CN106127344A - 一种基于网络的公交车到站时间预测方法 - Google Patents
一种基于网络的公交车到站时间预测方法 Download PDFInfo
- Publication number
- CN106127344A CN106127344A CN201610484556.1A CN201610484556A CN106127344A CN 106127344 A CN106127344 A CN 106127344A CN 201610484556 A CN201610484556 A CN 201610484556A CN 106127344 A CN106127344 A CN 106127344A
- Authority
- CN
- China
- Prior art keywords
- surveillance center
- time
- bus
- arrival time
- information
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001537 neural effect Effects 0.000 claims abstract description 13
- 230000004913 activation Effects 0.000 claims description 6
- 230000003466 anti-cipated effect Effects 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 5
- 230000007935 neutral effect Effects 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 239000004575 stone Substances 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于网络的公交车到站时间预测方法，基于城市的交通状况将交通数据进行综合，将其量化为影响因子来对交通状况进行量化，然后将量化的交通状况组成数据库，成为本发明预测公交时间到站的所有程序的基石，通过BP神经网络方法得出公交车到站的最佳平均时间，这样就能得出公交车最佳到站时间，这样得出的数据就能够极大方便人们的出行。
Description
技术领域
本发明属于网络技术领域，特别涉及一种基于网络的公交车到站时间预测方法。
背景技术
在同一条公交线路中主干道、次干道、环线路段等不同道路条件会影响公交车辆的运行速度；雨、雪、沙尘、大雾等天气变化也会不可避免地延缓车辆的达到时间。由于电子站牌仅在部分重要车站设立，因此，公交车辆到达下一设立电子站牌的站点前总的行程时间可以分为下列几个部分：车辆以行驶速度通过路段的平均行驶时间； 在下游交叉口处因信号灯控制影响的排队延误时间；车辆通过该交叉口的通过时间；在预测站点的前几个站点因乘客上下车而停歇的时间；在预测站点的前几个站点因车辆进出车站减速和加速而损失的时间。因此，在公交车辆到站时间预测过程中，算法需要充分考虑上述各种因素的影响，运用适当的误差补偿手段，从而最大限度提高车辆到达时间的预测精度。
综上，本发明通过将影响交通到站时间的各项因素综合考虑，基于网络将各项因素量化来得出最佳的到站时间，大大提高了公交车到站时间预测的精度。
发明内容
本发明所要解决的问题是提供一种基于网络的公交车到站时间预测方法。
为了实现上述目的，本发明采取的技术方案为：
一种基于网络的公交车到站时间预测方法，包括如下步骤：
（1）首先建立公交车运行状态的历史数据库；
（2）采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处的最佳平均行程时间；
（3）引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间；
优选的，所述步骤（1）历史数据库建立过程如下：公交车在运行过程中，向总调度监控中心上传运行状态信息，包括不同时段公交车站间的行程时间、交叉口数量、客流量、线路长度、天气条件以及乘客满意度信息，总调度监控中心以天为单位将信息按照高峰小时、平峰、夜间进行分类整理后存储，同时更新历史数据库。
优选的，所述步骤（2）BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响行程时间主要因素，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量。
优选的，所述步骤（3）修正最佳平均行程时间包括以下步骤：
1)监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置；
2)监控中心判断车辆实际位置与预计到达位置之间距离是否大于50m，若为是，执行步骤3)，若为否执行步骤4)；
3)监控中心修正预测时间，并将预测时间信息发送给电子站牌，电子站牌对其进行显示；
4)监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送“路段拥堵，公交车到达将稍延后”信息给电子站牌，电子站牌对其进行显示，并执行步骤5)，若为否，则返回步骤1)；
5)监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电子站牌，电子站牌对其进行显示；
6)车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤1)，若为否，电子站牌显示“车辆到站”信息。
优选的，所述步骤（2）BP神经网络的输入层中影响行程时间主要因素包括考察时段、客流量、交叉口数量、路线长度、天气情况以及乘客满意度。
优选的，所述步骤（3）修正最佳平均行程时间的步骤3）中监控中心按100m来修正预测时间。
有益效果：本发明提供了一种基于网络的公交车到站时间预测方法，基于城市的交通状况将交通数据进行综合，将其量化为影响因子来对交通状况进行量化，然后将量化的交通状况组成数据库，成为本发明预测公交时间到站的所有程序的基石，通过BP神经网络方法得出公交车到站的最佳平均时间，这样就能得出公交车最佳到站时间，这样得出的数据就能够极大方便人们的出行。
具体实施方式
实施例1：
一种基于网络的公交车到站时间预测方法，其加工工艺包括如下步骤：
（1）首先建立公交车运行状态的历史数据库，历史数据库建立过程如下：公交车在运行过程中，向总调度监控中心上传运行状态信息，包括不同时段公交车站间的行程时间、交叉口数量、客流量、线路长度、天气条件以及乘客满意度信息，总调度监控中心以天为单位将信息按照高峰小时、平峰、夜间进行分类整理后存储，同时更新历史数据库；
（2）采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处的最佳平均行程时间，BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响行程时间主要因素，包括考察时段、客流量、交叉口数量、路线长度、天气情况以及乘客满意度，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量；
（3）引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间，修正最佳平均行程时间包括以下步骤：
1)监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置；
2)监控中心判断车辆实际位置与预计到达位置之间距离是否大于50m，若为是，执行步骤3)，若为否执行步骤4)；
3)监控中心按100m来修正预测时间，并将预测时间信息发送给电子站牌，电子站牌对其进行显示；
4)监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送“路段拥堵，公交车到达将稍延后”信息给电子站牌，电子站牌对其进行显示，并执行步骤5)，若为否，则返回步骤1)；
5)监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电子站牌，电子站牌对其进行显示；
6)车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤1)，若为否，电子站牌显示“车辆到站”信息。
经过以上工艺后，分别取出样品，测量结果如下：
| 预测成功率 | 与实际到站时间误差/min | 执行过程出错率 | 执行精度 | |
| 实施例1 | 93.2% | 2.5 | 0.5‰ | 0.001 |
| 现有技术 | 84.7% | 3.2 | 0.8‰ | 0.010 |
根据上述表格数据可以得出，当实施例1实施基于网络的公交车到站时间预测方法，预测的成功率为93.2%，与实际时间误差为2.5min，执行出错率为0.5‰，执行精度为0.001，而现有技术标准方法预测的成功率为84.7%，与实际时间误差为3.2min，执行出错率为0.8‰，执行精度为0.010，这表明本发明基于网络的公交车到站时间预测方法，预测成功率高，与实际到站时间误差小，执行的出错率低，执行的精度高，因此本发明具有显著的优越性。
本发明提供了一种基于网络的通过人脸识别性别的方法，基于城市的交通状况将交通数据进行综合，将其量化为影响因子来对交通状况进行量化，然后将量化的交通状况组成数据库，成为本发明预测公交时间到站的所有程序的基石，通过BP神经网络方法得出公交车到站的最佳平均时间，这样就能得出公交车最佳到站时间，这样得出的数据就能够极大方便人们的出行。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于网络的公交车到站时间预测方法，其特征在于，其制备工艺包括：
（1）首先建立公交车运行状态的历史数据库；
（2）采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处的最佳平均行程时间；
（3）引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间。
2.一种加工权利要求1所述的基于网络的公交车到站时间预测方法，其特征在于：所述步骤（1）历史数据库建立过程如下：公交车在运行过程中，向总调度监控中心上传运行状态信息，包括不同时段公交车站间的行程时间、交叉口数量、客流量、线路长度、天气条件以及乘客满意度信息，总调度监控中心以天为单位将信息按照高峰小时、平峰、夜间进行分类整理后存储，同时更新历史数据库。
3.一种加工权利要求1所述的基于网络的公交车到站时间预测方法，其特征在于：所述步骤（2）BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响行程时间主要因素，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量。
4.一种加工权利要求1所述的基于网络的公交车到站时间预测方法，其特征在于：所述步骤（3）修正最佳平均行程时间包括以下步骤：
1)监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置；
2)监控中心判断车辆实际位置与预计到达位置之间距离是否大于50m，若为是，执行步骤3)，若为否执行步骤4)；
3)监控中心修正预测时间，并将预测时间信息发送给电子站牌，电子站牌对其进行显示；
4)监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送“路段拥堵，公交车到达将稍延后”信息给电子站牌，电子站牌对其进行显示，并执行步骤5)，若为否，则返回步骤1)；
5)监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电子站牌，电子站牌对其进行显示；
6)车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤1)，若为否，电子站牌显示“车辆到站”信息。
5.根据加工权利要求3所述的基于网络的公交车到站时间预测方法，其特征在于：所述步骤（2）BP神经网络的输入层中影响行程时间主要因素包括考察时段、客流量、交叉口数量、路线长度、天气情况以及乘客满意度。
6.根据加工权利要求4所述基于网络的公交车到站时间预测方法，其特征在于：所述步骤（3）修正最佳平均行程时间的步骤3）中监控中心按100m来修正预测时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610484556.1A CN106127344A (zh) | 2016-06-28 | 2016-06-28 | 一种基于网络的公交车到站时间预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610484556.1A CN106127344A (zh) | 2016-06-28 | 2016-06-28 | 一种基于网络的公交车到站时间预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106127344A true CN106127344A (zh) | 2016-11-16 |
Family
ID=57267020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610484556.1A Withdrawn CN106127344A (zh) | 2016-06-28 | 2016-06-28 | 一种基于网络的公交车到站时间预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106127344A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
| CN109002905A (zh) * | 2018-06-25 | 2018-12-14 | 北京嘀嘀无限科技发展有限公司 | 预估到达时间的方法及系统 |
| 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 |
| CN109920248A (zh) * | 2019-03-05 | 2019-06-21 | 南通大学 | 一种基于gru神经网络的公交到站时间预测方法 |
| CN110274609A (zh) * | 2019-06-10 | 2019-09-24 | 浙江工业大学 | 一种基于行程时间预测的实时路径规划方法 |
| 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 |
| CN110782648A (zh) * | 2018-12-03 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 确定预计到达时间的系统和方法 |
| CN110929942A (zh) * | 2019-11-27 | 2020-03-27 | 中国银行股份有限公司 | 一种确定网点运钞车到达时间的方法及系统 |
| CN112990536A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分位数卷积网络的公交到站时间预测方法 |
-
2016
- 2016-06-28 CN CN201610484556.1A patent/CN106127344A/zh not_active Withdrawn
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
| WO2020001261A1 (en) * | 2018-06-25 | 2020-01-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for estimating an arriel time of a vehicle |
| CN109002905A (zh) * | 2018-06-25 | 2018-12-14 | 北京嘀嘀无限科技发展有限公司 | 预估到达时间的方法及系统 |
| CN109002905B (zh) * | 2018-06-25 | 2019-07-23 | 北京嘀嘀无限科技发展有限公司 | 预估到达时间的方法及系统 |
| 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 |
| CN110782648B (zh) * | 2018-12-03 | 2022-02-18 | 北京嘀嘀无限科技发展有限公司 | 确定预计到达时间的系统和方法 |
| CN110782648A (zh) * | 2018-12-03 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 确定预计到达时间的系统和方法 |
| CN109920248A (zh) * | 2019-03-05 | 2019-06-21 | 南通大学 | 一种基于gru神经网络的公交到站时间预测方法 |
| 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 |
| CN110274609B (zh) * | 2019-06-10 | 2021-08-03 | 浙江工业大学 | 一种基于行程时间预测的实时路径规划方法 |
| CN110274609A (zh) * | 2019-06-10 | 2019-09-24 | 浙江工业大学 | 一种基于行程时间预测的实时路径规划方法 |
| 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 |
| CN110929942A (zh) * | 2019-11-27 | 2020-03-27 | 中国银行股份有限公司 | 一种确定网点运钞车到达时间的方法及系统 |
| CN110929942B (zh) * | 2019-11-27 | 2022-07-19 | 中国银行股份有限公司 | 一种确定网点运钞车到达时间的方法及系统 |
| CN112990536A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分位数卷积网络的公交到站时间预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106127344A (zh) | 一种基于网络的公交车到站时间预测方法 | |
| CN105894848A (zh) | 一种基于网络的公交车到站时间预测方法 | |
| CN102081859B (zh) | 一种公交车到站时间预测模型控制方法 | |
| WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
| CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| CN111653096B (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
| CN108256714A (zh) | 一种基于车联网大数据的行车轨迹实时风险评估模型 | |
| CN104112361B (zh) | 路网交通中常发瓶颈和偶发瓶颈的识别方法 | |
| CN104637334A (zh) | 一种公交车到站时间实时预测方法 | |
| CN105095994B (zh) | 一种基于线性规划的城轨线路客流峰值预测方法 | |
| CN106251642B (zh) | 一种基于实时公交车gps数据的公交路链速度计算方法 | |
| CN108510730A (zh) | 共享汽车网点间车辆调度方法及系统 | |
| CN104200649A (zh) | 基于预先申请的交通高峰期路线资源调度分配系统与方法 | |
| CN110298486B (zh) | 一种基于卷积神经网络的轨道交通客流量预测方法 | |
| CN107025788A (zh) | 一种旅行时间预测方法及装置 | |
| CN104318759A (zh) | 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 | |
| CN110332942A (zh) | 一种空载出租车行驶路径优化方法 | |
| Timofeeva et al. | Analysis of transport network development via probabilistic modelling | |
| CN107194505B (zh) | 一种基于城市大数据预测公共汽车出行量的方法和系统 | |
| CN105070047B (zh) | 一种brt站台乘客乘车动态诱导方法 | |
| Hoong et al. | Road traffic prediction using Bayesian networks | |
| Zhi-yan et al. | Impact model of COVID-19 and built environment on bus passenger flow | |
| CN116453352A (zh) | 一种基于k聚类算法和神经网络的货车交通流量预测方法 | |
| CN108549953B (zh) | 一种单侧开门城市轨道交通停站时间规划的方法 | |
| CN108597217B (zh) | 一种高速公路事故监测提示方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20161116 |