CN105243868B - 一种公交车辆到站时间预测方法及装置 - Google Patents
一种公交车辆到站时间预测方法及装置 Download PDFInfo
- Publication number
- CN105243868B CN105243868B CN201510732068.3A CN201510732068A CN105243868B CN 105243868 B CN105243868 B CN 105243868B CN 201510732068 A CN201510732068 A CN 201510732068A CN 105243868 B CN105243868 B CN 105243868B
- Authority
- CN
- China
- Prior art keywords
- arrival time
- mrow
- website
- predicted
- vehicle
- 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.)
- Active
Links
Abstract
本发明公开了一种公交车辆到站时间预测方法及装置，包括：获取待预测车辆到达运行线路上的M个站点的到站时间并确定待预测车辆的M个站点中的每两个相邻站点间的到站时间差；获取历史数据中与待预测车辆同一运行线路的N个车次的到站时间记录，并确定N个车次的M个站点中的每两个相邻站点间的到站时间差；根据待预测车辆的M个站点中的每两个相邻站点间的到站时间差和N个车次的M个站点中的每两个相邻站点间的到站时间差，确定与待预测车辆运行规律相似的车次的到站时间记录；根据与待预测车辆运行规律相似的车次的到站时间记录，确定待预测车辆到达运行线路上第P站点的到站时间，可以准确预测公交车辆未到达站点的到站时间。
Description
技术领域
本发明涉及城市公共交通技术领域，尤其涉及一种公交车辆到站时间预测方法及装置。
背景技术
发展公共交通是缓解我国大城市交通拥挤的重要途径之一，提升公共交通服务水平将会大大提升交通运行效率，站台电子站牌是现在运用最广的公共交通基础设备，如果能够为乘客提供准确的到站预告信息，便可极大的方便乘客的出行。
随着我国城市化进程的不断加快，在城市公交车辆调度的过程中，由于当天线路的交通情况、客流情况等因素比较复杂，调度员无法获知在线路上运行的车辆到达终点站或者返回起始站的时间，导致城市公交车辆的调度发车过程缺少数据支撑，无法为乘客提供准确的到站预告信息，而且还存在公交站要么停放过多待发车辆，要么公交站无车可发的情况，影响了车辆利用效率和乘客的出行体验。
现有技术可通过确定离设定目标站点最近的车辆，然后根据历史数据中该车辆到达目标站点的时间和上一个刚经过目标站点的车辆所用的时间进行加权平均，得到预测时间值，但是这种方法对于车辆和目标站点较远的预测，由于当前数据的准确性不高，所以导致整体预测值偏差较大。
综上，现有技术中存在着因无法获知车辆何时可用而使公交车站停放过多存车或者无车可发的问题。
发明内容
本发明实施例提供一种公交车辆到站时间预测方法及装置，用以解决因无法获知车辆何时可用而使公交车站停放过多存车或者无车可发的问题，避免在发车时刻调整时的盲目性，可使调度员在进行发车时刻调整时更有针对性，进而有效提高公交车辆整体利用效率，提高乘客乘车体验和公交服务水平。
本发明实施例提供一种公交车辆到站时间预测方法，包括：
获取待预测车辆到达运行线路上的M个站点的到站时间；
根据所述待预测车辆的所述M个站点的到站时间，确定所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差；
获取历史数据中与所述待预测车辆同一运行线路的N个车次的到站时间记录；
针对每一个车次的到站时间记录，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；
根据所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差和所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，确定所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录；
根据与所述待预测车辆运行规律相似的车次的到站时间记录，确定所述待预测车辆到达所述运行线路上第P站点的到站时间，其中，所述第P站点为所述运行线路上除所述M个站点外的任一站点。
进一步地，所述针对每一个车次的到站时间记录，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，包括：
根据该车次的到站时间记录的各个站点的到站时间，确定该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差；
从该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差中，筛选出该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；或者，
从该车次的到站时间记录的各个站点的到站时间中，筛选出该车次的到站时间记录的到达所述运行线路的所述M个站点的到站时间；
根据该车次的到站时间记录的到达所述运行线路的所述M个站点的到站时间，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差。
进一步地，所述根据所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差和所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，确定所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录，包括：
根据所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，构建历史数据矩阵；其中，所述历史数据矩阵的第i行数组为所述N个车次中第i个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；
构建一行待处理数组，所述待处理数组为所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差；
计算所述历史数据矩阵的每行数组与所述待处理数组的相似性；
根据所述历史数据矩阵的每行数组与所述待处理数组的相似性计算结果，确定出所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录。
进一步地，所述计算所述历史数据矩阵的每行数组与所述待处理数组的相似性，包括：
根据皮尔逊相关性距离公式，计算所述历史数据矩阵的每行数组与所述待处理数组的相似性；其中，
所述皮尔逊相关性距离公式为：
其中，ρX,Y为向量X和向量Y之间的皮尔逊相关性距离；X为所述历史数据矩阵的第i行数组构成的向量；Y为所述待处理数组构成的向量；cov(X,Y)为向量X与向量Y之间的相关性；σX为向量X的标准差；σY为向量Y的标准差；E(X)为向量X的数学期望；E(Y)为向量Y的数学期望；E(XY)为向量X与向量Y乘积的数学期望；E(X2)为向量X的平方的数学期望；E(Y2)为向量Y的平方的数学期望；μX为向量X中数组的平均值；μY为向量Y中数组的平均值。
进一步地，与所述待预测车辆运行规律相似的车次至少为1个；所述M个站点中所述待预测车辆最后到达的一个站点为第Q站点；
根据与所述待预测车辆运行规律相似的车次的到站时间记录，确定所述待预测车辆到达所述运行线路上第P站点的到站时间，包括：
根据每一个与所述待预测车辆运行规律相似的车次的到站时间记录中第Q站点至所述第P站点中每个站点的到站时间，计算该与所述待预测车辆运行规律相似的车次的到站时间记录的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差；
将多个与所述待预测车辆运行规律相似的车次的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差进行加权平均，得到所述待预测车辆的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差；
根据所述待预测车辆到达所述第Q站点的到站时间与所述待预测车辆的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差，计算得到所述待预测车辆将要到达所述运行线路上所述第P站点的到站时间。
进一步地，若所述运行线路一共有A个站点，则所述第Q站点至少为第A/2个。
本发明实施例提供一种公交车辆到站时间预测装置，包括：
第一获取单元，用于获取待预测车辆到达运行线路上的M个站点的到站时间；
第一确定单元，用于根据所述待预测车辆的所述M个站点的到站时间，确定所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差；
第二获取单元，用于获取历史数据中与所述待预测车辆同一运行线路的N个车次的到站时间记录；
第二确定单元，用于针对每一个车次的到站时间记录，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；
处理单元，用于根据所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差和所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，确定所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录；
预测单元，用于根据与所述待预测车辆运行规律相似的车次的到站时间记录，确定所述待预测车辆到达所述运行线路上第P站点的到站时间，其中，所述第P站点为所述运行线路上除所述M个站点外的任一站点。
进一步地，所述第二确定单元具体用于：
根据该车次的到站时间记录的各个站点的到站时间，确定该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差；
从该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差中，筛选出该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；或者，
从该车次的到站时间记录的各个站点的到站时间中，筛选出该车次的到站时间记录的到达所述运行线路的所述M个站点的到站时间；
根据该车次的到站时间记录的到达所述运行线路的所述M个站点的到站时间，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差。
进一步地，所述处理单元具体用于：
根据所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，构建历史数据矩阵；其中，所述历史数据矩阵的第i行数组为所述N个车次中第i个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；
构建一行待处理数组，所述待处理数组为所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差；
计算所述历史数据矩阵的每行数组与所述待处理数组的相似性；
根据所述历史数据矩阵的每行数组与所述待处理数组的相似性计算结果，确定出所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录。
进一步地，所述处理单元具体用于：
根据皮尔逊相关性距离公式，计算所述历史数据矩阵的每行数组与所述待处理数组的相似性；其中，
所述皮尔逊相关性距离公式为：
其中，ρX,Y为向量X和向量Y之间的皮尔逊相关性距离；X为所述历史数据矩阵的第i行数组构成的向量；Y为所述待处理数组构成的向量；cov(X,Y)为向量X与向量Y之间的相关性；σX为向量X的标准差；σY为向量Y的标准差；E(X)为向量X的数学期望；E(Y)为向量Y的数学期望；E(XY)为向量X与向量Y乘积的数学期望；E(X2)为向量X的平方的数学期望；E(Y2)为向量Y的平方的数学期望；μX为向量X中数组的平均值；μY为向量Y中数组的平均值。
进一步地，与所述待预测车辆运行规律相似的车次至少为1个；所述M个站点中所述待预测车辆最后到达的一个站点为第Q站点；
所述预测单元具体用于：
根据每一个与所述待预测车辆运行规律相似的车次的到站时间记录中第Q站点至所述第P站点中每个站点的到站时间，计算该与所述待预测车辆运行规律相似的车次的到站时间记录的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差；
将多个与所述待预测车辆运行规律相似的车次的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差进行加权平均，得到所述待预测车辆的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差；
根据所述待预测车辆到达所述第Q站点的到站时间与所述待预测车辆的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差，计算得到所述待预测车辆将要到达所述运行线路上所述第P站点的到站时间。
进一步地，若所述运行线路一共有A个站点，则所述第Q站点至少为第A/2个。
上述实施例中，当待预测车辆在运行线路上运行了M个站点以后，获取这M个站点的到站时间，并确定出这M个站点中的每两个相邻站点间的到站时间差；从历史数据中获取与待预测车辆同一运行线路的N个车次的到站时间记录，因到站时间记录中记录了到达每个站点的到站时间，可以确定出每个车次针对M个站点中的每两个相邻站点间的到站时间差；这样，可以根据待预测车辆针对这M个站点中的每两个相邻站点间的到站时间差，与N个车次针对这M个站点中的每两个相邻站点间的到站时间差，确定出与待预测车辆运行规律相似的车次；因这M个站点中的相邻站点间的到站时间差代表相邻站点之间的运行时间，本质上表征了当天线路的交通情况、客流情况等所有复杂的因素对公交线路运行时间的制约程度，故按照待预测车辆到达这M个站点的相邻站点之间的到站时间差和上述N个车次针对这M个站点的相邻站点之间的到站时间差的相似程度，得到与待预测车辆运行规律相似的车次，与现有技术相比，可以大大简化复杂数据的处理。基于与待预测车辆运行规律相似的车次的到站时间记录，预测待预测车辆还未到达的站点的到站时间，能够更加合理和准确的确定待预测车辆还未到达的站点的到站时间，解决了现有技术中存在的因无法获知车辆何时可用而使公交车站停放过多存车或者无车可发的问题，避免调度员在发车时刻调整时的盲目性，可使调度员根据预测的预计到站时间进行发车时刻调整时更有针对性，进而有效提高公交车辆整体利用效率，同时还能提高乘客乘车体验和公交服务水平。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为发明实施例提供的一种公交车辆到站时间预测方法的流程图；
图2为本发明实施例提供的一种确定与待预测车辆运行规律相似的车次的到站时间记录的方法流程图；
图3为本发明实施例提供的一种计算一个车次运行线路上每相邻两个站点间的到站时间差的方法流程图；
图4为本发明实施例提供的一种进行相似性搜索确定与待预测车辆运行规律相似的车次的搜索结果示意图；
图5为本发明实施例提供的一种确定待预测车辆到达运行线路上第P站点的到站时间的方法流程图；
图6为本发明实施例提供的一种公交车辆到站时间预测装置的结构示意图。
具体实施方式
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地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明的发明构思为：历史运行车次的运行数据中，总是会出现两天的道路情况、乘客出行情况相似，这些因素作用在公交车辆上，使同一线路的公交车辆的运行规律也相似，比如同一线路的车辆到达公交站点的时间，离开公交站点的时间，每两个相邻站点间的运行时间具有相似的规律，因此，本发明实施例基于公交车辆在长期的运行中积累的大量车次运行历史数据，将每两个相邻站点间的运行时间差作为参考数据，来预测正在运行中的车辆到达未到达站点的到站时间。在本发明实施例中，可以根据车辆到达公交站点的时间来计算每两个相邻站点间的到站时间差，也可以根据车辆离开公交站点的时间来计算每两个相邻站点间的到站时间差。这两种都在本发明的保护范围内。
下面以根据车辆到达公交站点的时间计算每两个相邻站点间的到站时间差为例，对本发明实施例提出的一种公交车辆到站时间预测方法及装置进行详细说明。
如图1所示的本发明实施例提供一种公交车辆到站时间预测方法，包括：
步骤101，获取待预测车辆到达运行线路上的M个站点的到站时间；
步骤102，根据待预测车辆的M个站点的到站时间，确定待预测车辆的M个站点中的每两个相邻站点间的到站时间差；
步骤103，获取历史数据中与待预测车辆同一运行线路的N个车次的到站时间记录；
步骤104，针对每一个车次的到站时间记录，确定该车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差；
步骤105，根据待预测车辆的M个站点中的每两个相邻站点间的到站时间差和N个车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差，确定N个车次中与待预测车辆运行规律相似的车次的到站时间记录；
步骤106，根据与待预测车辆运行规律相似的车次的到站时间记录，确定待预测车辆到达运行线路上第P站点的到站时间，其中，第P站点为运行线路上除M个站点外的任一站点。
上述方法流程中，N为正整数，M为正整数，P为正整数。步骤604与步骤602没有严格的时序。
上述方法流程步骤101中，当待预测车辆在运行线路上已经过M个站点时，获取待预测车辆到达运行线路上的这M个站点的到站时间。具体是通过待预测车辆上的GPS设备上传的GPS实时数据和车辆到站信息数据来获取这M个站点的到站时间，还可获取M个站点的站点信息。
上述方法流程步骤102中，根据待预测车辆的M个站点的到站时间，可以得到M-1个相邻站点之间的到站时间差。
例如，正在运行中的待预测车辆已经过3个站点，到达第1个站点的时间为T1，到达第2个站点的时间为T2，到达第3个站点的时间为T3，则可以得到第1个站点与第2个站点之间的到站时间差ΔT1，第2个站点与第3个站点之间的到站时间差ΔT2。
上述方法流程步骤103中，与待预测车辆同一运行线路的N个车次是指与待预测车辆的线路相同，运行方向相同。车次的到站时间记录中记录了车次到达运行线路上每个站点的到站时间，还记录了车次信息，每个站点的站点信息，如车次标识，站点标识。
上述方法流程步骤104中，针对每一个车次的到站时间记录，确定该车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差，包括但不限于以下两种方式：
方式一：先根据该车次的到站时间记录的各个站点的到站时间，确定该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差；然后从该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差中，筛选出该车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差。
方式二：先从该车次的到站时间记录的各个站点的到站时间中，筛选出该车次的到站时间记录的到达运行线路的M个站点的到站时间；然后根据该车次的到站时间记录的到达运行线路的M个站点的到站时间，确定该车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差。
上述方法流程步骤105中确定N个车次中与待预测车辆运行规律相似的车次的到站时间记录，具体包括以下步骤，如图2所示：
步骤201，根据N个车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差，构建历史数据矩阵；其中，历史数据矩阵的第i行数组为N个车次中第i个车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差，i为小于N的正整数；
步骤202，构建一行待处理数组，待处理数组为待预测车辆的M个站点中的每两个相邻站点间的到站时间差；
步骤203，计算历史数据矩阵的每行数组与待处理数组的相似性；
步骤204，根据历史数据矩阵的每行数组与待处理数组的相似性计算结果，确定出N个车次中与待预测车辆运行规律相似的车次的到站时间记录。
上述步骤201中，根据N个车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差，构建历史数据矩阵。构建历史数据矩阵的同时，还要建立历史数据矩阵的每行数组与对应车次的车次标识的关联关系，以确定哪一行数组对应哪一个车次。还包括建立每行数组中的每个数据(相邻两站间的到站时间差)与两个相邻站点的站点标识的关联关系。例如，构建好的历史数据矩阵的行对应车次标识，历史数据矩阵的列代表车次标识对应车次在每相邻两站之间的运行时间(到站时间差)。
可选的，也可以根据N个车次的到站时间记录的所有站点中的每两个相邻站点间的到站时间差，构建历史数据矩阵，这样，历史数据矩阵的第i行数组为N个车次中第i个车次的到站时间记录的所有站点中的每两个相邻站点间的到站时间差。
例如，在历史数据库中查询从当前时刻往前一段历史时期内的与待预测车辆同一运行线路的所有历史运行车次的历史车次记录，比如之前6个月的所有历史运行车次的历史车次记录，历史车次记录中包括到达每个站点的到站时间，站点标识，车次标识等；根据一个车次的所有站点的到站时间信息，得到该车次在整条线路上每相邻两站之间的，如图3示，若该线路共有6个站点，则该车次所有站点每相邻两站之间的到站时间差依次为：Δt1，Δt2，Δt3，Δt4，Δt5，这5个到站时间差构成一行数组；若所有历史运行车次为n个车次，则n个车次所有站点每相邻两站之间的到站时间差构成n行数组，n行数组构成的历史数据矩阵的格式，如表1所示，构建好的历史数据矩阵的行对应车次标识，历史数据矩阵的列代表车次标识对应车次在每相邻两站之间的到站时间差。
表1 历史数据矩阵的格式
步骤201建立好的历史数据矩阵作为标准训练数据，用于在步骤203进行相似性计算，也可以进行运行规律相似的车次搜索。
因步骤201构建的历史数据矩阵的数组中包括每两个相邻站点间的到站时间差，基于相邻两站的到站时间，得到每相邻两站间的到站时间差，针对步骤203，时间差而与具体的到站时间相比，更加适合使用相关性距离公式进行相似性搜索，例如皮尔逊相关性(公式1)，欧式距离，马氏距离等。
上述步骤203中，具体是根据皮尔逊相关性距离公式，计算历史数据矩阵的每行数组与待处理数组的相似性；其中，
皮尔逊相关性距离公式为：
其中，ρX,Y为向量X和向量Y之间的皮尔逊相关性距离；X为历史数据矩阵的第i行数组构成的向量；Y为待处理数组构成的向量；cov(X,Y)为向量X与向量Y之间的相关性；σX为向量X的标准差；σY为向量Y的标准差；E(X)为向量X的数学期望；E(Y)为向量Y的数学期望；E(XY)为向量X与向量Y乘积的数学期望；E(X2)为向量X的平方的数学期望；E(Y2)为向量Y的平方的数学期望；μX为向量X中数组的平均值；μY为向量Y中数组的平均值。
根据相关性原理，如果两个变量越相似，那么相关性越接近1，反之越接近-1。计算历史数据矩阵的每行数组与待处理数组的相似性时，也可以将历史数据矩阵的每行数组构成一个曲线，将待处理数组构成的另一条曲线与历史数据矩阵的每条曲线进行对比，寻找趋势相似的曲线。
步骤204中，根据相似性计算结果，确定出与待预测车辆运行规律相似的车次，待预测车辆运行规律相似的车次的到站时间记录用于预测待预测车辆后面未到达站点的运行时间。
例如，如图4所示，图4中一共有三个车次，车次1和车次2是历史车次，车次3是正在运行的待预测车次目前已经运行了6站，待预测车次前6站的运行时间分布和车次1前6站的分布更吻合，因此，认为车次1和车次3是更加相似。于是可以使用车次1的后半部分的行车数据推测车次3的后面未到达站点的运行时间，如图4中虚线所示。
上述步骤204中，确定出的与待预测车辆运行规律相似的车次至少为1个。
若上述步骤204确定出的与待预测车辆运行规律相似的车次为多个，且M个站点中待预测车辆最后到达的一个站点为第Q站点，则上述方法流程中的步骤106根据多个与待预测车辆运行规律相似的车次的到站时间记录，确定待预测车辆到达运行线路上第P站点的到站时间，具体包括以下步骤，如图5所示：
步骤501，根据每一个与待预测车辆运行规律相似的车次的到站时间记录中第Q站点至第P站点中每个站点的到站时间，计算该与待预测车辆运行规律相似的车次的到站时间记录的第Q站点至第P站点中的每两个相邻站点间的到站时间差；
步骤502，将多个与待预测车辆运行规律相似的车次的第Q站点至第P站点中的每两个相邻站点间的到站时间差进行加权平均，得到待预测车辆的第Q站点至第P站点中的每两个相邻站点间的到站时间差；
步骤503，根据待预测车辆到达第Q站点的到站时间与待预测车辆的第Q站点至第P站点中的每两个相邻站点间的到站时间差，计算得到待预测车辆将要到达运行线路上第P站点的到站时间。
下面举出一个具体的例子来说明上述步骤501至步骤503。待预测车辆此时刚刚到达运行线路上的第Q站点，到达第Q站点的到站时间为TQ，假设根据上述步骤204确定出的与待预测车辆运行规律相似的车次为3个，分别为车次1，车次2，车次3，若待预测车辆还剩下四个站点未运行，这四个站点分别为站点a，站点b，站点c，站点d，其中d为终点站，根据与待预测车辆运行规律相似的这3个车次的到站时间记录中到达站点Q，站点a，站点b，站点c，站点d的到站时间，计算得到这3个车次的站点Q，站点a，站点b，站点c，站点d的到站时间时间差，如表2所示：
表2
对车次1，车次2，车次3的站点Q与站点a之间的到站时间差进行加权平均得到待预测车辆站点Q与站点a之间的到站时间差ΔT1；对车次1，车次2，车次3的站点a与站点b之间的到站时间差进行加权平均得到待预测车辆站点a与站点b之间的到站时间差ΔT2；对车次1，车次2，车次3的站点b与站点c之间的到站时间差进行加权平均得到待预测车辆站点b与站点c之间的到站时间差ΔT3；对车次1，车次2，车次3的站点c与站点d之间的到站时间差进行加权平均得到待预测车辆站点c与站点d之间的到站时间差ΔT4；若设置加权系数α，β，γ,令其和为1，则
ΔT1＝αΔt11+βΔt21+γΔt31，
ΔT2＝αΔt12+βΔt22+γΔt32
ΔT3＝αΔt13+βΔt23+γΔt33
ΔT4＝αΔt14+βΔt24+γΔt34
则确定出的待预测车辆到达a站点，b站点，c站点，d站点的到站时间分别为：
Ta＝TQ+ΔT1；
Tb＝TQ+ΔT1+ΔT2；
Tc＝TQ+ΔT1+ΔT2+ΔT3；
Td＝TQ+ΔT1+ΔT2+ΔT3+ΔT4；
上述实施例步骤501至503中的站点P可以是上述举例中a站点，b站点，c站点，d站点中的任一站点。上述方法流程根据与待预测车辆运行规律相似的车次的到站时间记录，并对相似车次在相同两个相邻站点间的到站时间差进行加权平均，进而结合待预测车辆到达第Q点的到站时间，确定出的待预测车辆将要到达运行线路上第P站点的到站时间的准确度很高。
优选的，上述实施例中，若待预测车辆的运行线路一共有A个站点，则第Q站点至少为第A/2个。虽然基于上述方法流程，待预测车辆在运行两个站点之后便可以对该车辆运行线路上除这两个站点外的任一站点的到站时间进行预测，但为了提高预测的稳定性，当预测车辆在运行线路上运行超过线路一半站点时开始进行预测，会获得更好的预测效果。
确定待预测车辆到达运行线路上第P站点的到站时间，包括确定待预测车辆到达运行线路上最后一个站点的到站时间，然后调度员根据待预测车辆到达运行线路上最后一个站点的到站时间，结合当前场站停放的车辆和即将到达此场站的车辆统一规划发车间隔，如通过预测到即将有3辆车在20分钟内到达此场站，而场站上已经停放了4辆车，则调度员在未来的20分钟时间内有7辆车可用，结合线路服务水平要求和客流状况，调度员可有的放矢的安排车辆发车时刻，解决了无法获知车辆何时能够返场而在场站过多停车，造成车辆整体利用率不高的问题。
上述方法流程中，当待预测车辆在运行线路上运行了M个站点以后，获取这M个站点的到站时间，并确定出这M个站点中的每两个相邻站点间的到站时间差；从历史数据中获取与待预测车辆同一运行线路的N个车次的到站时间记录，因到站时间记录中记录了到达每个站点的到站时间，可以确定出每个车次针对M个站点中的每两个相邻站点间的到站时间差。这样，可以根据待预测车辆针对这M个站点中的每两个相邻站点间的到站时间差，与N个车次针对这M个站点中的每两个相邻站点间的到站时间差，确定出与待预测车辆运行规律相似的车次；因这M个站点中的相邻站点间的到站时间差代表相邻站点之间的运行时间，本质上表征了当天线路的交通情况、客流情况等所有复杂的因素对公交线路运行时间的制约程度，故按照待预测车辆到达这M个站点的相邻站点之间的到站时间差和上述N个车次针对这M个站点的相邻站点之间的到站时间差的相似程度，得到与待预测车辆运行规律相似的车次，与现有技术相比，可以大大简化复杂数据的处理。基于与待预测车辆运行规律相似的车次的到站时间记录，预测待预测车辆还未到达的站点的到站时间，能够更加合理和准确的确定待预测车辆还未到达的站点的到站时间，解决了现有技术中存在的因无法获知车辆何时可用而使公交车站停放过多存车或者无车可发的问题，避免调度员在发车时刻调整时的盲目性，可使调度员根据预测的预计到站时间进行发车时刻调整时更有针对性，进而有效提高公交车辆整体利用效率，同时还能提高乘客乘车体验和公交服务水平。
针对上述方法流程，本发明实施例还提供一种公交车辆到站时间预测装置，这些装置的具体内容可以参照上述方法实施，在此不再赘述。
如图6所示，本发明实施例提供一种公交车辆到站时间预测装置，包括：
第一获取单元601，用于获取待预测车辆到达运行线路上的M个站点的到站时间；
第一确定单元602，用于根据待预测车辆的M个站点的到站时间，确定待预测车辆的M个站点中的每两个相邻站点间的到站时间差；
第二获取单元603，用于获取历史数据中与待预测车辆同一运行线路的N个车次的到站时间记录；
第二确定单元604，用于针对每一个车次的到站时间记录，确定该车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差；
处理单元605，用于根据待预测车辆的M个站点中的每两个相邻站点间的到站时间差和N个车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差，确定N个车次中与待预测车辆运行规律相似的车次的到站时间记录；
预测单元606，用于根据与待预测车辆运行规律相似的车次的到站时间记录，确定待预测车辆到达运行线路上第P站点的到站时间，其中，第P站点为运行线路上除M个站点外的任一站点。
进一步地，第二确定单元604具体用于：
根据该车次的到站时间记录的各个站点的到站时间，确定该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差；
从该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差中，筛选出该车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差；或者，
从该车次的到站时间记录的各个站点的到站时间中，筛选出该车次的到站时间记录的到达运行线路的M个站点的到站时间；
根据该车次的到站时间记录的到达运行线路的M个站点的到站时间，确定该车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差。
进一步地，处理单元605具体用于：
根据N个车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差，构建历史数据矩阵；其中，历史数据矩阵的第i行数组为N个车次中第i个车次的到站时间记录的M个站点中的每两个相邻站点间的到站时间差；
构建一行待处理数组，待处理数组为待预测车辆的M个站点中的每两个相邻站点间的到站时间差；
计算历史数据矩阵的每行数组与待处理数组的相似性；
根据历史数据矩阵的每行数组与待处理数组的相似性计算结果，确定出N个车次中与待预测车辆运行规律相似的车次的到站时间记录。
进一步地，处理单元605具体用于：
根据皮尔逊相关性距离公式，计算历史数据矩阵的每行数组与待处理数组的相似性；其中，
皮尔逊相关性距离公式为：
其中，ρX,Y为向量X和向量Y之间的皮尔逊相关性距离；X为历史数据矩阵的第i行数组构成的向量；Y为待处理数组构成的向量；cov(X,Y)为向量X与向量Y之间的相关性；σX为向量X的标准差；σY为向量Y的标准差；E(X)为向量X的数学期望；E(Y)为向量Y的数学期望；E(XY)为向量X与向量Y乘积的数学期望；E(X2)为向量X的平方的数学期望；E(Y2)为向量Y的平方的数学期望；μX为向量X中数组的平均值；μY为向量Y中数组的平均值。
进一步地，与待预测车辆运行规律相似的车次至少为1个；M个站点中待预测车辆最后到达的一个站点为第Q站点；
预测单元606具体用于：
根据每一个与待预测车辆运行规律相似的车次的到站时间记录中第Q站点至第P站点中每个站点的到站时间，计算该与待预测车辆运行规律相似的车次的到站时间记录的第Q站点至第P站点中的每两个相邻站点间的到站时间差；
将多个与待预测车辆运行规律相似的车次的第Q站点至第P站点中的每两个相邻站点间的到站时间差进行加权平均，得到待预测车辆的第Q站点至第P站点中的每两个相邻站点间的到站时间差；
根据待预测车辆到达第Q站点的到站时间与待预测车辆的第Q站点至第P站点中的每两个相邻站点间的到站时间差，计算得到待预测车辆将要到达运行线路上第P站点的到站时间。
进一步地，若运行线路一共有A个站点，则第Q站点至少为第A/2个。
上述实施例中，当待预测车辆在运行线路上运行了M个站点以后，获取这M个站点的到站时间，并确定出这M个站点中的每两个相邻站点间的到站时间差；从历史数据中获取与待预测车辆同一运行线路的N个车次的到站时间记录，因到站时间记录中记录了到达每个站点的到站时间，可以确定出每个车次针对M个站点中的每两个相邻站点间的到站时间差；这样，可以根据待预测车辆针对这M个站点中的每两个相邻站点间的到站时间差，与N个车次针对这M个站点中的每两个相邻站点间的到站时间差，确定出与待预测车辆运行规律相似的车次；因这M个站点中的相邻站点间的到站时间差代表相邻站点之间的运行时间，本质上表征了当天线路的交通情况、客流情况等所有复杂的因素对公交线路运行时间的制约程度，故按照待预测车辆到达这M个站点的相邻站点之间的到站时间差和上述N个车次针对这M个站点的相邻站点之间的到站时间差的相似程度，得到与待预测车辆运行规律相似的车次，与现有技术相比，可以大大简化复杂数据的处理。基于与待预测车辆运行规律相似的车次的到站时间记录，预测待预测车辆还未到达的站点的到站时间，能够更加合理和准确的确定待预测车辆还未到达的站点的到站时间，解决了现有技术中存在的因无法获知车辆何时可用而使公交车站停放过多存车或者无车可发的问题，避免调度员在发车时刻调整时的盲目性，可使调度员根据预测的预计到站时间进行发车时刻调整时更有针对性，进而有效提高公交车辆整体利用效率，同时还能提高乘客乘车体验和公交服务水平。
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，则可对这些实施例作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 (12)
1.一种公交车辆到站时间预测方法，其特征在于，包括：
获取待预测车辆到达运行线路上的M个站点的到站时间；
根据所述待预测车辆的所述M个站点的到站时间，确定所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差；
获取历史数据中与所述待预测车辆同一运行线路的N个车次的到站时间记录；
针对每一个车次的到站时间记录，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；
根据所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差和所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，确定所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录；
根据与所述待预测车辆运行规律相似的车次的到站时间记录，确定所述待预测车辆到达所述运行线路上第P站点的到站时间，其中，所述第P站点为所述运行线路上除所述M个站点外的任一站点。
2.如权利要求1所述的方法，其特征在于，所述针对每一个车次的到站时间记录，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，包括：
根据该车次的到站时间记录的各个站点的到站时间，确定该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差；
从该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差中，筛选出该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；或者，
从该车次的到站时间记录的各个站点的到站时间中，筛选出该车次的到站时间记录的到达所述运行线路的所述M个站点的到站时间；
根据该车次的到站时间记录的到达所述运行线路的所述M个站点的到站时间，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差。
3.如权利要求1所述的方法，其特征在于，所述根据所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差和所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，确定所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录，包括：
根据所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，构建历史数据矩阵；其中，所述历史数据矩阵的第i行数组为所述N个车次中第i个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；
构建一行待处理数组，所述待处理数组为所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差；
计算所述历史数据矩阵的每行数组与所述待处理数组的相似性；
根据所述历史数据矩阵的每行数组与所述待处理数组的相似性计算结果，确定出所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录。
4.如权利要求3所述的方法，其特征在于，所述计算所述历史数据矩阵的每行数组与所述待处理数组的相似性，包括：
根据皮尔逊相关性距离公式，计算所述历史数据矩阵的每行数组与所述待处理数组的相似性；其中，
所述皮尔逊相关性距离公式为：
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>cov</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>X</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>Y</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>X</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>(</mo>
<mrow>
<mi>Y</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>Y</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>X</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>Y</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>E</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<msqrt>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>Y</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>E</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中，ρX,Y为向量X和向量Y之间的皮尔逊相关性距离；X为所述历史数据矩阵的第i行数组构成的向量；Y为所述待处理数组构成的向量；cov(X,Y)为向量X与向量Y之间的相关性；σX为向量X的标准差；σY为向量Y的标准差；E(X)为向量X的数学期望；E(Y)为向量Y的数学期望；E(XY)为向量X与向量Y乘积的数学期望；E(X2)为向量X的平方的数学期望；E(Y2)为向量Y的平方的数学期望；μX为向量X中数组的平均值；μY为向量Y中数组的平均值。
5.如权利要求1-4中任一项所述的方法，其特征在于，与所述待预测车辆运行规律相似的车次至少为1个；所述M个站点中所述待预测车辆最后到达的一个站点为第Q站点；
根据与所述待预测车辆运行规律相似的车次的到站时间记录，确定所述待预测车辆到达所述运行线路上第P站点的到站时间，包括：
根据每一个与所述待预测车辆运行规律相似的车次的到站时间记录中第Q站点至所述第P站点中每个站点的到站时间，计算该与所述待预测车辆运行规律相似的车次的到站时间记录的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差；
将多个与所述待预测车辆运行规律相似的车次的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差进行加权平均，得到所述待预测车辆的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差；
根据所述待预测车辆到达所述第Q站点的到站时间与所述待预测车辆的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差，计算得到所述待预测车辆将要到达所述运行线路上所述第P站点的到站时间。
6.一种如权利要求5所述的方法，其特征在于，若所述运行线路一共有A个站点，则所述第Q站点至少为第A/2个。
7.一种公交车辆到站时间预测装置，其特征在于，包括：
第一获取单元，用于获取待预测车辆到达运行线路上的M个站点的到站时间；
第一确定单元，用于根据所述待预测车辆的所述M个站点的到站时间，确定所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差；
第二获取单元，用于获取历史数据中与所述待预测车辆同一运行线路的N个车次的到站时间记录；
第二确定单元，用于针对每一个车次的到站时间记录，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；
处理单元，用于根据所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差和所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，确定所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录；
预测单元，用于根据与所述待预测车辆运行规律相似的车次的到站时间记录，确定所述待预测车辆到达所述运行线路上第P站点的到站时间，其中，所述第P站点为所述运行线路上除所述M个站点外的任一站点。
8.如权利要求7所述的装置，其特征在于，所述第二确定单元具体用于：
根据该车次的到站时间记录的各个站点的到站时间，确定该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差；
从该车次的到站时间记录的各个站点中的每两个相邻站点间的到站时间差中，筛选出该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；或者，
从该车次的到站时间记录的各个站点的到站时间中，筛选出该车次的到站时间记录的到达所述运行线路的所述M个站点的到站时间；
根据该车次的到站时间记录的到达所述运行线路的所述M个站点的到站时间，确定该车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差。
9.如权利要求7所述的装置，其特征在于，所述处理单元具体用于：
根据所述N个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差，构建历史数据矩阵；其中，所述历史数据矩阵的第i行数组为所述N个车次中第i个车次的到站时间记录的所述M个站点中的每两个相邻站点间的到站时间差；
构建一行待处理数组，所述待处理数组为所述待预测车辆的所述M个站点中的每两个相邻站点间的到站时间差；
计算所述历史数据矩阵的每行数组与所述待处理数组的相似性；
根据所述历史数据矩阵的每行数组与所述待处理数组的相似性计算结果，确定出所述N个车次中与所述待预测车辆运行规律相似的车次的到站时间记录。
10.如权利要求9所述的装置，其特征在于，所述处理单元具体用于：
根据皮尔逊相关性距离公式，计算所述历史数据矩阵的每行数组与所述待处理数组的相似性；其中，
所述皮尔逊相关性距离公式为：
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>cov</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>X</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>Y</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>X</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>(</mo>
<mrow>
<mi>Y</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>Y</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>X</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>Y</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>E</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<msqrt>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>Y</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>E</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中，ρX,Y为向量X和向量Y之间的皮尔逊相关性距离；X为所述历史数据矩阵的第i行数组构成的向量；Y为所述待处理数组构成的向量；cov(X,Y)为向量X与向量Y之间的相关性；σX为向量X的标准差；σY为向量Y的标准差；E(X)为向量X的数学期望；E(Y)为向量Y的数学期望；E(XY)为向量X与向量Y乘积的数学期望；E(X2)为向量X的平方的数学期望；E(Y2)为向量Y的平方的数学期望；μX为向量X中数组的平均值；μY为向量Y中数组的平均值。
11.如权利要求7-10中任一项所述的装置，其特征在于，与所述待预测车辆运行规律相似的车次至少为1个；所述M个站点中所述待预测车辆最后到达的一个站点为第Q站点；
所述预测单元具体用于：
根据每一个与所述待预测车辆运行规律相似的车次的到站时间记录中第Q站点至所述第P站点中每个站点的到站时间，计算该与所述待预测车辆运行规律相似的车次的到站时间记录的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差；
将多个与所述待预测车辆运行规律相似的车次的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差进行加权平均，得到所述待预测车辆的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差；
根据所述待预测车辆到达所述第Q站点的到站时间与所述待预测车辆的第Q站点至所述第P站点中的每两个相邻站点间的到站时间差，计算得到所述待预测车辆将要到达所述运行线路上所述第P站点的到站时间。
12.一种如权利要求11所述的装置，其特征在于，若所述运行线路一共有A个站点，则所述第Q站点至少为第A/2个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510732068.3A CN105243868B (zh) | 2015-10-30 | 2015-10-30 | 一种公交车辆到站时间预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510732068.3A CN105243868B (zh) | 2015-10-30 | 2015-10-30 | 一种公交车辆到站时间预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105243868A CN105243868A (zh) | 2016-01-13 |
| CN105243868B true CN105243868B (zh) | 2017-09-29 |
Family
ID=55041493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510732068.3A Active CN105243868B (zh) | 2015-10-30 | 2015-10-30 | 一种公交车辆到站时间预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105243868B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107038498A (zh) * | 2017-03-31 | 2017-08-11 | 上海雷腾软件股份有限公司 | 一种交通路线的更新方法及设备 |
| CN107146450B (zh) * | 2017-06-05 | 2019-09-24 | 浙江百世技术有限公司 | 一种班车/公交车的到达时间预测方法 |
| CN108877276B (zh) * | 2018-08-31 | 2020-07-03 | 深圳市东部公共交通有限公司 | 快速预测公交行驶时间方法、装置及计算机终端 |
| CN109584552B (zh) * | 2018-11-28 | 2021-04-30 | 青岛大学 | 一种基于网络向量自回归模型的公交到站时间预测方法 |
| CN112734285B (zh) * | 2021-01-22 | 2023-05-02 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站送风机超温预警方法及系统 |
| CN113065803A (zh) * | 2021-04-26 | 2021-07-02 | 广州通达汽车电气股份有限公司 | 站间行车数据处理方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5736940A (en) * | 1993-04-06 | 1998-04-07 | Burgener; E. C. | Portable transit data information system and apparatus |
| TW201232489A (en) * | 2011-01-31 | 2012-08-01 | Huey-Kuo Chen | A travel time prediction and arrival time inquiry system for school bus using HHT technique and grey theory |
| CN103295414A (zh) * | 2013-05-31 | 2013-09-11 | 北京建筑工程学院 | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 |
| CN104424812A (zh) * | 2013-08-28 | 2015-03-18 | 中国电信股份有限公司 | 一种公交到站时间预测系统和方法 |
-
2015
- 2015-10-30 CN CN201510732068.3A patent/CN105243868B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5736940A (en) * | 1993-04-06 | 1998-04-07 | Burgener; E. C. | Portable transit data information system and apparatus |
| TW201232489A (en) * | 2011-01-31 | 2012-08-01 | Huey-Kuo Chen | A travel time prediction and arrival time inquiry system for school bus using HHT technique and grey theory |
| CN103295414A (zh) * | 2013-05-31 | 2013-09-11 | 北京建筑工程学院 | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 |
| CN104424812A (zh) * | 2013-08-28 | 2015-03-18 | 中国电信股份有限公司 | 一种公交到站时间预测系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105243868A (zh) | 2016-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105243868B (zh) | 一种公交车辆到站时间预测方法及装置 | |
| CN103678917B (zh) | 一种基于模拟退火算法的公交实时到站时间预测方法 | |
| CN105719022B (zh) | 一种轨道交通客流实时预测及乘客引导系统 | |
| CN104408908B (zh) | 公交车辆越站调度方法及系统 | |
| CN103310287B (zh) | 基于svm预测乘客出行概率的轨道交通客流预测方法 | |
| CN104134349B (zh) | 一种基于交通多源数据融合的公交路况处理系统及方法 | |
| CN104636828B (zh) | 基于马尔科夫链的公共自行车站点供需预测方法 | |
| CN104064024B (zh) | 一种基于历史数据的公交车辆到站时间预测方法 | |
| CN104573849A (zh) | 基于arima模型预测客流的公交调度优化方法 | |
| CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
| CN106504516A (zh) | 一种基于公交站点信息化的多形式公交动态调度方法 | |
| CN105550789A (zh) | 一种公交出行客流的预测方法 | |
| CN107346460A (zh) | 基于智能网联系统下前车运行信息的未来工况预测方法 | |
| CN112819316B (zh) | 一种综合客运枢纽轨道交通系统的枢纽运能识别方法 | |
| CN102737500B (zh) | 一种获取城市公交车辆到达间隔可靠性的方法 | |
| CN102129522B (zh) | 一种快速识别和消除高速铁路运输能力瓶颈的方法 | |
| CN105512447A (zh) | 一种基于Holt-Winters模型的公交客量预测方法 | |
| CN111553530B (zh) | 一种城际网约车包车出行运力预测与出行推荐方法及系统 | |
| CN104569911B (zh) | 一种obu定位方法、rsu及etc系统 | |
| CN105206040B (zh) | 一种基于ic卡数据的公交串车预测方法 | |
| CN113313453B (zh) | 一种基于互联网的防水涂料货运管理系统 | |
| CN109272168A (zh) | 一种城市轨道交通客流变化趋势预测方法 | |
| CN105489056A (zh) | 一种基于od矩阵的停车需求预测方法 | |
| CN104464276A (zh) | 一种基于gps技术的防止公交车集中到站的调度方法 | |
| CN105513356A (zh) | 一种基于轨迹追踪的od矩阵估计方法与系统 |
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 |