CN105303246A - 一种多线路公交到站时间预测方法 - Google Patents
一种多线路公交到站时间预测方法 Download PDFInfo
- Publication number
- CN105303246A CN105303246A CN201510561297.3A CN201510561297A CN105303246A CN 105303246 A CN105303246 A CN 105303246A CN 201510561297 A CN201510561297 A CN 201510561297A CN 105303246 A CN105303246 A CN 105303246A
- Authority
- CN
- China
- Prior art keywords
- bus
- line
- time
- predicted
- precondingbus
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012706 support-vector machine Methods 0.000 claims abstract description 39
- 238000000926 separation method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012417 linear regression Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种多线路公交到站时间预测方法,首先定义preceding?bus表示为最后一辆或几辆刚刚到达待预测公交站点的公交车,预测方法包括:给出任一条公交线路的公交车在设定位置的到达时间,预测公交车在所述设定位置和待预测公交站点间的运行时间,从而得出多线路公交车在待预测公交站点的到达时间;把多线路preceding?bus的运行时间作为预测运行时间的输入变量,用函数表示目标公交车在设定位置和待预测公交站点之间的运行时间;使用支持向量机来预测公交到站时间。本发明使用实际数据,通过整合多条公交线路的公交车的信息来预测公交车的到站时间,为公交乘客提供公交车的准确到站时间,从而减少乘客的焦虑和等待时间。
Description
技术领域
本发明涉及一种时间预测方法,特别是涉及一种多线路公交到站时间预测方法。
背景技术
车辆定位系统(AVL,automaticvehiclelocation)、识别系统(AVI,automaticvehicleidentification)和自动乘客计数设备(APC,automaticpassengercounters)等一些高新技术逐步应用到运输管理领域,这些系统和技术是智能交通系统(ITS,intelligenttransportationsystems)的重要组成部分。同时,公交公司也意识到了这些高新技术能为其带来经营效益。这些高新技术可以帮助公交公司获得实时公交信息,从而减少乘客的出行时间,提高管理和服务水平。准确的实时公交信息既可以帮助乘客合理地选择他们的出行时间,还可以帮助乘客选择最合适的公交车出行。因此,通过使用高新技术为乘客提供实时公交到站信息成为研究的热门。
目前有很多关于预测单条公交线路的公交车运行或到达时间的研究,但通过整合多条公交线路的公交车的信息来预测公交运行或到达时间的研究却很少。由于每条路段都有好几条公交线路,因此,通过整合多条公交线路的信息,可以提高公交到站时间预测模型的精度。
发明内容
本发明所要解决的技术问题是,提供一种能够为公交乘客提供公交车的准确到站时间的多线路公交到站时间预测方法。
本发明所采用的技术方案是:一种多线路公交到站时间预测方法,首先定义precedingbus表示为最后一辆或几辆刚刚到达待预测公交站点的公交车,预测方法具体包括如下步骤:
1)给出任一条公交线路的公交车在设定位置的到达时间,预测公交车在所述设定位置和待预测公交站点间的运行时间,从而得出多线路公交车在待预测公交站点的到达时间,具体表达如下:
其中,s表示待预测公交站点,n表示目标公交车的编号,l表示目标公交车n的线路编号,a表示设定位置,表示多线路公交车到达待预测公交站点s的时间,表示公交线路l上的目标公交车n到达设定位置a的时间,表示目标公交车n在设定位置a和待预测公交站点s之间的运行时间;
2)把多线路precedingbus的运行时间作为预测运行时间的输入变量,目标公交车在设定位置a和待预测公交站点s之间的运行时间的函数表示如下:
其中,表示目标公交车n与线路集合L中任一公交线路的precedingbus的相隔时间,表示目标公交车n和同一公交线路l上的precedingbus的相隔时间,表示路线集合L中任一线路的precedingbus在设定位置a和待预测公交站点s之间的平均运行时间,表示同一公交线路l上的precedingbus在设定位置a和待预测公交站点s之间的运行时间;
3)使用支持向量机来预测公交到站时间。
步骤2)中所述的表示目标公交车n与线路集合L中任一公交线路的precedingbus的相隔时间中的任一公交线路的precedingbus与目标公交车n属于同一条公交线,或属于不同公交线路。
步骤2)中所述的
其中,L表示线路集合,表示公交线路l上的目标公交车n到达设定位置a的时间,k表示线路集合L中任一公交线路的precedingbus,表示线路集合L中任一公交线路的precedingbusk到达设定位置a的时间。
步骤2)中所述的表示目标公交车n和同一公交线路l的precedingbus的相隔时间,和表示为:
其中,k+μ表示同一公交线路l的precedingbus,表示k+μ公交车到达设定位置a的时间。
步骤2)中所述的表示路线集合L中任一线路的precedingbus在设定位置a和待预测公交站点s之间的平均运行时间,表示为:
表示precedingbus中的第j辆在设定位置a和待预测公交站点s之间的运行时间,Γ表示precedingbus的权重的和,δ表示预测范围,即被选中的公交车的数量。
步骤2)中所述的表示同一公交线路l上的precedingbus在设定位置a和待预测公交站点s之间的运行时间,表示为:
其中,表示公交路线l上的公交车k+μ到达待预测公交站点s的到站时间,表示路线l上的公交车k+μ到达设定位置a的时间。
步骤3)所述的使用支持向量机来预测公交到站时间,是将模型的输入变量定为:目标公交车n与线路集合L中任一公交线路的precedingbus的相隔时间目标公交车n和同一公交线路l上的precedingbus的相隔时间路线集合L中任一线路的precedingbus在设定位置a和待预测公交站点s之间的平均运行时间以及同一公交线路l上的precedingbus在设定位置a和待预测公交站点s之间的运行时间
本发明的一种多线路公交到站时间预测方法,使用实际数据,通过整合多条公交线路的公交车的信息来预测公交车的到站时间,为公交乘客提供公交车的准确到站时间,从而减少乘客的焦虑和等待时间。其次,本发明使用支持向量机(SVM,SupportVectorMachine)来预测多线路公交车到站时间,并与人工神经网络(ANN,ArtificialNeuralNetwork)、k近邻算法(k-NN,k-NearestNeighbor)和线性回归(LR,linearregression)三种预测方法进行了比较和评估,最终得出支持向量机预测公交到站时间的精度最高。本发明具有以下优点:
1、本发明在常规的单线路公交到站时间预测的基础上,创新性的通过整合多条公交线路的信息来预测公交车的到站时间,提高了预测的精度。
2、本发明使用支持向量机(SVM,SupportVectorMachine)来预测公交到站时间时,并将其与人工神经网络(ANN,ArtificialNeuralNetwork)、k近邻算法(k-NN,k-NearestNeighbor)和线性回归(LR,linearregression)三种预测方法进行了比较,得出预测公交到站时间精度最高的方法是支持向量机。
3、本发明所需数据来源于智能交通系统,便于收集,耗费人力物力小。4、本发明方法可以通过计算机实现自动化的预测,发明方法的实用性强。
附图说明
图1是本发明多线路公交到站时间预测方法模型示意图;
图2是解释单线路公交车运行时间预测与多线路公交运行时间预测的不同点的说明图;
图3是基于支持向量机的多线路公交到站时间预测模型的结构;
图4给出了6种不同参数的支持向量机模型的预测误差;
图5是四种模型的平均绝对误差、平均绝对百分误差和均方根误差的比较;
图6a是支持向量机模型预测出的公交运行时间和观测到的运行时间;
图6b是人工神经网络模型预测出的公交运行时间和观测到的运行时间;
图6c是k近邻模型预测出的公交运行时间和观测到的运行时间;
图6d是线性回归模型预测出的公交运行时间和观测到的运行时间。
具体实施方式
下面结合实施例和附图对本发明的一种多线路公交到站时间预测方法做出详细说明。应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明的一种多线路公交到站时间预测方法,为了方便说明,首先定义precedingbus表示为最后一辆或几辆刚刚到达待预测公交站点的公交车,预测方法具体包括如下步骤:
1)给出任一条公交线路的公交车在设定位置的到达时间,预测公交车在所述设定位置和待预测公交站点间的运行时间,从而得出多线路公交车在待预测公交站点的到达时间。如图1所示,任一条公交线路l的公交车n(101,102,103)到达位置A的公交到达时间可以通过交通数据采集技术(如车辆定位系统)获得。然后,公交车在位置A和公交站点s之间的运行时间可以通过很多方式预测出来。根据公交车在位置A的到达时间,多线路公交车在公交站点s的到达时间可以确定。具体表达如下:
其中,s表示待预测公交站点,n表示目标公交车的编号,l表示目标公交车n的线路编号,a表示设定位置,表示多线路公交车到达待预测公交站点s的时间,表示公交线路l上的目标公交车n到达设定位置a的时间,表示目标公交车n在设定位置a和待预测公交站点s之间的运行时间;
2)用于预测单线路公交车的运行时间,如果整合多线路公交车的运行时间,预测的实时交通状况的准确性会更高。因此,本发明把多线路precedingbus的运行时间作为预测运行时间的输入变量,通常来讲,最新的数据的可靠性越高,所以本发明还把precedingbus与目标公交车的车头时距之和作为预测运行时间的输入变量。综上,目标公交车在设定位置a和待预测公交站点s之间的运行时间的函数表示如下:
其中,表示目标公交车n与线路集合L中任一公交线路的precedingbus的相隔时间,表示目标公交车n和同一公交线路l上的precedingbus的相隔时间,表示路线集合L中任一线路的precedingbus在设定位置a和待预测公交站点s之间的平均运行时间,表示同一公交线路l上的precedingbus在设定位置a和待预测公交站点s之间的运行时间;具体:
所述的表示目标公交车n与线路集合L中任一公交线路的precedingbus的相隔时间中的任一公交线路的precedingbus与目标公交车n属于同一条公交线,或属于不同公交线路。
所述的表示为
其中,L表示线路集合,表示公交线路l上的目标公交车n到达设定位置a的时间,k表示线路集合L中任一公交线路的precedingbus,表示线路集合L中任一公交线路的precedingbusk到达设定位置a的时间。
所述的表示目标公交车n和同一公交线路l的precedingbus的相隔时间,图2解释了和这两个变量的不同。表示为:
其中,k+μ表示同一公交线路l的precedingbus,表示k+μ公交车到达设定位置a的时间。
所述的表示路线集合L中任一线路的precedingbus(如图2中的公交车k,…,k+μ,…,k+δ)在设定位置a和待预测公交站点s之间的平均运行时间,一般来说,precedingbus和目标公交车n之间的车头时距会比其他的那些公交车与目标公交车之间的车头时距对加权平均行驶时间产生更多的影响。按照权重分配法则,每个precedingbus分配到的权重为precedingbus和目标公交车之间的车头时距的倒数。表示为:
表示precedingbus中的第j辆在设定位置a和待预测公交站点s之间的运行时间,Γ表示precedingbus的权重的和,δ表示预测范围,即被选中的公交车的数量。
所述的表示同一公交线路l上的precedingbus(如图2中的公交车k+μ)在设定位置a和待预测公交站点s之间的运行时间,表示为:
其中,表示公交路线l上的公交车k+μ到达待预测公交站点s的到站时间,表示路线l上的公交车k+μ到达设定位置a的时间。
3)本发明使用支持向量机(SVM,SupportVectorMachine)来预测公交到站时间。
支持向量机是一种基于统计学习理论的学习算法,可以反映输入和输出的非线性关系。此外,支持向量机的结果总是全局最优的,支持向量机相当于解决线性约束二次规划问题。因此,支持向量机不会出现过学习的问题。这主要是因为支持向量机可以通过核函数构造一个从一维输入变量到高维空间的映射。图3显示了基于支持向量机的多线路公交到站时间预测模型的结构。
如图3所示,所述的使用支持向量机来预测公交到站时间,是将模型的输入变量定为:目标公交车n与线路集合L中任一公交线路的precedingbus的相隔时间目标公交车n和同一公交线路l上的precedingbus的相隔时间路线集合L中任一线路的precedingbus在设定位置a和待预测公交站点s之间的平均运行时间以及同一公交线路l上的precedingbus在设定位置a和待预测公交站点s之间的运行时间
输出变量为目标公交车n在设定位置a和待预测公交站点s之间的运行时间具体的推导过程参见文献应用支持向量机预测公交车运行时间(于滨等,2008,21(2))。
为检验预测的到站时间与真实到站时间的差异,本发明引入了3种常用的评价指标,即:公交线路l的平均绝对误差(MAEl),平均绝对百分误差(MAPEl)和均方根误差(PMSSEl)。其公式分别如下:
其中,是公交线路l的目标公交车n的实际运行时间,是公交线路l的目标公交车n的预测运行时间。
下面结合一算例对本发明的一种多线路公交到站时间预测方法进行进一步说明。
1)采用了香港的公交运行数据,香港有一个高度发达和先进的公交线路网,其中有大约700公交线路。香港每天的出行中超过90%是通过公共交通,是世界公共交通出行率最高的城市。在香港,实时出行信息系统(RTIS)提供了整个网络的交通信息。在RTIS中,通过AVI技术来收集实时交通数据(快易通记录)。本发明选取了九龙中心城区近海底隧道入口的公交站(CHT)作为待预测公交站点。根据香港的快易通软件,得到经过此站点的公交车有两个运行方向,一是西方向从查塔姆道路(CRN)到海底隧道,二是东方向从平气街(PCS)到。从该站点向西的公交线路有8条,分别为102,103,104,110,112,117,118和171。从该站点向东的公交线路包括101,107,108,109,111和116。从CRN到CHT的距离为0.62km,从PCS到CHT的距离为0.72km。
为了得到实际的公交运行时间和公交到达时间的数据,调查了2010年五月11-12日(周二到周三)和2010年6月8日(周二)早高峰时段(08:00-10:00)待预测站点CHT的数据。
在调查中,我们记录路线号和每辆通过CHT站点的公交车的车牌。然后,把车牌号和快易通记录进行匹配,从而得出公交车在CHT站点的实际到达时间和通过CRN和PCS的运行时间。
数据滤波算法(Tam和Lam,2008)被应用于观察收集的调查数据,来过滤掉离群值。3天中有效的数据分别为237、228和224。本发明根据不同方向(CRN和PCS到CHT站)把这些路线分成两组。表1表示每天每条线路的有效数据的数量和收集到的运行时间。从表1可以看出,西方向(从CRN到CHT站)的公交车平均出行时间明显比东方向(PCS到CHT站)出行时间长。东方向的公交车运行时间在170秒到485秒之间,平均出行时间在291秒左右。西方向的公交运行时间在275秒到662秒之间,平均出行时间约为449秒。东、西方向出行时间的均方根误差分别为57.5秒和67.3秒。
2)模型标识前,应确定运行时间加权平均的参数δ。通过敏感性测试,在这项研究中,选取三辆之前通过待预测站点的公共汽车的运行时间来计算加权平均运行时间,也就是说,δ=3。在模型标识中,首先把观察到的数据按公交路线分类并计算出预测模型的输入。然后,把2010年5月11日剩余的数据作为测试数据。2010年5月12日和6月8日的数据作为训练数据来调整预测模型。
3)使用支持向量机模型进行预测:采用RBF核函数。为了确定SVM的输入变量,进行了敏感性测试,表2列出了不同参数SVM模型的所有线路预测值的平均绝对误差。每条路线的预测误差如图4所示。模型1到5用多条线路的公交车信息来预测公交车在公交车站的到站时间。模型6是一个标准的用单条线路来预测的公交车到站时间的模型。从图4可以看出,单条线路的预测模型的预测结果是六个模型中最差的。这表明集成多条线路的公交车信息提高了到站时间预测的准确性。这主要是因为多条线路的公交车信息可以减少公交车事故的影响。此外,图4还表明,支持向量机模型5在每条线路的预测精度都几乎是最好的。因此,四个变量都被用于支持向量机模型的输入变量。
4)与人工神经网络模型、k近邻算法、线性回归模型进行比较:为了与支持向量机使用人工神经网络,k近邻算法和线性回归预测CHT站点的多线路公交车的到达时间。四个模型的平均绝对误差、平均绝对百分误差和均方根误差如图5所示。具体数据见表3。图5比较了四种不同方法的平均绝对误差、平均绝对百分误差和均方根误差。在图5中,水平轴分为两个方向:PCS-CHT(东方向)和CRN-CHT(西方向)。可以看出支持向量机模型的预测精度是四个模型中最好的。主要是由于支持向量机实现了结构风险最小化原则,而且支持向量机不会发生过学习。
尽管人工神经网络模型的预测精度比支持向量机差,但其优于k近邻算法和线性回归模型。线性回归模型的性能是四种模型中最差的。然而,对西方向到达时间的预测,线性回归模型比k近邻算法好。从表3可以看出,支持向量机在东方向(PCS-CHT)和西方向(CRN-CHT)的平均绝对百分误差分别为11.5%和6.69%。十四条公交线路,支持向量机模型的平均绝对百分误差在4.49%到13.23%之间,而人工神经网络,k近邻算法和线性回归模型的平均绝对百分误差分别在6.84%到15.11%,6.94%到16.89%和6.78%到24.99%之间。比较不同方法在每条线路的预测的最大误差,可以发现支持向量机模型的预测误差是最低的,除了线路103和108。总之,支持向量机模型是四个模型中预测精度最好的。尽管人工神经网络模型的精度略优于k近邻算法,但由于其结构简单,k近邻算法仍然是一个公交车运行时间预测替代方法。
图6和表4显示了四个模型预测出的公交运行时间和观测到的运行时间的对比。从图中看到,支持向量机模型的预测结果比其他三种方法更接近观测到的数据。相关系数(r)反映了公交运行时间预测的准确性,四种方法的相关系数分别为0.90,0.87,0.85和0.84。也可以从这四个方法的t检验的结果看出,只有支持向量机和人工神经网络模型通过了t检验。综上,根据验证结果,支持向量机模型在多线路公交车到站时间预测中的精度最高。
表1
表2
表3
表4
Claims (7)
1.一种多线路公交到站时间预测方法,其特征在于,首先定义precedingbus表示为最后一辆或几辆刚刚到达待预测公交站点的公交车,预测方法具体包括如下步骤:
1)给出任一条公交线路的公交车在设定位置的到达时间,预测公交车在所述设定位置和待预测公交站点间的运行时间,从而得出多线路公交车在待预测公交站点的到达时间,具体表达如下:
其中,s表示待预测公交站点,n表示目标公交车的编号,l表示目标公交车n的线路编号,a表示设定位置,表示多线路公交车到达待预测公交站点s的时间,表示公交线路l上的目标公交车n到达设定位置a的时间,表示目标公交车n在设定位置a和待预测公交站点s之间的运行时间;
2)把多线路precedingbus的运行时间作为预测运行时间的输入变量,目标公交车在设定位置a和待预测公交站点s之间的运行时间的函数表示如下:
其中,表示目标公交车n与线路集合L中任一公交线路的precedingbus的相隔时间,表示目标公交车n和同一公交线路l上的precedingbus的相隔时间,表示路线集合L中任一线路的precedingbus在设定位置a和待预测公交站点s之间的平均运行时间,表示同一公交线路l上的precedingbus在设定位置a和待预测公交站点s之间的运行时间;
3)使用支持向量机来预测公交到站时间。
2.根据权利要求1所述的一种多线路公交到站时间预测方法,其特征在于,步骤2)中所述的表示目标公交车n与线路集合L中任一公交线路的precedingbus的相隔时间中的任一公交线路的precedingbus与目标公交车n属于同一条公交线,或属于不同公交线路。
3.根据权利要求1所述的一种多线路公交到站时间预测方法,其特征在于,步骤2)中所述的
其中,L表示线路集合,表示公交线路l上的目标公交车n到达设定位置a的时间,k表示线路集合L中任一公交线路的precedingbus,表示线路集合L中任一公交线路的precedingbusk到达设定位置a的时间。
4.根据权利要求1所述的一种多线路公交到站时间预测方法,其特征在于,步骤2)中所述的表示目标公交车n和同一公交线路l的precedingbus的相隔时间, 表示为:
其中,k+μ表示同一公交线路l的precedingbus,表示k+μ公交车到达设定位置a的时间。
5.根据权利要求1所述的一种多线路公交到站时间预测方法,其特征在于,步骤2)中所述的表示路线集合L中任一线路的precedingbus在设定位置a和待预测公交站点s之间的平均运行时间,表示为:
表示precedingbus中的第j辆在设定位置a和待预测公交站点s之间的运行时间,Γ表示precedingbus的权重的和,δ表示预测范围,即被选中的公交车的数量。
6.根据权利要求1所述的一种多线路公交到站时间预测方法,其特征在于,步骤2)中所述的表示同一公交线路l上的precedingbus在设定位置a和待预测公交站点s之间的运行时间,表示为:
其中,表示公交路线l上的公交车k+μ到达待预测公交站点s的到站时间,表示路线l上的公交车k+μ到达设定位置a的时间。
7.根据权利要求1所述的一种多线路公交到站时间预测方法,其特征在于,步骤3)所述的使用支持向量机来预测公交到站时间,是将模型的输入变量定为:目标公交车n与线路集合L中任一公交线路的precedingbus的相隔时间目标公交车n和同一公交线路l上的precedingbus的相隔时间路线集合L中任一线路的precedingbus在设定位置a和待预测公交站点s之间的平均运行时间以及同一公交线路l上的precedingbus在设定位置a和待预测公交站点s之间的运行时间
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510561297.3A CN105303246A (zh) | 2015-09-07 | 2015-09-07 | 一种多线路公交到站时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510561297.3A CN105303246A (zh) | 2015-09-07 | 2015-09-07 | 一种多线路公交到站时间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105303246A true CN105303246A (zh) | 2016-02-03 |
Family
ID=55200488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510561297.3A Pending CN105303246A (zh) | 2015-09-07 | 2015-09-07 | 一种多线路公交到站时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303246A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899511A (zh) * | 2020-08-03 | 2020-11-06 | 西南交通大学 | 一种共线线路avl数据的公交车到站时间预测方法 |
CN112509317A (zh) * | 2020-11-09 | 2021-03-16 | 广州交信投科技股份有限公司 | 基于机器学习算法的公交实时到站预测方法、装置和设备 |
CN116523349A (zh) * | 2023-05-19 | 2023-08-01 | 北京协合运维风电技术有限公司 | 一种风力电站可靠性分析方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231785A (zh) * | 2007-06-18 | 2008-07-30 | 杨宁宇 | 一种显示公交车到站时间的站牌及到站时间计算方法 |
CN102074124A (zh) * | 2011-01-27 | 2011-05-25 | 山东大学 | 一种基于svm及h∞滤波的动态公交到站时间预测方法 |
CN102081859A (zh) * | 2009-11-26 | 2011-06-01 | 上海遥薇实业有限公司 | 一种公交车到站时间预测模型控制方法 |
CN102708701A (zh) * | 2012-05-18 | 2012-10-03 | 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 |
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 |
CN104252795A (zh) * | 2014-09-23 | 2014-12-31 | 深圳市谷米科技有限公司 | 公交车到站时间预测方法 |
CN104794927A (zh) * | 2015-04-29 | 2015-07-22 | 贵州中科汉天下信息技术有限公司 | 一种公交车到站时间预测方法 |
CN103838868B (zh) * | 2014-03-21 | 2017-02-08 | 东南大学 | 一种基于多公交线路运行数据融合的城市公交到站时间预测方法 |
-
2015
- 2015-09-07 CN CN201510561297.3A patent/CN105303246A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231785A (zh) * | 2007-06-18 | 2008-07-30 | 杨宁宇 | 一种显示公交车到站时间的站牌及到站时间计算方法 |
CN102081859A (zh) * | 2009-11-26 | 2011-06-01 | 上海遥薇实业有限公司 | 一种公交车到站时间预测模型控制方法 |
CN102074124A (zh) * | 2011-01-27 | 2011-05-25 | 山东大学 | 一种基于svm及h∞滤波的动态公交到站时间预测方法 |
CN102708701A (zh) * | 2012-05-18 | 2012-10-03 | 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 |
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 |
CN103838868B (zh) * | 2014-03-21 | 2017-02-08 | 东南大学 | 一种基于多公交线路运行数据融合的城市公交到站时间预测方法 |
CN104252795A (zh) * | 2014-09-23 | 2014-12-31 | 深圳市谷米科技有限公司 | 公交车到站时间预测方法 |
CN104794927A (zh) * | 2015-04-29 | 2015-07-22 | 贵州中科汉天下信息技术有限公司 | 一种公交车到站时间预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899511A (zh) * | 2020-08-03 | 2020-11-06 | 西南交通大学 | 一种共线线路avl数据的公交车到站时间预测方法 |
CN112509317A (zh) * | 2020-11-09 | 2021-03-16 | 广州交信投科技股份有限公司 | 基于机器学习算法的公交实时到站预测方法、装置和设备 |
CN112509317B (zh) * | 2020-11-09 | 2021-11-09 | 广州交信投科技股份有限公司 | 基于机器学习算法的公交实时到站预测方法、装置和设备 |
CN116523349A (zh) * | 2023-05-19 | 2023-08-01 | 北京协合运维风电技术有限公司 | 一种风力电站可靠性分析方法及系统 |
CN116523349B (zh) * | 2023-05-19 | 2024-01-23 | 北京协合运维风电技术有限公司 | 一种风力电站可靠性分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
US9349150B2 (en) | System and method for multi-task learning for prediction of demand on a system | |
CN102737504B (zh) | 一种基于驾驶特性的公交车到站时间实时估计方法 | |
JP5374067B2 (ja) | 交通状態シミュレーション装置及びプログラム | |
Hans et al. | Real-time bus route state forecasting using particle filter and mesoscopic modeling | |
Weijermars | Analysis of urban traffic patterns using clustering | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
Xinghao et al. | Predicting bus real-time travel time basing on both GPS and RFID data | |
Ram et al. | SMARTBUS: A web application for smart urban mobility and transportation | |
Feng et al. | Quantifying the joint impacts of stop locations, signalized intersections, and traffic conditions on bus travel time | |
KR20080029505A (ko) | 도로 차선 종류를 고려한 구간 교통량 예측 시스템 및 그방법 | |
Yatskiv et al. | Urban public transport system's reliability estimation using microscopic simulation | |
CN110363990A (zh) | 一种公交畅行指数获取方法、系统及装置 | |
Reddy et al. | Bus travel time prediction under high variability conditions | |
US20210174672A1 (en) | Traffic index computation device, computation method, traffic signal control system, and computer program | |
Ayman et al. | Data-driven prediction and optimization of energy use for transit fleets of electric and ICE vehicles | |
CN105303246A (zh) | 一种多线路公交到站时间预测方法 | |
Shen | Freeway travel time estimation and prediction using dynamic neural networks | |
Sharma et al. | Performance-based operations assessment of adaptive control implementation in Des Moines, Iowa | |
Hadi et al. | Framework for multi-resolution analyses of advanced traffic management strategies. | |
Derevitskiy et al. | Traffic estimation on full graph of transport network using GPS data of bus movements | |
Mussone et al. | A neural network approach to motorway OD matrix estimation from loop counts | |
Hadi et al. | Application of dynamic traffic assignment to advanced managed lane modeling. | |
Oskarbski et al. | Analysis of possibilities for the use of volume-delay functions in the planning module of the TRISTAR system | |
Dowling et al. | Guide for highway capacity and operations analysis of active transportation and demand management strategies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160203 |