CN104715630B - 一种到站时间预测系统与方法 - Google Patents
一种到站时间预测系统与方法 Download PDFInfo
- Publication number
- CN104715630B CN104715630B CN201510094269.5A CN201510094269A CN104715630B CN 104715630 B CN104715630 B CN 104715630B CN 201510094269 A CN201510094269 A CN 201510094269A CN 104715630 B CN104715630 B CN 104715630B
- Authority
- CN
- China
- Prior art keywords
- station
- arrival time
- vehicle
- information
- hourage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims description 45
- 230000001413 cellular effect Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 18
- 230000009471 action Effects 0.000 abstract description 8
- 238000013530 stochastic neural network Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 25
- 210000002569 neuron Anatomy 0.000 description 22
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 210000004218 nerve net Anatomy 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Navigation (AREA)
Abstract
一种基于随机类神经网络群的到站时间预测系统与方法,车载行动设备周期性地获取定位信息(经纬度坐标),并与车载行动设备中的站点信息(为一多边形或圆形区域)进行比较判断是否到站(或离站),再回报到站(或离站)信息和时间点给云端服务器。云端服务器负责收集由车载行动设备所回报的到站(或离站)信息并分析各个站点间的旅行时间,将此数据储存到云端数据库服务器中,再将旅行时间数据集合用来训练随机类神经网络群算法的参数值。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种到站时间预测系统与方法。
背景技术
目前,公共交通工具到站时间预测的现有技术为:采用历史数据来进行统计和平均,取得各个站到站之间的平均车速和旅行时间,或者是应用当下车辆实时的瞬时车速信息,以此来估计到站时间。然而,这些方法无法反应站点间实时的路况变化情况,因而造成较大的到站时间信息误差。
公开号为TW201137803的台湾专利,主要提出收集过去公交车所回报的到站信息来估计站到站之间的平均车速和旅行时间,并可以按照不同的星期和时段来进行统计,当使用者查询时可以获得历史平均车速和旅行时间。虽然此方法可以快速地提供预估到站时间,然而主要是采用历史数据平均值,因而无法根据实时路况来进行到站时间的预测,故有可能在到站时间预测上造成较大的误差。
公开号为TW201344647的台湾专利,在预测到站时间后,根据公交车实时的位置信息,给驾驶人提供车速调整建议,以此来提高到站准点率。虽然此方法可以预估到站时间,也可以提供到站准点控制,但是该方法主要采用的是历史数据的平均值,而无法根据实时路况来进行到站时间的预测,故有可能造成到站时间预测上较大的误差。
台湾专利公开号为TW201405497的台湾专利,主要提出当车载行动设备经过各个路段时,通过车载行动设备将各个路段的旅行时间实时回报给后端的监控中心,再由监控中心将每个路段的最短旅行时间和最长旅行时间发布给所有车载行动设备。若车载行动设备的旅行时间介于最短旅行时间和最长旅行时间之间,则不再回报。此方法虽然可以有效掌握各个路段的旅行时间和减少传输数量,但并未提出公交车到站时间的预测方法,故无法预测公交车到站信息。
公开号为TW201117146的台湾专利,主要提供查询公交车旅行时间的方法,可让使用者查询到其欲搭乘的公交车的实时位置和旅行时间。虽然此方法可以让使用者查询到公交车实时的位置和旅行时间,但并未提出公交车到站时间的预测方法,故无法预测公交车到站信息。
公开号为TW200828190的台湾专利,主要提出利用使用者的行动设备来接收到站信息,当使用者抵达站点时,会发出通知来提醒使用者。虽然此方法可以在到达站点时提醒使用者,可以提供实时的到站信息,然而却无法提供预测信息。
公告号为TWI252441的台湾专利,主要提出通过公交车接收卫星定位信号,并实时的将位置信息回传至监控中心,再由监控中心的预测模块根据公交车实时位置进行到站时间预测。虽然此方法可以提供到站时间预测,但专利中仅提到参考经验值,而未来明确提到公交车到站时间的预测方法。
公告号为TWI341998的台湾专利,主要提出根据公交车的实时车速和公交车到各个站点的距离,来预测旅行时间;以及根据使用者的步行速度和使用者到各个站点的距离,来计算步行时间。最后再根据旅行时间和步行时间来估计适合的站点。虽然此方法可以提供公交车旅行时间的预测方法,但此方法主要考虑的是公交车当下的实时车速和到站距离,然而车辆和站点间的交通信息并未被考虑,故有可能造成到站时间预测上较大的误差。
公开号为TW201232489的台湾专利,提出运用希尔伯特-黄转换(HHT)的经验模态分解法结合灰模式来预测行车速度,再根据预估的车速换算为旅行时间和到站时间。虽然此方法可以有效运用数学和统计模型进行车速预测,但是因为此方法运用所有的数据进行分析,故无法避免极端值的影响,将有可能造成到站时间预测上较大的误差。
发明内容
鉴于上述现有技术的问题,本发明的目的是在提供一种到站时间预测系统与方法,通过收集各个路段和时段的站到站之间的旅行时间,并提出新颖的随机类神经网络群来分析上述的旅行时间数据集合,建立多个类神经网络模型来避免极端值的影响,以及综合考虑多个类神经网络模型的预测结果来提升预测的准确度,以此来预测使用者欲搭乘的公交车的到站时间,将预测结果提供给使用者作为参考。
本发明的到站时间预测系统包括多个车站站牌、多个车载终端设备、多个细胞网络基地台、云端运算服务器、云端历史数据库以及多个到站时间预测系统客户端设备。其中,各车站站牌具有一个经纬度坐标信息。当每个所述车载终端设备接近所述多个车站站牌时,每个所述车载终端设备感测到所述多个经纬度坐标信息,进而产生到站信息。到站信息通过所述多个细胞网络基地台进行传送,而云端运算服务器接收来自细胞网络基地台的到站信息后,计算出旅行时间,再根据旅行时间以及查询站点预测剩余旅行时间,并转换为到站时间,再将到站时间通过细胞网络基地台进行传送。云端历史数据库储存有经纬度坐标信息以及车站站牌之间的旅行时间。到站时间预测系统客户端设备发送查询站点,并接收通过细胞网络基地台传送的到站时间,再显示到站时间。
本发明的到站时间预测方法包括下列步骤:设定随机类神经网络群算法参数值;读取历史数据库中的站到站之间的旅行时间;随机产生m个类神经网络模型;过滤掉正确率低于门限值的类神经网络模型后,剩余k个类神经网络模型;取得实时的站到站之间的旅行时间或测试阶段中的测试数据;将旅行时或测试数据输入到过滤后的k个类神经网络模型中,并预测站到站的旅行时间;以及在取得预测的站到站的旅行时间后,换算为目标站点的到达时间。
综上所述,本发明的到站时间预测系统及方法,具有下述中的一个或多个优点:
1.本发明收集实时的各个路段和时段的站到站之间的旅行时间来估计目前车辆位置到达目标站点的旅行时间。
2.本发明提出新颖的随机类神经网络群来分析上述旅行时间数据集合,建立多个类神经网络模型,再综合考虑多个类神经网络模型的预测结果来提升预测准确度,以此来预测使用者欲搭乘的公交车的到站时间,将预测结果提供给使用者作为参考。
3.本发明在随机类神经网络群算法的学习阶段中,为每个类神经网络模型分别从数据集合中随机取出多笔数据作为训练数据,并将剩余的资料作为在训练阶段中的测试数据,再将训练数据输入到各个类神经网络模型中进行学习,因而可避免极端值的影响。
4.本发明在随机类神经网络群算法的测试阶段和实行阶段中,运用各个类神经网络模型所预测的旅行时间与训练阶段所学习得到的权重进行加权平均,最后将加权平均后的旅行时间作为此随机类神经网络群算法的旅行时间预测值,并将旅行时间换算为到站时间,以此进行到站时间预测。
附图说明
图1为本发明实施例一到站时间预测系统的结构示意图;
图2为本发明实施例二到站时间预测方法的流程示意图;
图3为本发明实施例三到站时间预测方法的流程示意图;
图4为本发明实施例四类神经网络模型的示意图;
图5为本发明实施例五预测旅行时间的示意图。
具体实施方式
参考图1,本发明是关于一种基于随机类神经网络群的到站时间预测的系统。该系统主要可以预测车辆的到站时间,适用于客运业者、物流业者、或其它有到站时间预测需求的相关业者,并将预测的到站时间提供给客户端设备,让客户或使用者可以实时掌握车辆信息和到站信息,节省等候时间,其中主要包含下列六个模块:(1)多个车站站牌100:此站牌设备主要包含有一组经纬度坐标信息,并且此信息可预先储存在车载终端设备和云端运算服务器中,当车载终端设备接近车站站牌时,车载终端设备可以感知到站信息。此外,此站牌设备也可以嵌入RFID(Radio Frequency IDentification,无线射频辨识)标签,当车辆临近时可以感知站牌,并可以此来判断到站。(2)多个车载终端设备101:此设备主要包含有GPS(Global Positioning System,全球定位系统)模块、细胞网络模块、以及数据库模块(并未在图1中画出),可以收集车辆当前位置(包含经纬度坐标),以及判断目前位置是否临近车站站牌100,若在车站站牌100附近的范围内则判断到站,并将到站信息和时间点通过细胞网络基地台102回传至云端运算服务器端103。此外,在到站判断的部分,车载终端设备101也可以嵌入RFID读取器,当车辆临近时可以感知站牌,可以接收来自站牌设备的RFID卷标信号,来判断是否到站。(3)多个细胞网络基地台102:每个细胞网络基地台102提供数据的传送功能和数据的接收功能,负责车载终端设备101、云端运算服务器103、以及到站时间预测系统客户端设备106之间的数据传输。(4)云端运算服务器103:此服务器主要可以收集和分析来自车载终端设备101的到站信息、到站时间点,根据每个到站时间点计算出每个站到站之间的旅行时间,再将使用者查询的目标站点的行驶路线上的前多个站到站之间的旅行时间的数据集合,输入到本发明所提出的随机类神经网络群到站时间预测方法所训练完成的类神经网络群,进行分析和运算以此来获取到达目标站点的剩余旅行时间预测,再换算为到达目标站点的到站时间。(5)云端历史数据库105:此数据库主要可以储存历史的每个站到站之间的旅行时间,可以用来作为随机类神经网络群的训练数据集合,用来训练每个类神经网络模型。(6)多个到站时间预测系统客户端设备106:此设备可以为一个行动式设备,具有人机互动接口和网络传输模块,可让使用者通过此设备查询和展示其欲取得的目标站点的到站时间预测。并可由使用者预先设定好其欲搭乘的站点和时间,再由此设备主动更新和判断,当车辆即将到达时主动给使用者发出提醒信息和声音。
参考图2和图3,本发明更提供一种基于随机类神经网络群的到站时间预测的方法。此方法主要将包括2个阶段:(a)训练阶段和(b)实行和测试阶段。其中,训练阶段主要包括4个步骤,分别为:
步骤S201:设定随机类神经网络群算法参数值;
步骤S202:读取历史数据库中的每个站到站之间的旅行时间;
步骤S203:随机产生m个类神经网络模型;
步骤S208:过滤掉正确率低于门限值的类神经网络模型后,剩余k个类神经网络模型。
实行和测试阶段主要包括3个步骤,分别为:
步骤S301:取得实时的每个站到站之间的旅行时间或测试阶段中的测试数据;
步骤S302:将数据输入到过滤后的k个类神经网络模型中,并预测站到站之间的旅行时间;
步骤S306:取得预测的站到站旅行时间后,换算为目标站点的到达时间。
在步骤S201中,首先由到站时间预测系统开发人员设定随机类神经网络群算法的相关参数值,相关参数值包括类神经网络模型数量(后续将以m个为例进行说明)、类神经网络模型中隐藏层最大数量(后续将以hmax个为例进行说明)、类神经网络模型中每个隐藏层最大神经元数量(后续将以cmax个为例进行说明)、训练类神经网络模型的训练数据数占总训练阶段数据数的比例(后续将以r%为例进行说明)、以及正确率门限值(后续将以wthreshold个为例进行说明)。
在步骤S202中,从云端历史数据库103中取得车辆到达每一个站点的时间,并换算为站到站之间的旅行时间,例如:车站1的到站时间为时间点t1,并且车站2的到站时间为时间点t2,则车站1到车站2的旅行时间为|t2-t1|。再将此旅行时间集合作为类神经网络模型的输入和输出数据进行后续的学习。以图1为例,欲在车辆行驶到车站n-2时预测到达车站n的时间(即目标输出的旅行时间为|tn-tn-2|),输入旅行时间数据集合可以包括{|t2-t1|,|t3-t2|,...,|tn-2-tn-3|}。
在步骤S202中,根据到站时间预测系统开发人员设定的随机类神经网络群算法参数值,随机产生m个类神经网络模型,并且每一个类神经网络模型都将各自随机取得的总训练数据数的r%的数据作为训练和学习使用,以及将剩余的数据(即100%-r%的数据量)作为每个类神经网络模型的验证使用,每个类神经网络模型都将取得的不同的数据进行训练和验证。此外,每一个类神经网络模型都将根据参数设定值,产生0~hmax个隐藏层,以及为每一个隐藏层产生0~cmax个神经元,其中每个类神经网络模型的隐藏层和神经元的组合都将会不同。再将前述的r%的数据输入到类神经网络模型中进行训练和学习,达到收敛后,再把100%-r%的数据(即训练阶段中的测试数据)输入到训练后的类神经网络模型,并取得预测的旅行时间,并与正确的旅行时间进行比较,以此来取得每一个类神经网络模型的正确率,并将此正确率作为实行和测试阶段时的权重值。
在步骤S208中,过滤掉正确率低于门限值的类神经网络模型后,剩余k个类神经网络模型:将随机产生的m个类神经网络模型的正确率与正确率门限值wthreshold进行比较,将低于此门限值的类神经网络模型(即正确率太低的)排除后,剩下k个类神经网络模型;若没有任何类神经网络模型的正确率高于门限值,将返回步骤S201,由到站时间预测系统开发人员重新设定门限值,并重新训练随机类神经网络群。
在步骤S301中,在实行和测试阶段中,首先将先取得的实时的车辆的站到站之间的旅行时间,例如:当车辆移动到图1中的车站n-2时,使用者想查询车站n的到站时间预测(即目标输出的旅行时间为|tn-tn-2|)。此时,可将计算车辆在这一趟路程中的旅行时间数据集合{|t2-t1|,|t3-t2|,...,|t n-2-tn-3|},作为类神经网络模型的输入数据。
在步骤S302中,取得的实时的旅行时间数据集合{|t2-t1|,|t3-t2|,...,|t n-2-tn-3|}后输入到过滤后的k个类神经网络模型,每一个类神经网络模型都将预测出一个|tn-tn-2|的预测旅行时间,再将其分别乘上由训练阶段所取得的各个类神经网络模型的权重值(即训练阶段时各个类神经网络模型的正确率),并将加权后的值的总和除以权重值的总和(即进行加权平均)。
在步骤S301中,在取得综合考虑k个类神经网络模型所得到的预测旅行时间|tn-tn-2|后,再将车辆实时的时间点tn-2加上预测旅行时间|tn-tn-2|得到达车站n的到站时间预测,并将此预测结果提供给使用者。
本发明收集和分析来自车载终端设备101回传的到(离)站信息(包含站点信息和时间点等),将此数据集合转换为站到站之间的旅行时间后,储存在云端历史数据库105中,并在云端运算服务器103中设计与实作一个基于随机类神经网络群算法的到站信息预测方法模块,可存取云端历史数据库105中的旅行时间集合,并将其输入到基于随机类神经网络群算法的到站信息预测方法模块中,进行类神经网络模型训练以此预测旅行时间。当到站信息预测系统客户端进行站点到站时间预测时,可将当前车载终端设备101在该路线回报的前多个站点信息输入到已训练完成的类神经网络群中进行到达目标站点的旅行时间预测,再转换和提供到达目标站点的到达时间给到站时间预测系统客户端设备106。本发明的技术特点主要在于提出和设计一个随机类神经网络群算法,并应用于到站信息预测方法中,以下将以实施例的方式进行说明。
本发明提供一种基于随机类神经网络群的到站时间预测的系统,其系统架构如图1所示。此系统包括多个车站站牌100、多个车载终端设备101、多个细胞网络基地台102、一个云端运算服务器103、一个云端历史数据库105、以及多个到站时间预测系统客户端设备106。在本实施例中以同一路线的车站站牌100为例,此路线中有n个车站,每个车站都有具有位置信息(包含经度和纬度)。如表一所示,在路线1总共包含有12个车站(即图1中的n为12),其对应的经纬度可储存于车载终端设备中;当车辆编号1由车站1往车站2行驶时,在2014/4/114:53时车载终端设备的GPS模块侦测到车辆所在经度为120.97839、纬度为24.808658,评估车辆临近车站2(例如:直线距离30公尺内),则判断为到站,并将此到站信息(包含车站编号和时间点)通过细胞网络基地台102回传到云端运算服务器103。
此外,车站站牌100也可以具备RFID标签,而车载终端设备101可具备RFID读取器,当车载终端设备101临近车站站牌100时可侦测到该车站站牌100的RFID标签,并以此判断为到站,再将此到站信息(包含车站编号和时间点)通过细胞网络基地台102回传到云端运算服务器103。车辆到站信息回报数据集合如表二所示,主要可以纪录路线编号、车辆编号、车站编号、以及时间点等,而云端运算服务器103可将车辆到站信息转换为站到站旅行时间信息(如表三所示),并将信息储存于云端历史数据库105中。例如,车辆编号1由车站1发车时的时间为2014/4/114:46:28,并在2014/4/114:53:31抵达车站2,因此车站1到车站2的旅行时间为423秒;而车辆编号2由车站1发车时的时间为2014/4/119:32:22,并在2014/4/119:40:13抵达车站2,因此车站1到车站2的旅行时间为471秒。
当编号10001的车辆行驶到车站6时(即云端服务器103已知其车站1~车站6间的站到站之间的旅行时间),而有一个到站时间预测系统客户端设备向云端运算服务器103查询路线编号1车站12的到站时间(即预测车站6到车站12的旅行时间,并转换为车站12的到达时间)。此时,云端运算服务器103可运用云端历史数据库105中的数据(即路程编号1和2的站到站旅行时间信息,如表四所示)作为随机类神经网络群算法于训练阶段的数据,来建立随机类神经网络群,并运用此算法进行到站时间预测。
表一车站位置信息
路线编号 | 车站编号 | 经度 | 纬度 |
1 | 1 | 120.9705117 | 24.80135333 |
1 | 2 | 120.9783917 | 24.80865833 |
1 | 3 | 120.98087 | 24.810295 |
1 | 4 | 120.98702 | 24.80278167 |
1 | 5 | 120.99721 | 24.79669833 |
1 | 6 | 121.003085 | 24.79212 |
1 | 7 | 121.5138817 | 25.07373667 |
1 | 8 | 121.5138133 | 25.069305 |
1 | 9 | 121.51404 | 25.06631167 |
1 | 10 | 121.5137367 | 25.06382833 |
1 | 11 | 121.5136783 | 25.06160167 |
1 | 12 | 121.517075 | 25.049635 |
表二车辆到站信息
表三站到站旅行时间信息
表四随机类神经网络群算法的训练阶段数据
本发明的基于随机类神经网络群的到站时间预测的方法,其方法流程如图2和图3所示。此方法主要包含2个阶段:(a)训练阶段和(b)实行和测试阶段。
训练阶段主要包含4个步骤,分别为步骤S201:设定随机类神经网络群算法参数值;S202:读取历史数据库中的每个站到站之间的旅行时间;S203:随机产生m个类神经网络模型;以及S208:过滤掉正确率低于门限值的类神经网络模型后,剩余k个类神经网络模型。
实行和测试阶段主要包含3个步骤,分别为S301:取得实时的每个站到站之间的旅行时间或测试阶段中的测试数据;S302:将数据输入到过滤后的k个类神经网络模型中,并预测站到站之间的旅行时间;以及S306:取得预测的站到站旅行时间后,换算为目标站点的到达时间。
在训练阶段中,首先将由到站时间预测系统开发人员设定随机类神经网络群算法的相关参数值(步骤S201)。例如,设定共有10个类神经网络模型(即m为10)、类神经网络模型中隐藏层最大数量为5(即hmax为5)、类神经网络模型中每个隐藏层最大神经元数量为7(即cmax为7)、训练类神经网络模型的训练数据数占总训练阶段数据数的比例为60%(即r%为60%)、以及正确率门限值为0.945(即wthreshold为0.945=94.5%),后续将根据此参数值产生10个类神经网络模型来进行到站时间预测。
在此S202步骤中,将向云端历史数据库取得历史的车辆到达每一个站点的时间,并换算为站到站之间的旅行时间,如表四所示。由于在本实施例中,待预测的车辆行驶至车站6,并欲预测车站12的到达时间,且已知车站1~车站6之间的到站时间数据集合{t1,t2,t3,t4,t5,t6}、换算成站到站之间的旅行时间数据集合{|t2-t1|,|t3-t2|,|t4-t3|,|t5-t4|,|t6-t5|},并用以预测车站6到车站12的旅行时间(即目标输出之旅行时间为|t12-t6|)。在本实施例中将旅行时间数据集合{|t2-t1|,|t3-t2|,|t4-t3|,|t5-t4|,|t6-t5|}分别命名为参数名称{x1,x2,x3,x4,x5},而目标输出之旅行时间|t12-t6|命名为参数名称y。
步骤S203随机产生m个类神经网络模型中,更包含步骤S204:产生训练数据和验证数据。具体为,本发明依据到站时间预测系统开发人员设定的随机类神经网络群算法参数值,随机产生10个类神经网络模型,且设定类神经网络模型中隐藏层最大数量为5、类神经网络模型中每个隐藏层最大神经元数量为7,即每个类神经网络模型的隐藏层数量将介于0~5层,每个隐藏层的神经元数量将介于0~7个,产生结果的实施例如表五所示(步骤S205)。类神经网络模型1的隐藏层为1层,该层隐藏层的神经元数为2个(如图4所示);类神经网络模型2的隐藏层为2层,第1层隐藏层的神经元数为3个、第2层隐藏层的神经元数为4个;以此类推可得10个类神经网络模型。并且,由于训练类神经网络模型的训练数据数占训练阶段数据总笔数的60%,以表四为例,训练阶段数据数的总笔数为10000笔,所以每个类神经网络模型将随机取出6000笔作为训练类神经网络模型学习使用,且剩余的4000笔TDTRS(Testing Data in TRaining Stage,训练阶段中的测试资料)将分别作为训练阶段时每个类神经网络模型验证使用。在此步骤中,每个类神经网络模型所取得的6000笔数据的集合皆各自随机产生,每一个类神经网络模型都将取得不同的数据集合进行训练和学习。
表五随机类神经网络群
类神经网络模型编号 | 隐藏层数 | 神经元数集合 |
1 | 1 | {2} |
2 | 2 | {3,4} |
3 | 1 | {6} |
4 | 3 | {2,6,2} |
5 | 1 | {4} |
6 | 4 | {3,1,5,4} |
7 | 2 | {6,4} |
8 | 3 | {6,2,7} |
9 | 4 | {2,6,5,5} |
10 | 3 | {3,2,7} |
步骤S206:类神经网络模型训练与学习。在本实施例中,10个类神经网络模型将分别输入6000笔数据进行训练和学习,以下利用类神经网络模型1(如图4所示)为例进行说明,其中在类神经网络模型1的6000笔数据为一包含路程编号1且不包含路程编号10000的数据组合,并以类神经网络模型1之训练与学习说明如后。
步骤i:随机产生各个神经元的权重,以及隐藏层与输出层神经元的常数项,如表六所示。
表六类神经网络模型1的各个神经元的权重,以及隐藏层与输出层神经元的常数项
w1,6 | w2,6 | w3,6 | w4,6 | w5,6 | w1,7 | w2,7 | w3,7 | w4,7 | w5,7 | w6,8 | w7,8 | 6 | 7 | 8 |
0.7 | 0.7 | 0.2 | 0.1 | 0.6 | 0.1 | 0.8 | 0.5 | 0.3 | 1.0 | 0.6 | 0.6 | 0.8 | 0.7 | 0.3 |
步骤ii:将6000笔数据逐一输入至类神经网络模型1中,以下以路程编号1为例。首先将数据正规化为介于0~1之间的数值,因此实施例中的数据皆小于5000,故同除以5000进行正规化,结果如表七所示。再根据输入信号,计算各隐藏层神经元的输出信号,其中本实施例采用Logistic分配(即)的方式计算输出信号,计算方式如下所示。
表七正规化后的路程编号1数值
神经元6:
总输入信号:
转换输出信号:
神经元7:总输入信号:
转换输出信号:
步骤iii:根据隐藏层输出信号,计算输出层神经元的输出信号。
神经元8:
总输入信号:
转换输出信号:
步骤iv:比较输出值(即0.759554)与真值(即0.7796)的误差项。
神经元8误差项:
步骤v:将误差项回馈至隐藏层,分别计算出隐藏层神经元的误差项。
神经元6误差项:神经元7误差项:
步骤vi:根据神经元误差项,更新各个神经元权重和常数项,在本实施例中设定学习速率σ为0.8。
步骤vii:重复步骤ii~步骤vi,将每一笔数据输入至类神经网络模型中进行学习,直到此回合的输出信号与上一回合的输出信号的差异低于门限值othreshold(在本例中othreshold设为0.01),则达到收敛并完成学习,确定此类神经网络模型的各个神经元权重和常数项。
上述为类神经网络模型1的训练和学习过程,依此同时训练其它的类神经网络模型(即类神经网络模型2~类神经网络模型10),可支持平行运算。完成训练后,后续在预测车站6到车站12间之旅行时间时可重复步骤ii~步骤iii,将测试数据或实时数据作为输入信号,而输出信号为旅行时预测值。其中,由类神经网络模型产出的旅行时间预测值,需再进行正规化的还原,方可以取得旅行时间秒数,例如:输出信号为0.759554,需乘上5000,取得旅行时间为3797.769233秒。
步骤S207:类神经网络模型验证与权重。当完成所有类神经网络模型的训练和学习后,可以运用剩余的4000笔数据来进行每个类神经网络模型的验证,并计算平均正确率作为每个类神经网络模型的权重。以类神经网络模型1为例,将训练阶段中的测试数据全部输入到训练后的类神经网络模型1中重复步骤ii~步骤iii,可算出正确率。例如,路程编号10000为输入信号时,其正规化后数值如表八所示,得到预测值为0.75986369,再将预测值乘上5000为3799.318449,可得正确率为为1-(|真值-预测值|/真值)=1-(|3939-3799.318449|/3939)=96.45%;以此类推,可算出4000笔训练阶段中的测试数据(TDTRS)的平均正确率,在此例为93.23%。在本实施例中,10个类神经网络模型所对应的平均正确率分别为93.23%、94.90%、94.03%、93.57%、94.61%、93.52%、94.93%、95.21%、94.48%、94.45%,如表九所示。
表八正规化后的路程编号10000数值
表九每个类神经网络模型的平均正确率
步骤S208:过滤掉正确率低于门限值的类神经网络模型后,剩余k个类神经网络模型。此步骤将分析每个类神经网络模型的平均正确率,并将低于正确率门限值wthreshold(即本实施例所设定的94.5%)过滤掉,其中类神经网络模型1、类神经网络模型3、类神经网络模型4、类神经网络模型6、类神经网络模型9、类神经网络模型10等6个将被过滤掉,剩下4个类神经网络模型及其权重值供实行和测试阶段使用。
表十、过滤后的类神经网络模型及其权重值
于步骤S301中,在实行和测试阶段时,取实时的车辆到站信息输入到训练完成的随机类神经网络群,进行到站时间预测。例如,到站时间预测系统客户端设备在2014/5/311:59:00时欲查询抵达车站12的到达时间,将取车站1~车站6的到站时间和站到站之间的旅行时间(如表十一所示),作为随机类神经网络群的输入数据(如表十二所示),得到目标预测值车站6到车站12的旅行时间。
表十一车辆到站信息
表十二站到站旅行时间信息
此外,到站时间预测系统开发人员在此阶段也可以收集历史数据作为测试阶段中的测试资料(TDTES),取得每个路程编号的各个站到站之间的旅行时间作为随机类神经网络群输入值,以分析和最佳化随机类神经网络群。
步骤S302中,将数据输入到过滤后的k个类神经网络模型,并预测站到站之间的旅行时间。在取得输入数据后可将数据分别作为每个过滤后的类神经网络模型(即类神经网络模型2、类神经网络模型5、类神经网络模型7、类神经网络模型8,如表十所示)的输入信号,并分别由类神经网络模型2、类神经网络模型5、类神经网络模型7、类神经网络模型8预测旅行时间为3766.607秒、3857.98秒、3661.828秒、3724.095秒(步骤S303),如表十三所示。最后,再依每个类神经网络模型的权重进行加权平均(步骤S304~S305)得到旅行时间预测值3752.516552秒(即[94.90%*3766.607+94.61%*3857.98+94.93%*3661.828+95.21%*3724.095]/[94.90%+94.61%+94.93%+95.21%]=3752.516552)。
表十三过滤后的类神经网络模型及其权重值
步骤S306中,取得预测的站到站旅行时间后,换算为目标站点的到达时间。在取得站到站旅行时间预测值后,可根据目前的到站信息,并结合站到站旅行时间预测值转换为到达目标站点的到达时间。本实施例的路程编号10001到达车站6的时间点为2014/5/311:58:46,而车站6到车站12的旅行时间预测值为3752.516552秒,故车站12预测到站时间为2014/5/313:01:19,再将此信息回传给到站时间预测系统客户端设备。
实际运用于客运业者的例子来看,以客运业者A的数据进行实证,总共收集2014年3月整个月份的资料,其中共包含2956趟,实验环境中共涵盖40条道路路段,并且分别采用不同的数据探勘算法来测试其正确率,包含有罗吉斯回归(Logistic Regression,LR)、传统的倒传递类神经网络(Back-Propagation Neural Network,BPNN)、以及本发明所提出的随机类神经网络群(Random Neural Networks,RNN),证实此方法确实较为优越,实验结果表十四所示。
表十四本发明与其它数据探勘方法效能比较
方法 | 正确率 |
历史资料平均值法 | 73.79% |
罗吉斯回归 | 77.43% |
倒传递类神经网络 | 77.88% |
本发明 | 78.22% |
综上所述,本发明的基于随机类神经网络群的到站时间预测系统与方法,透过收集各个路段和时段的站到站之间的旅行时间,并提出新颖的随机类神经网络群来分析上述的旅行时间数据集合,建立多个类神经网络模型来避免极端值的影响,以及综合考虑多个类神经网络模型的预测结果来提升预测准确度,以此来预测使用者欲搭乘的公交车的到站时间,提供给使用者作为参考。
以上所述仅为举例性,而非为限制性者。任何未脱离本发明之精神与范畴,而对其进行之等效修改或变更,均应包含于后附之申请专利范围中。
【符号说明】
100:车站站牌
101:车载终端设备
102:细胞网络基地台
103:云端运算服务器
104:云端运算机房
105:云端历史数据库
106:到站时间预测系统客户端设备
S201~207、S301~S306:步骤
1~8:类神经网络模型
基于同一发明构思,本发明实施例中还提供了一种移动终端,由于图3的移动终端对应的方法为本发明实施例一种移动终端启动的方法,因此本发明实施例方法的实施可以参见系统的实施,重复之处不再赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种到站时间预测系统,其特征在于,该系统包括:
多个车站站牌,每个所述车站站牌具有一个经纬度坐标信息;
多个车载终端设备,用于当接近所述多个车站站牌时,感测到所述多个车站站牌对应的所述多个经纬度坐标信息,进而产生多个到站信息;
多个细胞网络基地台,用于传送所述多个到站信息;
云端运算服务器,用于接收由所述多个细胞网络基地台传送的所述多个到站信息,计算出多个旅行时间,再根据所述多个旅行时间以及查询站点,利用类神经网络群预测剩余旅行时间并转换为到站时间,并通过所述多个细胞网络基地台传送所述到站时间;
所述云端运算服务器,具体用于:
在预测车辆到达目标站点的到站时间时,将获取的所述车辆本次行驶过程中站到站之间的旅行时间,作为类神经网络模型的输入数据,预测所述车辆到达目标站点的到站时间;
云端历史数据库,储存有所述多个经纬度坐标信息以及所述多个车站站牌之间的所述多个旅行时间;
多个到站时间预测系统客户端设备,用于发送所述查询站点,并接收通过所述多个细胞网络基地台传送的所述到站时间,并显示所述到站时间;
所述多个车载终端设备中的每个车载终端设备包括:
全球定位系统GPS模块,用于收集每个所述车载终端设备的位置信息,并根据所述多个经纬度坐标信息和所述多个位置信息判断是否到站,进而产生多个到站时间和多个到站信息;
细胞网络模块,用于将所述多个到站时间和所述多个站信息传送给所述多个细胞网络基地台的中的至少一个细胞网络基地台;
数据库模块,用于储存所述多个经纬度坐标信息。
2.如权利要求1所述的系统,其特征在于,每个所述车站站牌中嵌入一个RFID标签,且每个所述车载终端设备中嵌入一个RFID读取器,当每个所述车载终端设备临近每个所述车站站牌时,每个所述RFID读取器即感知每个所述RFID标签,以此来判断是否到站。
3.如权利要求1所述的系统,其特征在于,所述类神经网络群,具有一个正确率门限值,用以在训练阶段中过滤掉正确率低于门限值的类神经网络模型。
4.如权利要求3所述的系统,其特征在于,所述云端历史数据库储存所述多个旅行时间,用以作为训练所述类神经网络群的训练数据集合,并训练多个类神经网络模型。
5.如权利要求3所述的系统,其特征在于,所述正确率门限值为0.945。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610472352.6A CN106022541B (zh) | 2014-10-06 | 2015-03-03 | 一种到站时间预测方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103134687 | 2014-10-06 | ||
TW103134687A TWI522974B (zh) | 2014-10-06 | 2014-10-06 | 到站時間預測系統與方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610472352.6A Division CN106022541B (zh) | 2014-10-06 | 2015-03-03 | 一种到站时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104715630A CN104715630A (zh) | 2015-06-17 |
CN104715630B true CN104715630B (zh) | 2017-05-10 |
Family
ID=53414915
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610472352.6A Expired - Fee Related CN106022541B (zh) | 2014-10-06 | 2015-03-03 | 一种到站时间预测方法 |
CN201510094269.5A Expired - Fee Related CN104715630B (zh) | 2014-10-06 | 2015-03-03 | 一种到站时间预测系统与方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610472352.6A Expired - Fee Related CN106022541B (zh) | 2014-10-06 | 2015-03-03 | 一种到站时间预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN106022541B (zh) |
TW (1) | TWI522974B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI591991B (zh) * | 2016-01-29 | 2017-07-11 | Chunghwa Telecom Co Ltd | System and method for pre-signing vouchers for forecasting requests for traffic |
CN105679021B (zh) * | 2016-02-02 | 2018-11-06 | 招商局重庆交通科研设计院有限公司 | 基于交通大数据的行程时间融合预测及查询方法 |
CN105513362B (zh) * | 2016-02-03 | 2017-11-03 | 东南大学 | 一种公交站台毗邻区公交车运行状态评价验证方法 |
CN105489051A (zh) * | 2016-02-15 | 2016-04-13 | 青岛海信电器股份有限公司 | 公交到站提示方法和移动终端及云端服务器 |
AU2017411519B2 (en) | 2017-04-27 | 2020-06-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining an estimated time of arrival |
WO2018227368A1 (en) * | 2017-06-13 | 2018-12-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending an estimated time of arrival |
EP3635706B1 (en) | 2017-06-22 | 2021-11-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for estimating time of arrival |
WO2019028763A1 (en) | 2017-08-10 | 2019-02-14 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEM AND METHOD FOR ESTIMATING ROUTE TIME AND DISTANCE |
CA3028278A1 (en) * | 2017-11-23 | 2019-05-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for estimating arrival time |
CN110361019B (zh) * | 2018-04-11 | 2022-01-11 | 北京搜狗科技发展有限公司 | 用于预测导航时间的方法、装置、电子设备及可读介质 |
CN109002722B (zh) * | 2018-07-19 | 2021-06-29 | 郑州云海信息技术有限公司 | 一种漏洞扫描剩余时间的估算方法和系统 |
CN109410580A (zh) * | 2018-11-15 | 2019-03-01 | 山东管理学院 | 一种公交实时到站时间预测方法及系统 |
CN109920248B (zh) * | 2019-03-05 | 2021-09-17 | 南通大学 | 一种基于gru神经网络的公交到站时间预测方法 |
CN110459056A (zh) * | 2019-08-26 | 2019-11-15 | 南通大学 | 一种基于lstm神经网络的公交到站时间预测方法 |
CN111667689B (zh) * | 2020-05-06 | 2022-06-03 | 浙江师范大学 | 车辆旅行时间预测的方法、设备和计算机设备 |
US20220051115A1 (en) * | 2020-08-12 | 2022-02-17 | Allstate Insurance Company | Control Platform Using Machine Learning for Remote Mobile Device Wake Up |
CN113706874B (zh) * | 2021-10-28 | 2022-01-28 | 华清科盛(北京)信息技术有限公司 | 厂内物流车辆到达时间的实时预测方法和装置、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794520A (zh) * | 2010-03-15 | 2010-08-04 | 任兆玉 | 一种基于电信通讯技术的智能公交系统及其通信方法 |
CN103236184A (zh) * | 2013-04-03 | 2013-08-07 | 广州亿连达电子科技有限公司 | 公交车自动报站方法及装置 |
CN103578267A (zh) * | 2012-07-18 | 2014-02-12 | 北京掌城科技有限公司 | 基于公交gps数据的公交到站预测方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090062537A (ko) * | 2007-12-13 | 2009-06-17 | (주)아이이지컨설팅 | 차량 관제 시스템 |
CN101630376B (zh) * | 2009-08-12 | 2012-06-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
CN102081859B (zh) * | 2009-11-26 | 2014-10-01 | 上海遥薇(集团)有限公司 | 一种公交车到站时间预测模型控制方法 |
CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
CN102708701B (zh) * | 2012-05-18 | 2015-01-28 | 中国科学院信息工程研究所 | 一种公交车到站时间实时预测系统和方法 |
CN102854296B (zh) * | 2012-08-30 | 2015-03-11 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN102968670B (zh) * | 2012-10-23 | 2016-08-17 | 北京京东世纪贸易有限公司 | 预测数据的方法和装置 |
CN103885996A (zh) * | 2012-12-24 | 2014-06-25 | 北京掌城科技有限公司 | 实时公交到站信息的查询方法 |
TWM477647U (zh) * | 2013-06-20 | 2014-05-01 | Trans Tech Integrate Company Ltd | 一種rfid技術應用於公車預時顯示之站牌設備 |
CN103605725A (zh) * | 2013-11-15 | 2014-02-26 | 中国联合网络通信集团有限公司 | 公交车到站时间查询方法、nfc终端和服务器 |
-
2014
- 2014-10-06 TW TW103134687A patent/TWI522974B/zh not_active IP Right Cessation
-
2015
- 2015-03-03 CN CN201610472352.6A patent/CN106022541B/zh not_active Expired - Fee Related
- 2015-03-03 CN CN201510094269.5A patent/CN104715630B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794520A (zh) * | 2010-03-15 | 2010-08-04 | 任兆玉 | 一种基于电信通讯技术的智能公交系统及其通信方法 |
CN103578267A (zh) * | 2012-07-18 | 2014-02-12 | 北京掌城科技有限公司 | 基于公交gps数据的公交到站预测方法及系统 |
CN103236184A (zh) * | 2013-04-03 | 2013-08-07 | 广州亿连达电子科技有限公司 | 公交车自动报站方法及装置 |
Non-Patent Citations (1)
Title |
---|
神经网络集成在公交行驶时间预测中的研究与应用;夏贵荣;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20110415(第04期);C034-166 * |
Also Published As
Publication number | Publication date |
---|---|
CN106022541B (zh) | 2020-12-01 |
TWI522974B (zh) | 2016-02-21 |
CN104715630A (zh) | 2015-06-17 |
CN106022541A (zh) | 2016-10-12 |
TW201614607A (en) | 2016-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104715630B (zh) | 一种到站时间预测系统与方法 | |
Chen et al. | A short-term traffic prediction model in the vehicular cyber–physical systems | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
CN102708701B (zh) | 一种公交车到站时间实时预测系统和方法 | |
CN110348614B (zh) | 一种获取乘客od的方法及公交客流的预测方法 | |
Zhu et al. | An optimal estimation approach for the calibration of the car-following behavior of connected vehicles in a mixed traffic environment | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
Kouyoumdjieva et al. | Survey of non-image-based approaches for counting people | |
CN106503868A (zh) | 一种车队线路规划方法及相关设备 | |
JP2014176092A5 (zh) | ||
JP6675860B2 (ja) | データ処理方法およびデータ処理システム | |
CN104243900A (zh) | 车辆到站时间预报系统及方法 | |
CN110570656B (zh) | 定制公共交通线路方法及装置 | |
CN114743401B (zh) | 一种基于公交数字化转型的数据可视化公交调度管理平台 | |
CN113472902B (zh) | 一种基于云技术的景区游客流量监控与辅助系统 | |
CN116901975B (zh) | 一种车载ai安防监控系统及其方法 | |
CN111507762A (zh) | 基于多任务共预测神经网络的城市出租车需求预测方法 | |
TWI604324B (zh) | Performance evaluation system and method | |
CN113807588A (zh) | 基于交通事故的行车路径规划方法及装置 | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
CN110570127B (zh) | 一种智能公交系统、车辆运行调度方法及装置 | |
CN114723480B (zh) | 一种针对乡村旅游的客流量预测方法及货物调度系统 | |
Javanshour et al. | Performance evaluation of station-based autonomous on-demand car-sharing systems | |
JP2012226390A (ja) | 評価予測システムおよび評価予測方法 | |
CN109409563A (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170510 Termination date: 20210303 |
|
CF01 | Termination of patent right due to non-payment of annual fee |