车辆修正时间ΔT_x；

步骤5：根据车辆相关系数λ_j计算前车信息修正时间ΔT_qn；

步骤6：计算驾驶行为修正时间ΔT_kt；

步骤7：采用以下公式来计算公交车站点停靠时间T_ntk：

T_ntk＝T_n+ΔT_x+ΔT_qn+ΔT_kt；

其中：T_ntk为t时刻公交车辆k在车站n的停靠时间的估计值；T_n为目标车辆在站点n的停靠站时间的历史统计值；ΔT_x为站间车辆修正时间；ΔT_qn为前车信息修正时间；ΔT_kt为驾驶行为修正时间。

进一步，所述步骤3中不同公交车辆在目标站点n之后的车辆相关系数λ_j按以下公式来计算：

${\mathrm{\λ}}_j=\frac{{2N}_s}{\stackrel{\‾}{N_t}+\stackrel{\‾}{N_j}};$

其中:N_s为线路LN_Cj与线路LN_k在公交站点n之后的重复站点数目；为线路LN_k在公交站点n之后的站点数目，为线路LN_Cj在目标站点n之间的站点数目。

进一步，所述步骤4中站间车辆修正时间ΔT_x按以下步骤来计算：

S41：距离影响因子和站点影响因子计算公式如下所示：

距离影响因子 ${\mathrm{\η}}_j=\frac{L_n-l_{C_j}}{L_n-l_k};$

站点影响因子 ${\mathrm{\χ}}_j=\frac{(n-n_j)}{(n-i)};$

站点差：p_j＝n_j-i；

其中，L_n为目标站点n的进站里程值，为车辆C_j的站间里程，l_k为目标车辆k的站间里程；n为目标站点的站点编号，n_j为车辆C_j最近驶过的站点编号值，i为目标车辆k最近驶过的站点编号值；

S42：根据影响因子和站点差计算公交车辆C_j对目标车辆在目标站点n的停靠站时间的修正因子α_j，公式如下：

${\mathrm{\α}}_j={\mathrm{\λ}}_j(1-{\mathrm{\η}}_j{\mathrm{\χ}}_j{e}^{\frac{1}{p_j+1}});$

S43：按以下公式来计算站间车辆修正因子：

${\mathrm{\α}}_b={\mathrm{\μ}}_b^0{\mathrm{\α}}_1+{\mathrm{\μ}}_b^1{\mathrm{\α}}_2+{\mathrm{\μ}}_b^2{\mathrm{\α}}_3+...+{\mathrm{\μ}}_b^{j-1}{\mathrm{\α}}_j;$

其中，α_b表示公交车停靠站时间修正因子，μ_b为遗忘因子，且μ_b∈(0,1)，μ_b越小则表示与目标车辆相隔车辆越多被遗忘得越快；

S44：按以下公式来计算站间车辆修正时间ΔT_x：

ΔT_x＝α_bT_n；

其中，α_b表示公交车停靠站时间的站间车辆修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

进一步，所述步骤5中前车信息修正时间ΔT_qn按以下步骤来计算：

S51：按以下公式来计算前车信息修正因子α_q如下：

${\mathrm{\α}}_q=\frac{{\mathrm{\μ}}_q^0\frac{t_1^s}{{T_1}^q}{\mathrm{\λ}}_1^p+{\mathrm{\μ}}_q^1\frac{t_2^s}{T_2^q}{\mathrm{\λ}}_2^p+...+{\mathrm{\μ}}_q^{m-1}\frac{t_m^s}{T_m^q}{\mathrm{\λ}}_m^p}{1+{\mathrm{\μ}}_q+{\mathrm{\μ}}_q^2+...+{\mathrm{\μ}}_q^{m-1}};$

其中，在t时刻到之前某一时刻t_b内，共有m辆公交车经过站点n，按照经过站点n的时间顺序，将其分别编号为车辆Q₁、车辆Q₂……车辆Q_m，各车辆在目标站点n的停靠时间分别为其各自的在目标站点n的停靠时间历史统计值分别为车辆Q_m与目标车辆k的相关系数为

S52：根据前车信息修正因子α_q计算出前车信息修正时间ΔT_qn如下所示：

ΔT_qn＝(α_q-1)T_n；

其中，α_q表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

进一步，所述步骤6中驾驶行为修正时间ΔT_kt按以下公式来计算：

S61：计算驾驶员驾驶行为修正因子的公式如下所示：

${\mathrm{\α}}_d=1-\frac{{\mathrm{\μ}}_d^0\frac{t_i^k}{T_i}+{\mathrm{\μ}}_d^1\frac{t_{i-1}^k}{T_{i-1}}+...+{\mathrm{\μ}}_d^{i-2}\frac{t_2^k}{T_2}}{1+{\mathrm{\μ}}_d^1+...+{\mathrm{\μ}}_d^{i-2}}$

其中，α_d表示根据该车已驶过的路段计算的驾驶员驾驶行为修正因子；分别为目标车辆k从站点2到最近停靠的站点i的停靠站时间；T₂、T₃……T_i分别为站点2到站点i的停靠时间历史统计值；μ_d为遗忘因子，且μ_d∈(0,1)，μ_d越小则表示过去的数据被遗忘得越快，此处μ_d取0.7；

S62：计算出前车信息修正时间ΔT_kq如下所示：

则ΔT_kq＝(1-α_d)T_n；

其中，α_d表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

本发明的目的之二是通过以下技术方案来实现的：

本发明提供的一种基于自学习算法的公交车停靠站时间实时估计系统，包括车辆停靠历史值采集模块、车辆基础信息采集模块、车辆相关系数计算模块、车辆修正时间计算模块、前车信息修正时间计算模块、驾驶行为修正时间计算模块和公交车站点停靠时间计算模块；

所述车辆停靠历史值采集模块，用于获得公交车辆停靠站时间的历史统计值，所述历史统计值包括各公交站点的进站时间与出站时间以及不同车辆在各个站点的停站时间；

所述车辆基础信息采集模块，用于获得公交车辆、公交站点基础信息，所述基础信息包括车辆IP、所属线路编号、GPS时间、站间里程、进出站信号、上一站编号、线路编号、站点编号和进出站里程值；

所述车辆相关系数计算模块，用于计算车辆相关系数λ_j；

所述车辆修正时间计算模块，用于根据车辆相关系数λ_j计算站间车辆修正时间ΔT_x；

所述前车信息修正时间计算模块，用于根据车辆相关系数λ_j计算前车信息修正时间ΔT_qn；

所述驾驶行为修正时间计算模块，用于计算驾驶行为修正时间ΔT_kt；

所述公交车站点停靠时间计算模块，用于采用以下公式来计算公交车站点停靠时间T_ntk：

T_ntk＝T_n+ΔT_x+ΔT_qn+ΔT_kt；

其中：T_ntk为t时刻公交车辆k在车站n的停靠时间的估计值；T_n为目标车辆在站点n的停靠站时间的历史统计值；ΔT_x为站间车辆修正时间；ΔT_qn为前车信息修正时间；ΔT_kt为驾驶行为修正时间。

进一步，所述车辆相关系数计算模块中不同公交车辆在目标站点n之后的车辆相关系数λ_j按以下公式来计算：

${\mathrm{\λ}}_j=\frac{{2N}_s}{\stackrel{\‾}{N_t}+\stackrel{\‾}{N_j}};$

其中:N_s为线路LN_Cj与线路LN_k在公交站点n之后的重复站点数目；为线路LN_k在公交站点n之后的站点数目，为线路LN_Cj在目标站点n之间的站点数目。

进一步，所述车辆修正时间计算模块步骤4中站间车辆修正时间ΔT_x按以下步骤来计算：

S41：距离影响因子和站点影响因子计算公式如下所示：

距离影响因子 ${\mathrm{\η}}_j=\frac{L_n-l_{C_j}}{L_n-l_k};$

站点影响因子 ${\mathrm{\χ}}_j=\frac{(n-n_j)}{(n-i)};$

站点差：p_j＝n_j-i；

其中，L_n为目标站点n的进站里程值，为车辆C_j的站间里程，l_k为目标车辆k的站间里程；n为目标站点的站点编号，n_j为车辆C_j最近驶过的站点编号值，i为目标车辆k最近驶过的站点编号值；

S42：根据影响因子和站点差计算公交车辆C_j对目标车辆在目标站点n的停靠站时间的修正因子α_j，公式如下：

${\mathrm{\α}}_j={\mathrm{\λ}}_j(1-{\mathrm{\η}}_j{\mathrm{\χ}}_j{e}^{\frac{1}{p_j+1}});$

S43：按以下公式来计算站间车辆修正因子：

${\mathrm{\α}}_b={\mathrm{\μ}}_b^0{\mathrm{\α}}_1+{\mathrm{\μ}}_b^1{\mathrm{\α}}_2+{\mathrm{\μ}}_b^2{\mathrm{\α}}_3+...+{\mathrm{\μ}}_b^{j-1}{\mathrm{\α}}_j;$

其中，α_b表示公交车停靠站时间修正因子，μ_b为遗忘因子，且μ_b∈(0,1)，μ_b越小则表示与目标车辆相隔车辆越多被遗忘得越快；

S44：按以下公式来计算站间车辆修正时间ΔT_x：

ΔT_x＝α_bT_n；

其中，α_b表示公交车停靠站时间的站间车辆修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

进一步，所述前车信息修正时间计算模块步骤5中前车信息修正时间ΔT_qn按以下步骤来计算：

S51：按以下公式来计算前车信息修正因子α_q如下：

${\mathrm{\α}}_q=\frac{{\mathrm{\μ}}_q^0\frac{t_1^s}{{T_1}^q}{\mathrm{\λ}}_1^p+{\mathrm{\μ}}_q^1\frac{t_2^s}{T_2^q}{\mathrm{\λ}}_2^p+...+{\mathrm{\μ}}_q^{m-1}\frac{t_m^s}{T_m^q}{\mathrm{\λ}}_m^p}{1+{\mathrm{\μ}}_q+{\mathrm{\μ}}_q^2+...+{\mathrm{\μ}}_q^{m-1}};$

其中，在t时刻到之前某一时刻t_b内，共有m辆公交车经过站点n，按照经过站点n的时间顺序，将其分别编号为车辆Q₁、车辆Q₂……车辆Q_m，各车辆在目标站点n的停靠时间分别为其各自的在目标站点n的停靠时间历史统计值分别为车辆Q_m与目标车辆k的相关系数为

S52：根据前车信息修正因子α_q计算出前车信息修正时间ΔT_qn如下所示：

ΔT_qn＝(α_q-1)T_n；

其中，α_q表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

进一步，所述驾驶行为修正时间计算模块中驾驶行为修正时间ΔT_kt按以下公式来计算：

S61：计算驾驶员驾驶行为修正因子的公式如下所示：

${\mathrm{\α}}_d=1-\frac{{\mathrm{\μ}}_d^0\frac{t_i^k}{T_i}+{\mathrm{\μ}}_d^1\frac{t_{i-1}^k}{T_{i-1}}+...+{\mathrm{\μ}}_d^{i-2}\frac{t_2^k}{T_2}}{1+{\mathrm{\μ}}_d^1+...+{\mathrm{\μ}}_d^{i-2}}$

其中，α_d表示根据该车已驶过的路段计算的驾驶员驾驶行为修正因子；分别为目标车辆k从站点2到最近停靠的站点i的停靠站时间；T₂、T₃……T_i分别为站点2到站点i的停靠时间历史统计值；μ_d为遗忘因子，且μ_d∈(0,1)，μ_d越小则表示过去的数据被遗忘得越快，此处μ_d取0.7；

S62：计算出前车信息修正时间ΔT_kq如下所示：

则ΔT_kq＝(1-α_d)T_n；

其中，α_d表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

本发明的有益效果在于：本发明提供的方法是在历史数据模型的基础上，通过对公交车辆与目标站点之间的车辆以及其他历史数据的分析，运用自学习算法对基于历史数据模型预测结果给予实时的修正，提高了公交车辆的停靠站时间的预测精度，即保证了算法的实时性又能适应多变的交通条件。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明公交车停靠站时间估计方法流程图；

图2为本发明公交车停靠站时间估计系统图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

实施例1

如图1所示，本发明提供的基于自学习算法的公交车站点停靠时间的实时预测方法，采用以下公式来计算公交车站点停靠时间：

T_ntk＝T_n+ΔT_x+ΔT_qn+ΔT_kt

其中：T_ntk为t时刻公交车辆k在车站n的停靠时间的估计值；T_n为目标车辆在站点n的停靠站时间的历史统计值；ΔT_x为站间车辆修正时间；ΔT_qn为前车信息修正时间；ΔT_kt为驾驶行为修正时间。

发明提供了一种公交车辆到站时间估计的方法，具体步骤包括：步骤1：获得公交车辆停靠站时间的历史统计值；步骤2：获得公交车辆、公交站点等基础信息；步骤3：计算车辆相关系数λ_j；步骤4：计算站间车辆修正时间ΔT_x；步骤5：计算前车信息修正时间ΔT_qn；步骤6：计算驾驶行为修正时间；步骤7：计算公交车停靠站时间T_ntk；具体步骤如下：

步骤一：获得公交车辆停靠站时间的历史统计值

基于GPS实时定位的数据，能够获取各公交站点的进站时间与出站时间，从而可以得到不同车辆在各个站点的停站时间。

步骤二：获得公交车辆、公交站点等基础信息

在进行停靠站时间估计之前，需要获得目标车辆及其相关车辆的基础信息。这些基础信息主要包括：车辆IP、所属线路编号、GPS时间、站间里程、进出站信号(、上一站编号。与此同时，还需要获得线路编号、站点编号、进出站里程值等公交站点的相关基础信息。

步骤三：计算车辆相关系数λ_j

计算其余车辆对目标车辆k停站时间的影响，首先需要确定车辆间的相关关系。两辆公交车辆可能属于同一条公交线路，也可能属于不同的公交线路；属于不同的公交线路的情况也不尽相同，不同的情况对其在目标站点n的停靠时间的影响也不同。

因此，为了区分不同线路的车辆对目标车辆在目标站点的停靠时间的影响不同，需要根据公交车辆所属公交线路的不同进行区分，故本发明又引入了对于两辆公交车的车辆相关系数λ_j的概念。基于乘客在公交站点上车后在其后站点下车的概率相等，本发明提出了计算不同公交车辆在目标站点n之后的车辆相关系数λ_j的公式如下所示：

${\mathrm{\λ}}_j=\frac{{2N}_s}{\stackrel{\‾}{N_t}+\stackrel{\‾}{N_j}}$

其中:N_s为线路LN_Cj与线路LN_k在公交站点n之后的重复站点数目；为线路LN_k在公交站点n之后的站点数目，为线路LN_Cj在目标站点n之间的站点数目。

λ_j的取值情况分为车辆C_j与公交车辆k属于同一线路和车辆不属于同一线路两种情况。由公式可知，若车辆属于同一线路，则车辆相关系数λ_j＝1；若车辆不属于同一线路，0≤λ_j＜1。车辆C_j与目标车辆k在公交站点n之后的重复站点数目为0，则车辆相关系数λ_j为0。

步骤四：计算站间车辆修正时间ΔT_x

公交车辆C_j的空间位置及所处站点不同，对目标车辆k在目标站点的停靠时间的影响也不尽相同。计算站间车辆C_j对目标车辆k停站时间的影响，需要根据实时GPS数据提供的车辆位置信息，得到公交车辆C_j与目标车辆k各自的绝对位置，并计算得出各车辆与目标车辆的相对位置，并统一比较其相对位置。

为了量化描述车辆C_j与目标车辆k之间的相对距离，本发明引入距离影响因子和站点影响因子，提出的距离影响因子和站点影响因子计算公式如下所示：

距离影响因子 ${\mathrm{\η}}_j=\frac{L_n-l_{C_j}}{L_n-l_k}$

站点影响因子 ${\mathrm{\χ}}_j=\frac{(n-n_j)}{(n-i)}$

站点差：p_j＝n_j-i

其中，L_n为目标站点n的进站里程值，为车辆C_j的站间里程，l_k为目标车辆k的站间里程；n为目标站点的站点编号，n_j为车辆C_j最近驶过的站点编号值，i为目标车辆k最近驶过的站点编号值。

根据上文计算的影响因子和站点差，可以得出公交车辆C_j对目标车辆在目标站点n的停靠站时间的修正因子α_j，公式如下：

${\mathrm{\α}}_j={\mathrm{\λ}}_j(1-{\mathrm{\η}}_j{\mathrm{\χ}}_j{e}^{\frac{1}{p_j+1}})$

与此同时，目标车辆与目标站点n之间的公交车数量对站点停靠时间的影响也很大，因此为了准确估计公交车辆的停靠站时间，需要根据目标车辆k与目标站点n之间的公交车数量及与目标车辆间的距离进行加权，故本发明又引入了遗忘因子，提出了站间车辆修正因子的公式如下所示：

${\mathrm{\α}}_b={\mathrm{\μ}}_b^0{\mathrm{\α}}_1+{\mathrm{\μ}}_b^1{\mathrm{\α}}_2+{\mathrm{\μ}}_b^2{\mathrm{\α}}_3+...+{\mathrm{\μ}}_b^{j-1}{\mathrm{\α}}_j$

其中，α_b表示公交车停靠站时间修正因子，μ_b为遗忘因子，且μ_b∈(0,1)，μ_b越小则表示与目标车辆相隔车辆越多被遗忘得越快。

根据上文计算，可以得到站间车辆修正时间ΔT_x的计算公式如下：

ΔT_x＝α_bT_n

其中，α_b表示公交车停靠站时间的站间车辆修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

步骤五：计算前车信息修正时间ΔT_qn

在目标车辆到达目标站点k以前，其余公交车辆会在目标站点k进行停靠，其余车辆在目标站点的停靠站时间能够反映实时的交通状态、客流量趋势等影响因素，对目标车辆的停靠站时间具有一定的参考意义。

在t时刻到之前某一时刻t_b内，共有m辆公交车经过站点n，按照经过站点n的时间顺序，将其分别编号为车辆Q₁、车辆Q₂……车辆Q_m，各车辆在目标站点n的停靠时间分别为 其各自的在目标站点n的停靠时间历史统计值分别为根据步骤三可计算车辆Q_m与目标车辆k的相关系数为由以上信息则可以计算出前车信息修正因子α_q如下：

${\mathrm{\α}}_q=\frac{{\mathrm{\μ}}_q^0\frac{t_1^s}{{T_1}^q}{\mathrm{\λ}}_1^p+{\mathrm{\μ}}_q^1\frac{t_2^s}{T_2^q}{\mathrm{\λ}}_2^p+...+{\mathrm{\μ}}_q^{m-1}\frac{t_m^s}{T_m^q}{\mathrm{\λ}}_m^p}{1+{\mathrm{\μ}}_q+{\mathrm{\μ}}_q^2+...+{\mathrm{\μ}}_q^{m-1}}$

根据前车信息修正因子α_q，可以计算出前车信息修正时间ΔT_qn如下所示：

ΔT_qn＝(α_q-1)T_n

其中，α_q表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

步骤六：计算驾驶行为修正时间ΔT_kt

不同的驾驶员的驾驶行为能反映车辆不同的驾驶特性，是公交车辆的停靠站时间的一个重要观测因素。计算驾驶行为修正因子首先要对该车的驾驶行为进行分析，本发明通过公交车辆在不同站点的停靠站时间来分析驾驶员的驾驶行为，同时考虑到城市道路交通状况的时变性，需要突出当前数据的影响并同时逐渐减弱旧数据的影响，因此，为了准确分析驾驶员的驾驶行为，需要根据数据的新旧程度不同，进行加权，故本发明又引入了遗忘因子，提出了计算驾驶员驾驶行为修正因子的公式如下所示：

${\mathrm{\α}}_d=1-\frac{{\mathrm{\μ}}_d^0\frac{t_i^k}{T_i}+{\mathrm{\μ}}_d^1\frac{t_{i-1}^k}{T_{i-1}}+...+{\mathrm{\μ}}_d^{i-2}\frac{t_2^k}{T_2}}{1+{\mathrm{\μ}}_d^1+...+{\mathrm{\μ}}_d^{i-2}}$

其中，α_d表示根据该车已驶过的路段计算的驾驶员驾驶行为修正因子；分别为目标车辆k从站点2到最近停靠的站点i的停靠站时间；T₂、T₃……T_i分别为站点2到站点i的停靠时间历史统计值；μ_d为遗忘因子，且μ_d∈(0,1)，μ_d越小则表示过去的数据被遗忘得越快，此处μ_d取0.7。

由于公交公司对车辆在线路上的运行时间有时间要求，因此驾驶员在后续车站的需要对之前的驾驶行为进行补偿。根据上文可以计算出前车信息修正时间ΔT_kq如下所示：

则ΔT_kq＝(1-α_d)T_n

其中α_d表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

步骤七：计算公交车停靠站时间T_ntk

根据前文中的计算，本发明提出了如下公交车辆停靠站时间预测方法，公式如下：

T_ntk＝T_n+ΔT_x+ΔT_qn+ΔT_kt

其中：T_ntk为t时刻公交车辆k在车站n的停靠时间的估计值；T_n为目标车辆在站点n的停靠站时间的历史统计值；ΔT_x为站间车辆修正时间；ΔT_qn为前车信息修正时间；ΔT_kt为驾驶行为修正时间。

本发明提供的技术方案的有益效果是：在历史数据模型的基础上，通过对公交车辆与目标站点之间的车辆以及其他历史数据的分析，运用自学习算法对基于历史数据模型预测结果给予实时的修正，提高了公交车辆的停靠站时间的预测精度，即保证了算法的实时性又能适应多变的交通条件。

实施例2

如图2所示，本实施例还提供了一种基于自学习算法的公交车停靠站时间实时估计系统，包括车辆停靠历史值采集模块、车辆基础信息采集模块、车辆相关系数计算模块、车辆修正时间计算模块、前车信息修正时间计算模块、驾驶行为修正时间计算模块和公交车站点停靠时间计算模块；

所述车辆停靠历史值采集模块，用于获得公交车辆停靠站时间的历史统计值，所述历史统计值包括各公交站点的进站时间与出站时间以及不同车辆在各个站点的停站时间；

所述车辆基础信息采集模块，用于获得公交车辆、公交站点基础信息，所述基础信息包括车辆IP、所属线路编号、GPS时间、站间里程、进出站信号、上一站编号、线路编号、站点编号和进出站里程值；

所述车辆相关系数计算模块，用于计算车辆相关系数λ_j；

所述车辆修正时间计算模块，用于根据车辆相关系数λ_j计算站间车辆修正时间ΔT_x；

所述前车信息修正时间计算模块，用于根据车辆相关系数λ_j计算前车信息修正时间ΔT_qn；

所述驾驶行为修正时间计算模块，用于计算驾驶行为修正时间ΔT_kt；

所述公交车站点停靠时间计算模块，用于采用以下公式来计算公交车站点停靠时间T_ntk：

T_ntk＝T_n+ΔT_x+ΔT_qn+ΔT_kt；

其中：T_ntk为t时刻公交车辆k在车站n的停靠时间的估计值；T_n为目标车辆在站点n的停靠站时间的历史统计值；ΔT_x为站间车辆修正时间；ΔT_qn为前车信息修正时间；ΔT_kt为驾驶行为修正时间。

所述车辆相关系数计算模块中不同公交车辆在目标站点n之后的车辆相关系数λ_j按以下公式来计算：

${\mathrm{\λ}}_j=\frac{{2N}_s}{\stackrel{\‾}{N_t}+\stackrel{\‾}{N_j}};$

其中:N_s为线路LN_Cj与线路LN_k在公交站点n之后的重复站点数目；为线路LN_k在公交站点n之后的站点数目，为线路LN_Cj在目标站点n之间的站点数目。

所述车辆修正时间计算模块步骤4中站间车辆修正时间ΔT_x按以下步骤来计算：

S41：距离影响因子和站点影响因子计算公式如下所示：

距离影响因子 ${\mathrm{\η}}_j=\frac{L_n-l_{C_j}}{L_n-l_k};$

站点影响因子 ${\mathrm{\χ}}_j=\frac{(n-n_j)}{(n-i)};$

站点差：p_j＝n_j-i；

其中，L_n为目标站点n的进站里程值，为车辆C_j的站间里程，l_k为目标车辆k的站间里程；n为目标站点的站点编号，n_j为车辆C_j最近驶过的站点编号值，i为目标车辆k最近驶过的站点编号值；

S42：根据影响因子和站点差计算公交车辆C_j对目标车辆在目标站点n的停靠站时间的修正因子α_j，公式如下：

${\mathrm{\α}}_j={\mathrm{\λ}}_j(1-{\mathrm{\η}}_j{\mathrm{\χ}}_j{e}^{\frac{1}{p_j+1}});$

S43：按以下公式来计算站间车辆修正因子：

${\mathrm{\α}}_b={\mathrm{\μ}}_b^0{\mathrm{\α}}_1+{\mathrm{\μ}}_b^1{\mathrm{\α}}_2+{\mathrm{\μ}}_b^2{\mathrm{\α}}_3+...+{\mathrm{\μ}}_b^{j-1}{\mathrm{\α}}_j;$

其中，α_b表示公交车停靠站时间修正因子，μ_b为遗忘因子，且μ_b∈(0,1)，μ_b越小则表示与目标车辆相隔车辆越多被遗忘得越快；

S44：按以下公式来计算站间车辆修正时间ΔT_x：

ΔT_x＝α_bT_n；

其中，α_b表示公交车停靠站时间的站间车辆修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

所述前车信息修正时间计算模块步骤5中前车信息修正时间ΔT_qn按以下步骤来计算：

S51：按以下公式来计算前车信息修正因子α_q如下：

${\mathrm{\α}}_q=\frac{{\mathrm{\μ}}_q^0\frac{t_1^s}{{T_1}^q}{\mathrm{\λ}}_1^p+{\mathrm{\μ}}_q^1\frac{t_2^s}{T_2^q}{\mathrm{\λ}}_2^p+...+{\mathrm{\μ}}_q^{m-1}\frac{t_m^s}{T_m^q}{\mathrm{\λ}}_m^p}{1+{\mathrm{\μ}}_q+{\mathrm{\μ}}_q^2+...+{\mathrm{\μ}}_q^{m-1}};$

其中，在t时刻到之前某一时刻t_b内，共有m辆公交车经过站点n，按照经过站点n的时间顺序，将其分别编号为车辆Q₁、车辆Q₂……车辆Q_m，各车辆在目标站点n的停靠时间分别为其各自的在目标站点n的停靠时间历史统计值分别为车辆Q_m与目标车辆k的相关系数为

S52：根据前车信息修正因子α_q计算出前车信息修正时间ΔT_qn如下所示：

ΔT_qn＝(α_q-1)T_n；

其中，α_q表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

所述驾驶行为修正时间计算模块中驾驶行为修正时间ΔT_kt按以下公式来计算：

S61：计算驾驶员驾驶行为修正因子的公式如下所示：

${\mathrm{\α}}_d=1-\frac{{\mathrm{\μ}}_d^0\frac{t_i^k}{T_i}+{\mathrm{\μ}}_d^1\frac{t_{i-1}^k}{T_{i-1}}+...+{\mathrm{\μ}}_d^{i-2}\frac{t_2^k}{T_2}}{1+{\mathrm{\μ}}_d^1+...+{\mathrm{\μ}}_d^{i-2}}$

其中，α_d表示根据该车已驶过的路段计算的驾驶员驾驶行为修正因子；分别为目标车辆k从站点2到最近停靠的站点i的停靠站时间；T₂、T₃……T_i分别为站点2到站点i的停靠时间历史统计值；μ_d为遗忘因子，且μ_d∈(0,1)，μ_d越小则表示过去的数据被遗忘得越快，此处μ_d取0.7；

S62：计算出前车信息修正时间ΔT_kq如下所示：

则ΔT_kq＝(1-α_d)T_n；

其中，α_d表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

实施例3

本实施例与实施例1的区别仅在于：

图1公交车停靠站时间估计方法图示。本发明基于自学习算法的公交车停靠站时间实时估计方法，其步骤的具体实施方式如下：

步骤一：获得公交车辆停靠站时间的历史统计值

基于GPS实时定位的数据，能够获取各个车辆在各公交站点的进站时间与出站时间，从而可以得到不同车辆在各个站点的停站时间。考虑到站点停靠时间的小时特性、周特性、车辆驾驶行为因素、天气因素等各个影响因素，统计不同情况出各个站点的停站时间，通过对长时间(一个月甚至几个月)的相关GPS数据的采集与分析，加权平均统计得到修正后的站点停靠时间的历史统计数据，建立多维的停站时间统计结果并存储。表1为某条公交线路的公交车辆停靠站时间的历史统计值

表1某条线路的公交车辆停靠站时间的历史统计值

表中公交线路共有n个站点，共有x辆公交车，考虑停靠站时间的周特性、小时特性、天气因素、节假日等不同条件，根据不同的情况统计其停靠站时间并记录到表中的Case1、Case2…CaseC中，分别记为表中的

在得到停靠站时间的历史统计值的基础上，再根据公交车辆的具体情况，判断其目标站点所属于的情况对应于哪种情况，再从表格中选取合适的停靠时间的历史统计值，将其值记为T_n。

步骤二：获得公交车辆、公交站点等基础信息

在进行公交车辆停靠站时间估计之前，需要获得目标车辆及其相关车辆的基础信息。具体内容如表2所示：

表2车辆实时数据表

表2中，车辆IP是公交车辆的唯一标示；GPS时间为GPS实时数据的上传时间，站间数据每10秒上传，进出站数据随时上传；站点编号为车辆所在站点的编号，进入某一站点后站点编号发生改变，1000表示此数据为进出站数据；站间里程表示车辆从始发站出发后在该线路上行驶的距离；进出站信号表示车辆的进出站状态，0表示进站信号，1表示出站信号，1000表示车辆行驶在站间；线路编号表示该车所在线路编号。

与此同时，还需要获得公交站点的相关基础信息，具体内容如表3所示：

表3公交线路基础信息表

表3中，线路编号表示该站点所在线路名称，站点编号表示站点顺序，从起点站1开始依次加1；进站里程表示车辆从始发站出发后到该站点进站时的累计里程值；出站里程表示车辆从始发站出发后到该站点出站时的累计里程值。

为便于后续计算，将此步骤获取的基础信息做以下声明：

公交车辆k为本发明进行公交站点停靠时间估计的目标车辆，目标站点为公交车辆k线路上的公交站点n。公交车辆k最近驶过的站点编号值为公交站点i，目标车辆k从站点2到最近停靠的站点i的停靠站时间分别为t时刻公交车辆k所在的位置记为站间里程l_k。

公交车辆k属于公交线路LN_k，公交线路LN_k共有N_k个公交站点(N_k≥n)，站点编号依次记为站点1、站点2…站点N_k，各个站点的进站里程值分别记为L₁、L₂……L_Nk，各个站点的站点停靠时间历史统计值分别为T₁、T₂……T_Nk。具体格式如表2所示。

假设在t时刻时，公交车辆k与目标站点n之间的公交车数量为j，分别将其按照与车辆k的距离依次记为车辆1、车辆2…车辆C_j。车辆C_j最近驶过的站点编号值分别记为 所处的位置距离始发站的距离分别为

车辆C_j属于线路LN_Cj。线路LN_Cj共个站点，站点编号依次记为站点1、站点2…站点各个站点的进站里程值分别记为其中若目标站点n存在于线路LN_Cj中则将其记为

步骤三：计算车辆相关系数λ_j

计算其余车辆对目标车辆k停站时间的影响，首先需要确定车辆间的相关关系。两辆公交车辆可能属于同一条公交线路，也可能属于不同的公交线路；属于不同的公交线路的情况也不尽相同，不同的情况对其在目标站点n的停靠时间的影响也不同。

因此，为了区分不同线路的车辆对目标车辆在目标站点的停靠时间的影响不同，需要根据公交车辆所属公交线路的不同进行区分，故本发明又引入了对于两辆公交车的车辆相关系数λ_j的概念。基于乘客在公交站点上车后在其后站点下车的概率相等，本发明提出了计算不同公交车辆在目标站点n之后的车辆相关系数λ_j的公式如下所示：

${\mathrm{\λ}}_j=\frac{{2N}_s}{\stackrel{\‾}{N_t}+\stackrel{\‾}{N_j}}$

其中:N_s为线路LN_Cj与线路LN_k在公交站点n之后的重复站点数目；为线路LN_k在公交站点n之后的站点数目，为线路LN_Cj在目标站点n之间的站点数目。

λ_j的取值情况分为车辆C_j与公交车辆k属于同一线路和车辆不属于同一线路两种情况。由公式可知，若车辆属于同一线路，则车辆相关系数λ_j＝1；若车辆不属于同一线路，0≤λ_j＜1。车辆C_j与目标车辆k在公交站点n之后的重复站点数目为0，则车辆相关系数λ_j为0。

车辆相关系数λ_j的具体计算方法如下：

由车辆基础信息可知，车辆k属于线路LN_k车辆C_j属于线路LN_Cj。对比线路LN_Cj与线路LN_k在目标站点n之后的重复站点数目，记重复站点数目为N_s；由公交车辆k属于公交线路LN_k共有N_k个公交站点，则在站点n后的站点数目为N_t＝N_k-n。

根据以上信息看，可以计算出车辆相关系数λ_j。

表4线路相关系数计算表

若目标车辆属于114线路，目标站点为红旗河沟西站，如表4所示，则可知线路重复站点N_s＝5，目标车辆的站点数相关车辆站点数为则根据公式可知车辆相关系数 ${\mathrm{\λ}}_j=\frac{{2N}_s}{\stackrel{\‾}{N_t}+\stackrel{\‾}{N_j}}=\frac{2*5}{14+14}=\frac{10}{28}=0.3571.$

步骤四：计算站间车辆修正时间ΔT_x

公交车辆C_j的空间位置及所处站点不同，对目标车辆k在目标站点的停靠时间的影响也不尽相同。计算站间车辆C_j对目标车辆k停站时间的影响，需要根据实时GPS数据提供的车辆位置信息，得到公交车辆C_j与目标车辆k各自的绝对位置，并计算得出各车辆与目标车辆的相对位置，并统一比较其相对位置。

为了量化描述车辆C_j与目标车辆k之间的相对距离，本发明引入距离影响因子和站点影响因子，提出的距离影响因子和站点影响因子计算公式如下所示：

距离影响因子 ${\mathrm{\η}}_j=\frac{L_n-l_{C_j}}{L_n-l_k}$

站点影响因子 ${\mathrm{\χ}}_j=\frac{(n-n_j)}{(n-i)}$

站点差：p_j＝n_j-i

其中，L_n为目标站点n的进站里程值，为车辆C_j的站间里程，l_k为目标车辆k的站间里程；n为目标站点的站点编号，n_j为车辆C_j最近驶过的站点编号值，i为目标车辆k最近驶过的站点编号值。

根据上文计算的影响因子和站点差，可以得出公交车辆C_j对目标车辆在目标站点n的停靠站时间的修正因子α_j，公式如下：

${\mathrm{\α}}_j={\mathrm{\λ}}_j(1-{\mathrm{\η}}_j{\mathrm{\χ}}_j{e}^{\frac{1}{p_j+1}})$

其中，e为自然对数，取值为2.72。

与此同时，目标车辆与目标站点n之间的公交车数量对站点停靠时间的影响也很大，因此为了准确估计公交车辆的停靠站时间，需要根据目标车辆k与目标站点n之间的公交车数量及与目标车辆间的距离进行加权，故本发明又引入了遗忘因子，提出了站间车辆修正因子的公式如下所示：

${\mathrm{\α}}_b={\mathrm{\μ}}_b^0{\mathrm{\α}}_1+{\mathrm{\μ}}_b^1{\mathrm{\α}}_2+{\mathrm{\μ}}_b^2{\mathrm{\α}}_3+...+{\mathrm{\μ}}_b^{j-1}{\mathrm{\α}}_j$

其中，α_b表示公交车停靠站时间修正因子，μ_b为遗忘因子，且μ_b∈(0,1)，μ_b越小则表示与目标车辆相隔车辆越多被遗忘得越快，此处μ_b取0.7。

根据上文计算，可以得到站间车辆修正时间ΔT_x的计算公式如下：

ΔT_x＝α_bT_n

其中，α_b表示公交车停靠站时间的站间车辆修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

步骤五：计算前车信息修正时间ΔT_qn

在目标车辆到达目标站点k以前，其余公交车辆会在目标站点k进行停靠，其余车辆在目标站点的停靠站时间能够反映实时的交通状态、客流量趋势等影响因素，对目标车辆的停靠站时间具有一定的参考意义。

在t时刻到之前某一时刻t_b内，共有m辆公交车经过站点n，按照经过站点n的时间顺序，将其分别编号为车辆Q₁、车辆Q₂……车辆Q_m，各车辆在目标站点n的停靠时间分别为 其各自的在目标站点n的停靠时间历史统计值分别为根据步骤三可计算车辆Q_m与目标车辆k的相关系数为由以上信息则可以计算出前车信息修正因子α_q如下：

${\mathrm{\α}}_q=\frac{{\mathrm{\μ}}_q^0\frac{t_1^s}{{T_1}^q}{\mathrm{\λ}}_1^p+{\mathrm{\μ}}_q^1\frac{t_2^s}{T_2^q}{\mathrm{\λ}}_2^p+...+{\mathrm{\μ}}_q^{m-1}\frac{t_m^s}{T_m^q}{\mathrm{\λ}}_m^p}{1+{\mathrm{\μ}}_q+{\mathrm{\μ}}_q^2+...+{\mathrm{\μ}}_q^{m-1}}$

其中μ_q为遗忘因子，且μ_q∈(0,1)，此处μ_q取0.7。

根据前车信息修正因子α_q，可以计算出前车信息修正时间ΔT_qn如下所示：

ΔT_qn＝(α_q-1)T_n

其中，α_q表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

步骤六：计算驾驶行为修正时间ΔT_kt

不同的驾驶员的驾驶行为能反映车辆不同的驾驶特性，是公交车辆的停靠站时间的一个重要观测因素。计算驾驶行为修正因子首先要对该车的驾驶行为进行分析，本发明通过公交车辆在不同站点的停靠站时间来分析驾驶员的驾驶行为，同时考虑到城市道路交通状况的时变性，需要突出当前数据的影响并同时逐渐减弱旧数据的影响，因此，为了准确分析驾驶员的驾驶行为，需要根据数据的新旧程度不同，进行加权，故本发明又引入了遗忘因子，提出了计算驾驶员驾驶行为修正因子的公式如下所示：

${\mathrm{\α}}_d=1-\frac{{\mathrm{\μ}}_d^0\frac{t_i^k}{T_i}+{\mathrm{\μ}}_d^1\frac{t_{i-1}^k}{T_{i-1}}+...+{\mathrm{\μ}}_d^{i-2}\frac{t_2^k}{T_2}}{1+{\mathrm{\μ}}_d^1+...+{\mathrm{\μ}}_d^{i-2}}$

其中，α_d表示根据该车已驶过的路段计算的驾驶员驾驶行为修正因子；分别为目标车辆k从站点2到最近停靠的站点i的停靠站时间；T₂、T₃……T_i分别为站点2到站点i的停靠时间历史统计值；μ_d为遗忘因子，且μ_d∈(0,1)，μ_d越小则表示过去的数据被遗忘得越快。

由于公交公司对车辆在线路上的运行时间有时间要求，因此驾驶员在后续车站的需要对之前的驾驶行为进行补偿。根据上文可以计算出前车信息修正时间ΔT_kq如下所示：

则ΔT_kq＝(1-α_d)T_n

其中α_d表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

步骤七：计算公交车停靠站时间T_ntk

根据前文中的计算，本发明提出了如下公交车辆停靠站时间预测方法，公式如下：

T_ntk＝T_n+ΔT_x+ΔT_qn+ΔT_kt

其中：T_ntk为t时刻公交车辆k在车站n的停靠时间的估计值；T_n为目标车辆在站点n的停靠站时间的历史统计值；ΔT_x为站间车辆修正时间；ΔT_qn为前车信息修正时间；ΔT_kt为驾驶行为修正时间。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明所限定的精神和范围。

Claims (10)

1.基于自学习算法的公交车停靠站时间实时估计方法，其特征在于：包括以下步骤：

步骤1：获得公交车辆停靠站时间的历史统计值，所述历史统计值包括各公交站点的进站时间与出站时间以及不同车辆在各个站点的停站时间；

步骤2：获得公交车辆、公交站点基础信息，所述基础信息包括车辆IP、所属线路编号、GPS时间、站间里程、进出站信号、上一站编号、线路编号、站点编号和进出站里程值；

步骤3：计算车辆相关系数λ_j；

步骤4：根据车辆相关系数λ_j计算站间车辆修正时间ΔT_x；

步骤5：根据车辆相关系数λ_j计算前车信息修正时间ΔT_qn；

步骤6：计算驾驶行为修正时间ΔT_kt；

步骤7：采用以下公式来计算公交车站点停靠时间T_ntk：

T_ntk＝T_n+ΔT_x+ΔT_qn+ΔT_kt；

其中：T_ntk为t时刻公交车辆k在车站n的停靠时间的估计值；T_n为目标车辆在站点n的停靠站时间的历史统计值；ΔT_x为站间车辆修正时间；ΔT_qn为前车信息修正时间；ΔT_kt为驾驶行为修正时间。

2.根据权利要求1所述的基于自学习算法的公交车停靠站时间实时估计方法，其特征在于：所述步骤3中不同公交车辆在目标站点n之后的车辆相关系数λ_j按以下公式来计算：

${\mathrm{\λ}}_j=\frac{2N_s}{\stackrel{\‾}{N_t}+\stackrel{\‾}{N_j}};$

其中:N_s为线路LN_Cj与线路LN_k在公交站点n之后的重复站点数目；为线路LN_k在公交站点n之后的站点数目，为线路LN_Cj在目标站点n之间的站点数目。

3.根据权利要求1所述的基于自学习算法的公交车停靠站时间实时估计方法，其特征在于：所述步骤4中站间车辆修正时间ΔT_x按以下步骤来计算：

S41：距离影响因子和站点影响因子计算公式如下所示：

距离影响因子

站点影响因子

站点差：p_j＝n_j-i；

其中，L_n为目标站点n的进站里程值，为车辆C_j的站间里程，l_k为目标车辆k的站间里程；n为目标站点的站点编号，n_j为车辆C_j最近驶过的站点编号值，i为目标车辆k最近驶过的站点编号值；

S42：根据影响因子和站点差计算公交车辆C_j对目标车辆在目标站点n的停靠站时间的修正因子α_j，公式如下：

${\mathrm{\α}}_j={\mathrm{\λ}}_j(1-{\mathrm{\η}}_j{\mathrm{\χ}}_j{e}^{\frac{1}{p_j+1}});$

S43：按以下公式来计算站间车辆修正因子：

${\mathrm{\α}}_b={\mathrm{\μ}}_b^0{\mathrm{\α}}_1+{\mathrm{\μ}}_b^1{\mathrm{\α}}_2+{\mathrm{\μ}}_b^2{\mathrm{\α}}_3+\mathrm{...}+{\mathrm{\μ}}_b^{j-1}{\mathrm{\α}}_j;$

其中，α_b表示公交车停靠站时间修正因子，μ_b为遗忘因子，且μ_b∈(0,1)，μ_b越小则表示与目标车辆相隔车辆越多被遗忘得越快；

S44：按以下公式来计算站间车辆修正时间ΔT_x：

ΔT_x＝α_bT_n；

其中，T_n为目标车辆在站点n的停靠站时间的历史统计值。

4.根据权利要求1所述的基于自学习算法的公交车停靠站时间实时估计方法，其特征在于：所述步骤5中前车信息修正时间ΔT_qn按以下步骤来计算：

S51：按以下公式来计算前车信息修正因子α_q如下：

${\mathrm{\α}}_q=\frac{{\mathrm{\μ}}_q^0\frac{t_1^s}{T_1^q}{\mathrm{\λ}}_1^p+{\mathrm{\μ}}_q^1\frac{t_2^s}{T_2^q}{\mathrm{\λ}}_2^p+\mathrm{...}+{\mathrm{\μ}}_q^{m-1}\frac{t_m^s}{T_m^q}{\mathrm{\λ}}_m^p}{1+{\mathrm{\μ}}_q+{\mathrm{\μ}}_q^2+\mathrm{...}+{\mathrm{\μ}}_q^{m-1}};$

其中，在t时刻到之前某一时刻t_b内，共有m辆公交车经过站点n，按照经过站点n的时间顺序，将其分别编号为车辆Q₁、车辆Q₂……车辆Q_m，各车辆在目标站点n的停靠时间分别为其各自的在目标站点n的停靠时间历史统计值分别为车辆Q_m与目标车辆k的相关系数为

S52：根据前车信息修正因子α_q计算出前车信息修正时间ΔT_qn如下所示：

ΔT_qn＝(α_q-1)T_n；

其中，α_q表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

5.根据权利要求1所述的基于自学习算法的公交车停靠站时间实时估计方法，其特征在于：所述步骤6中驾驶行为修正时间ΔT_kt按以下公式来计算：

S61：计算驾驶员驾驶行为修正因子的公式如下所示：

${\mathrm{\α}}_d=1-\frac{{\mathrm{\μ}}_d^0\frac{t_i^k}{T_i}+{\mathrm{\μ}}_d^1\frac{t_{i-1}^k}{T_{i-1}}+\mathrm{...}+{\mathrm{\μ}}_d^{i-2}\frac{t_2^k}{T_2}}{1+{\mathrm{\μ}}_d^1+\mathrm{...}+{\mathrm{\μ}}_d^{i-2}}$

其中，α_d表示根据该车已驶过的路段计算的驾驶员驾驶行为修正因子；分别为目标车辆k从站点2到最近停靠的站点i的停靠站时间；T₂、T₃……T_i分别为站点2到站点i的停靠时间历史统计值；μ_d为遗忘因子，且μ_d∈(0,1)，μ_d越小则表示过去的数据被遗忘得越快，此处μ_d取0.7；

S62：计算出前车信息修正时间ΔT_kq如下所示：

则ΔT_kq＝(1-α_d)T_n；

其中，T_n为目标车辆在站点n的停靠站时间的历史统计值。

6.基于自学习算法的公交车停靠站时间实时估计系统，其特征在于：包括车辆停靠历史值采集模块、车辆基础信息采集模块、车辆相关系数计算模块、车辆修正时间计算模块、前车信息修正时间计算模块、驾驶行为修正时间计算模块和公交车站点停靠时间计算模块；

所述车辆停靠历史值采集模块，用于获得公交车辆停靠站时间的历史统计值，所述历史统计值包括各公交站点的进站时间与出站时间以及不同车辆在各个站点的停站时间；

所述车辆基础信息采集模块，用于获得公交车辆、公交站点基础信息，所述基础信息包括车辆IP、所属线路编号、GPS时间、站间里程、进出站信号、上一站编号、线路编号、站点编号和进出站里程值；

所述车辆相关系数计算模块，用于计算车辆相关系数λ_j；

所述车辆修正时间计算模块，用于根据车辆相关系数λ_j计算站间车辆修正时间ΔT_x；

所述前车信息修正时间计算模块，用于根据车辆相关系数λ_j计算前车信息修正时间ΔT_qn；

所述驾驶行为修正时间计算模块，用于计算驾驶行为修正时间ΔT_kt；

所述公交车站点停靠时间计算模块，用于采用以下公式来计算公交车站点停靠时间T_ntk：

T_ntk＝T_n+ΔT_x+ΔT_qn+ΔT_kt；

其中：T_ntk为t时刻公交车辆k在车站n的停靠时间的估计值；T_n为目标车辆在站点n的停靠站时间的历史统计值；ΔT_x为站间车辆修正时间；ΔT_qn为前车信息修正时间；ΔT_kt为驾驶行为修正时间。

7.根据权利要求6所述的基于自学习算法的公交车停靠站时间实时估计系统，其特征在于：

所述车辆相关系数计算模块中不同公交车辆在目标站点n之后的车辆相关系数λ_j按以下公式来计算：

${\mathrm{\λ}}_j=\frac{2N_s}{\stackrel{\‾}{N_t}+\stackrel{\‾}{N_j}};$

其中:N_s为线路LN_Cj与线路LN_k在公交站点n之后的重复站点数目；为线路LN_k在公交站点n之后的站点数目，为线路LN_Cj在目标站点n之间的站点数目。

8.根据权利要求6所述的基于自学习算法的公交车停靠站时间实时估计系统，其特征在于：所述车辆修正时间计算模块步骤4中站间车辆修正时间ΔT_x按以下步骤来计算：

S41：距离影响因子和站点影响因子计算公式如下所示：

距离影响因子

站点影响因子

站点差：p_j＝n_j-i；

其中，L_n为目标站点n的进站里程值，为车辆C_j的站间里程，l_k为目标车辆k的站间里程；n为目标站点的站点编号，n_j为车辆C_j最近驶过的站点编号值，i为目标车辆k最近驶过的站点编号值；

S42：根据影响因子和站点差计算公交车辆C_j对目标车辆在目标站点n的停靠站时间的修正因子α_j，公式如下：

${\mathrm{\α}}_j={\mathrm{\λ}}_j(1-{\mathrm{\η}}_j{\mathrm{\χ}}_j{e}^{\frac{1}{p_j+1}});$

S43：按以下公式来计算站间车辆修正因子：

${\mathrm{\α}}_b={\mathrm{\μ}}_b^0{\mathrm{\α}}_1+{\mathrm{\μ}}_b^1{\mathrm{\α}}_2+{\mathrm{\μ}}_b^2{\mathrm{\α}}_3+\mathrm{...}+{\mathrm{\μ}}_b^{j-1}{\mathrm{\α}}_j;$

其中，α_b表示公交车停靠站时间修正因子，μ_b为遗忘因子，且μ_b∈(0,1)，μ_b越小则表示与目标车辆相隔车辆越多被遗忘得越快；

S44：按以下公式来计算站间车辆修正时间ΔT_x：

ΔT_x＝α_bT_n；

其中，T_n为目标车辆在站点n的停靠站时间的历史统计值。

9.根据权利要求6所述的基于自学习算法的公交车停靠站时间实时估计系统，其特征在于：所述前车信息修正时间计算模块步骤5中前车信息修正时间ΔT_qn按以下步骤来计算：

S51：按以下公式来计算前车信息修正因子α_q如下：

${\mathrm{\α}}_q=\frac{{\mathrm{\μ}}_q^0\frac{t_1^s}{T_1^q}{\mathrm{\λ}}_1^p+{\mathrm{\μ}}_q^1\frac{t_2^s}{T_2^q}{\mathrm{\λ}}_2^p+\mathrm{...}+{\mathrm{\μ}}_q^{m-1}\frac{t_m^s}{T_m^q}{\mathrm{\λ}}_m^p}{1+{\mathrm{\μ}}_q+{\mathrm{\μ}}_q^2+\mathrm{...}+{\mathrm{\μ}}_q^{m-1}};$

其中，在t时刻到之前某一时刻t_b内，共有m辆公交车经过站点n，按照经过站点n的时间顺序，将其分别编号为车辆Q₁、车辆Q₂……车辆Q_m，各车辆在目标站点n的停靠时间分别为其各自的在目标站点n的停靠时间历史统计值分别为车辆Q_m与目标车辆k的相关系数为

S52：根据前车信息修正因子α_q计算出前车信息修正时间ΔT_qn如下所示：

ΔT_qn＝(α_q-1)T_n；

其中，α_q表示公交车停靠站时间的前车信息修正因子，T_n为目标车辆在站点n的停靠站时间的历史统计值。

10.根据权利要求6所述的基于自学习算法的公交车停靠站时间实时估计系统，其特征在于：所述驾驶行为修正时间计算模块中驾驶行为修正时间ΔT_kt按以下公式来计算：

S61：计算驾驶员驾驶行为修正因子的公式如下所示：

${\mathrm{\α}}_d=1-\frac{{\mathrm{\μ}}_d^0\frac{t_i^k}{T_i}+{\mathrm{\μ}}_d^1\frac{t_{i-1}^k}{T_{i-1}}+\mathrm{...}+{\mathrm{\μ}}_d^{i-2}\frac{t_2^k}{T_2}}{1+{\mathrm{\μ}}_d^1+\mathrm{...}+{\mathrm{\μ}}_d^{i-2}}$

其中，α_d表示根据该车已驶过的路段计算的驾驶员驾驶行为修正因子；分别为目标车辆k从站点2到最近停靠的站点i的停靠站时间；T₂、T₃……T_i分别为站点2到站点i的停靠时间历史统计值；μ_d为遗忘因子，且μ_d∈(0,1)，μ_d越小则表示过去的数据被遗忘得越快，此处μ_d取0.7；

S62：计算出前车信息修正时间ΔT_kq如下所示：

则ΔT_kq＝(1-α_d)T_n；

其中，T_n为目标车辆在站点n的停靠站时间的历史统计值。