CN106274994B - 一种列车全线到站时间预测方法和系统 - Google Patents
一种列车全线到站时间预测方法和系统 Download PDFInfo
- Publication number
- CN106274994B CN106274994B CN201610762565.2A CN201610762565A CN106274994B CN 106274994 B CN106274994 B CN 106274994B CN 201610762565 A CN201610762565 A CN 201610762565A CN 106274994 B CN106274994 B CN 106274994B
- Authority
- CN
- China
- Prior art keywords
- train
- fronts
- time
- time interval
- track
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000003247 decreasing effect Effects 0.000 claims abstract description 10
- 238000005498 polishing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or trains
- B61L25/026—Relative localisation, e.g. using odometer
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种列车全线到站时间预测方法和系统，通过统计处理列车在站间不同时段所有运行记录，精确实时预测运营列车位于全线的时间，精确度高实时性强。其技术方案为：将轨道线路离散化，记录列车在轨道上的运行时刻，然后把运行时刻转化为到站耗时值。对多个时间段多趟列车的耗时值做平均，并采用分段插值法补齐轨道上无耗时值的点。对得到的全线线路数据进行均值滤波平滑，并确保每站内的耗时数据符合单调递减的规律。完成全线路段列车运行耗时数据的制作。在应用中当系统接收到列车位置数据时，便可通过查找耗时数据得到列车到站预测值。通过制作不同时段的列车运行耗时数据，可更精确对不同时段的列车到站耗时进行预测。
Description
技术领域
本发明涉及预测列车到站时间的技术，尤其涉及通过统计处理手段精确预测列车到达各站台时间的方法和系统。
背景技术
目前车辆到站预测方法集中在公交领域，多采用车辆GPS数据进行车辆定位。主要预测方法有时间序列分析、卡尔曼滤波、人工神经网络等。但由于公交车辆路况复杂、公路参与交通流多、GPS与道路定位存在偏差等情况，公交到站预测的专利集中在多站间的时间预测和车辆到站距离预测两方面。
此外，在地铁应用方面，由于地铁发车密度大，车辆到站预测的相关专利较少。地铁运营公司为了提高乘客的搭乘体验，为出行者提供准确的车辆到站时间信息，能实时向调度提供车辆早晚点状态，是其中的一种重要方式。然而，目前的现有技术到站预测多为站间到站预测，因此得到的预测结果实时性不强，难以给出能提供精确结果的方案。现有预测方法是将两站之间的线路等同对待，预测精度存在较大误差。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于提供了一种列车全线到站时间预测方法和系统，通过统计处理列车在站间不同时段所有运行记录，精确实时预测运营列车位于全线的时间，精确度高实时性强。
本发明的技术方案为：本发明揭示了一种列车全线到站时间预测方法，其特征在于，包括：
将列车的轨道全线离散化成多个点；
记录多趟列车在运行过程中经过每个点的运行时刻，得到每个点上每一趟列车至下一个站台的时间间隔；
对于每个点至下一个站台的时间间隔，取得多趟列车的平均值；
对于列车的轨道全线中的无时间间隔值的点，采用插值算法进行补齐，由此得到列车的轨道全线中的所有点至其下一站台的时间间隔；
对列车的轨道全线中的所有点至其下一站台的时间间隔，进行滤波平滑处理，从而得到列车的轨道全线中的所有点至其下一站台的时间间隔统计值；
根据当前列车的当前位置，结合当前位置至其下一站台的时间间隔统计值，计算出当前列车至其下一站台的预测值。
根据本发明的有轨电车全线到站时间预测方法的一实施例，插值算法是分段线性插值法。
根据本发明的有轨电车全线到站时间预测方法的一实施例，在滤波平滑处理后还对其进行处理以使其符合时间间隔单调递减的规律。
根据本发明的有轨电车全线到站时间预测方法的一实施例，对于预测的当前列车的目的站与其当前位置之间存在多个站台时，通过该多个站台间叠加的方法计算出当前列车至目的站的预测值。
根据本发明的有轨电车全线到站时间预测方法的一实施例，基于列车运营的不同时段，得到分时段的列车的轨道全线中的所有点至其下一站台的时间间隔统计值。
本发明还揭示了一种列车全线到站时间预测系统，系统包括：
离散化模块，将列车的轨道全线离散化成多个点；
记录模块，记录多趟列车在运行过程中经过每个点的运行时刻，得到每个点上每一趟列车至下一个站台的时间间隔；
平均化处理模块，对于每个点至下一个站台的时间间隔，取得多趟列车的平均值；
插值补点模块，对于列车的轨道全线中的无时间间隔值的点，采用插值算法进行补齐，由此得到列车的轨道全线中的所有点至其下一站台的时间间隔；
滤波平滑模块，对列车的轨道全线中的所有点至其下一站台的时间间隔，进行均值滤波平滑处理，从而得到列车的轨道全线中的所有点至其下一站台的时间间隔统计值；
到站时间预测模块，根据当前列车的当前位置，结合当前位置至其下一站台的时间间隔统计值，计算出当前列车至其下一站台的预测值。
根据本发明的列车全线到站时间预测系统的一实施例，插值补点模块采用分段线性插值法。
根据本发明的列车全线到站时间预测系统的一实施例，滤波平滑模块中还包括单调递减处理单元，在均值平滑处理后还对其进行处理以使其符合时间间隔单调递减的规律。
根据本发明的列车全线到站时间预测系统的一实施例，到站时间预测模块对于预测的当前列车的目的站与其当前位置之间存在多个站台时，通过该多个站台间叠加的方法计算出当前列车至目的站的预测值。
根据本发明的列车全线到站时间预测系统的一实施例，系统基于列车运营的不同时段，得到分时段的列车的轨道全线中的所有点至其下一站台的时间间隔统计值。
本发明对比现有技术有如下的有益效果：本发明的特点在于：1、把列车运行线路数据离散化，使得后续记录、统计、预测成为可能。因为离散化全线线路数据，统计列车全线耗时数据，因此可对运营列车全线任意位置的到站时间做出预测，且时效性高。2、列车运行时刻记录并转换为到站耗时，使得多趟车次的运行时刻可以作求和、平均等运算。3、采用分段插值法补齐线路上无记录的点。4、对得到的全线线路数据进行均值滤波平滑，并确保每站内的耗时数据符合单调递减的规律。5、利用全线路段列车运行耗时数据，对给定当前运营列车任意位置的到站耗时做出预测。6、通过制作不同时段的列车运行耗时数据，可更精确对不同时段的列车到站耗时进行预测，使得预测数据精确可靠。
附图说明
图1示出了本发明的列车全线到站时间预测方法的较佳实施例的流程图。
图2示出了本发明的列车全线到站时间预测系统的较佳实施例的原理图。
具体实施方式
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
列车全线到站时间预测方法的实施例
图1示出了本发明的列车全线到站时间预测方法的较佳实施例的流程图。请参见图1，本实施例的列车全线到站时间预测方法的实施步骤详述如下。
步骤S1：将列车的轨道全线离散化成多个点。
有轨电车以下行方向首站为起点，经过一个完整的运行周期，列车回到下行方向首站起点。定义运行线路长度为len米，全线线路区间属于[0,2*len]，以米为单位，将线路离散为2*len个点，后续记录、统计、预测均以此点为单位。
从下行方向首站开始依次记录全线站台Stk，表示线路上第k个站台的位置。上行方向各站台初始位置数据为Stk+len。
步骤S2：记录多趟列车在运行过程中经过每个点的运行时刻，得到每个点上每一趟列车至下一个站台的时间间隔。
列车运行过程中，车载计算机定周期向系统发送列车实时位置信息xi，xij表示系统记录的第j趟列车位于第i米的线路位置上运行的运行时刻，如x536,3＝10:26:37表示第3趟列车位于536米处的时刻为10点26分37秒。其中车辆的位置数据可以是车载计算机定期向系统发送的车辆位置数据，也可以采用车辆GPS发送的车辆位置数据，并不以此为限。
以一天为周期，当天运营结束时，通过历史记录的运行时刻数据，计算每趟车次线路上每点到达下一站的时间yijk。例如x536,3的下一站为站台St2，到站时刻因此得到当前点到下一站yijk＝95秒。
步骤S3：对于每个点至下一个站台的时间间隔，取得多趟列车的平均值。
随着时间的积累，对线路上同一个轨道点，系统会记录存在多趟列车多个时间段的值，需要对其作平均，即其中n为列车数量。多趟列车在轨道上运行是连续的，车辆的加速和减速通常也是较慢的，突发紧急刹车制动的影响通过多趟列车数据平均的方法消除了。
步骤S4：对于列车的轨道全线中的无时间间隔值的点，采用插值算法进行补齐，由此得到列车的轨道全线中的所有点至其下一站台的时间间隔。
可以采用分段线性插值算法对其进行补齐。对线路所有轨道位置点xi和其耗时均值构造[0,2*len]间的分段线性插值多项式。
分段表达式为式中xi＜x＜xi+1，0＜xi＜2*Len为已知轨道上的点，为轨道上的xi到第点Stk对应的耗时均值，x为线路数存在的无耗时记录的点。当然还可以采用其他的插值算法，这里的分段线性插值仅为举例。
步骤S5：对列车的轨道全线中的所有点至其下一站台的时间间隔，进行均值滤波平滑处理，从而得到列车的轨道全线中的所有点至其下一站台的时间间隔统计值。
先采用均值滤波原理进一步对数据进行平滑处理，这里仅以均值滤波作为举例，当然也可以采用其他的滤波算法。
由于列车在轨道上运行速度通常处于36km/h和72km之间，对应列车每秒运行10米至20米，而系统精确预测到站时间的单位为秒，每个离散点代表的距离为1米，因此平滑窗宽设置为11，得到滤波公式为
在本步骤中，在通过均值滤波平滑处理后，还需要对数据进行处理，以确保每一站内的数据，符合时间间隔单调递减的规律。在每一站内的所有点，符合下式。
至此完成全线路段列车运行耗时数据的制作。
步骤S6：根据当前列车的当前位置，结合当前位置至其下一站台的时间间隔统计值，计算出当前列车至其下一站台的预测值。
完成列车运行耗时数据后，便可在系统中应用。对于当前列车位置xi，索引列车运行耗时数据，得到本次列车到站耗时预测值为yi。但列车位于上行区间时，对于给定的xi，需要转换为xi+len，得到到站耗时预测值为yi+len。
此外，如果预测的目的站与列车当前位置间存在一个或多个站，即需要预测第二个站或第N个站的时间，需要通过多个站间耗时叠加的方法。
其中j≥2，yi为本次列车到下一站耗时预测值，表示前方站到第j个站的耗时(也称为时间间隔)。
列车一天中的运营分为高峰期、平峰期、低峰期等多种时段，不同时段列车运行周期不同，因此可针对每个时段，制作全线路段列车运行耗时数据。在该时段预测时，使用该时段的耗时数据，从而得到更精确的预测结果。
列车全线到站时间预测系统的实施例
图2示出了本发明的列车全线到站时间预测系统的较佳实施例的原理图。请参见图2，本实施例的列车全线到站时间预测系统包括：离散化模块1、记录模块2、平均化处理模块3、插值补点模块4、滤波平滑模块5、到站时间预测模块6。
离散化模块1将列车的轨道全线离散化成多个点。
有轨电车以下行方向首站为起点，经过一个完整的运行周期，列车回到下行方向首站起点。定义运行线路长度为len米，全线线路区间属于[0,2*len]，以米为单位，将线路离散为2*len个点，后续记录、统计、预测均以此点为单位。
从下行方向首站开始依次记录全线站台Stk，表示线路上第k个站台的位置。上行方向各站台初始位置数据为Stk+len。
记录模块2记录多趟列车在运行过程中经过每个点的运行时刻，得到每个点上每一趟列车至下一个站台的时间间隔。
列车运行过程中，车载计算机定周期向系统发送列车实时位置信息xi，xij表示系统记录的第j趟列车位于第i米的线路位置上运行的运行时刻，如x536,3＝10:26:37表示第3趟列车位于536米处的时刻为10点26分37秒。其中车辆的位置数据可以是车载计算机定期向系统发送的车辆位置数据，也可以采用车辆GPS发送的车辆位置数据，并不以此为限。
以一天为周期，当天运营结束时，通过历史记录的运行时刻数据，计算每趟车次线路上每点到达下一站的时间yijk。例如x536,3的下一站为站台St2，到站时刻因此得到当前点到下一站yijk＝95秒。
平均化处理模块3对于每个点至下一个站台的时间间隔，取得多趟列车的平均值。
随着时间的积累，对线路上同一个轨道点，系统会记录存在多趟列车多个时间段的值，需要对其作平均，即其中n为列车数量。多趟列车在轨道上运行是连续的，车辆的加速和减速通常也是较慢的，突发紧急刹车制动的影响通过多趟列车数据平均的方法消除了。
插值补点模块4对于列车的轨道全线中的无时间间隔值的点，采用插值算法进行补齐，由此得到列车的轨道全线中的所有点至其下一站台的时间间隔。插值补点模块4采用分段线性插值法对其进行补齐。
对线路所有轨道位置点xi和其耗时均值构造[0,2*len]间的分段线性插值多项式。
分段表达式为式中xi＜x＜xi+1，0＜xi＜2*Len为已知轨道上的点，为轨道上的xi到第点Stk对应的耗时均值，x为线路数存在的无耗时记录的点。当然还可以采用其他的插值算法，这里的分段线性插值仅为举例。
滤波平滑模块5对列车的轨道全线中的所有点至其下一站台的时间间隔，进行均值滤波平滑处理，从而得到列车的轨道全线中的所有点至其下一站台的时间间隔统计值。
先采用均值滤波原理进一步对数据进行平滑处理，这里仅以均值滤波作为举例，当然也可以采用其他的滤波算法。
由于列车在轨道上运行速度通常处于36km/h和72km之间，对应列车每秒运行10米至20米，而系统精确预测到站时间的单位为秒，每个离散点代表的距离为1米，因此平滑窗宽设置为11，得到滤波公式为
滤波平滑模块5中还包括单调递减处理单元50，在均值平滑处理后还对其进行处理以使其符合时间间隔单调递减的规律。在每一站内的所有点，符合下式。
至此完成全线路段列车运行耗时数据的制作。
到站时间预测模块6根据当前列车的当前位置，结合当前位置至其下一站台的时间间隔统计值，计算出当前列车至其下一站台的预测值。
完成列车运行耗时数据后，便可在系统中应用。对于当前列车位置xi，索引列车运行耗时数据，得到本次列车到站耗时预测值为yi。但列车位于上行区间时，对于给定的xi，需要转换为xi+len，得到到站耗时预测值为yi+len。
此外，较佳的，到站时间预测模块6还可以对于预测的当前列车的目的站与其当前位置之间存在多个站台时，通过该多个站台间叠加的方法计算出当前列车至目的站的预测值。如果预测的目的站与列车当前位置间存在一个或多个站，即需要预测第二个站或第N个站的时间，需要通过多个站间耗时叠加的方法。
其中j≥2，yi为本次列车到下一站耗时预测值，表示前方站到第j个站的耗时(也称为时间间隔)。
列车一天中的运营分为高峰期、平峰期、低峰期等多种时段，不同时段列车运行周期不同，因此可针对每个时段，制作全线路段列车运行耗时数据。在该时段预测时，使用该时段的耗时数据，从而得到更精确的预测结果。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (10)
1.一种列车全线到站时间预测方法，其特征在于，包括：
将列车的轨道全线离散化成多个点；
记录多趟列车在运行过程中经过每个点的运行时刻，得到每个点上每一趟列车至下一个站台的时间间隔；
对于每个点至下一个站台的时间间隔，取得多趟列车的平均值；
对于列车的轨道全线中的无时间间隔值的点，采用插值算法进行补齐，由此得到列车的轨道全线中的所有点至其下一站台的时间间隔；
对列车的轨道全线中的所有点至其下一站台的时间间隔，进行滤波平滑处理，从而得到列车的轨道全线中的所有点至其下一站台的时间间隔统计值；
根据当前列车的当前位置，结合当前位置至其下一站台的时间间隔统计值，计算出当前列车至其下一站台的预测值。
2.根据权利要求1所述的列车全线到站时间预测方法，其特征在于，插值算法是分段线性插值法。
3.根据权利要求1所述的列车全线到站时间预测方法，其特征在于，在滤波平滑处理后还对其进行处理以使其符合时间间隔单调递减的规律。
4.根据权利要求1所述的列车全线到站时间预测方法，其特征在于，对于预测的当前列车的目的站与其当前位置之间存在多个站台时，通过对该多个站台间的时间间隔的预测值进行叠加的方法计算出当前列车至目的站的预测值。
5.根据权利要求1至4中任一项所述的列车全线到站时间预测方法，其特征在于，基于列车运营的不同时段，得到分时段的列车的轨道全线中的所有点至其下一站台的时间间隔统计值。
6.一种列车全线到站时间预测系统，其特征在于，系统包括：
离散化模块，将列车的轨道全线离散化成多个点；
记录模块，记录多趟列车在运行过程中经过每个点的运行时刻，得到每个点上每一趟列车至下一个站台的时间间隔；
平均化处理模块，对于每个点至下一个站台的时间间隔，取得多趟列车的平均值；
插值补点模块，对于列车的轨道全线中的无时间间隔值的点，采用插值算法进行补齐，由此得到列车的轨道全线中的所有点至其下一站台的时间间隔；
滤波平滑模块，对列车的轨道全线中的所有点至其下一站台的时间间隔，进行均值滤波平滑处理，从而得到列车的轨道全线中的所有点至其下一站台的时间间隔统计值；
到站时间预测模块，根据当前列车的当前位置，结合当前位置至其下一站台的时间间隔统计值，计算出当前列车至其下一站台的预测值。
7.根据权利要求6所述的列车全线到站时间预测系统，其特征在于，插值补点模块采用分段线性插值法。
8.根据权利要求6所述的列车全线到站时间预测系统，其特征在于，滤波平滑模块中还包括单调递减处理单元，在均值平滑处理后还对其进行处理以使其符合时间间隔单调递减的规律。
9.根据权利要求6所述的列车全线到站时间预测系统，其特征在于，到站时间预测模块对于预测的当前列车的目的站与其当前位置之间存在多个站台时，通过对该多个站台间的时间间隔的预测值进行叠加的方法计算出当前列车至目的站的预测值。
10.根据权利要求6所述的列车全线到站时间预测系统，其特征在于，系统基于列车运营的不同时段，得到分时段的列车的轨道全线中的所有点至其下一站台的时间间隔统计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610762565.2A CN106274994B (zh) | 2016-08-30 | 2016-08-30 | 一种列车全线到站时间预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610762565.2A CN106274994B (zh) | 2016-08-30 | 2016-08-30 | 一种列车全线到站时间预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106274994A CN106274994A (zh) | 2017-01-04 |
| CN106274994B true CN106274994B (zh) | 2018-11-13 |
Family
ID=57675375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610762565.2A Active CN106274994B (zh) | 2016-08-30 | 2016-08-30 | 一种列车全线到站时间预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106274994B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107633329B (zh) * | 2017-09-19 | 2021-01-08 | 飞友科技有限公司 | 一种预测到达航班旅客出机场时间的方法 |
| CN109017884B (zh) * | 2018-07-18 | 2020-03-31 | 北京交通大学 | 基于学习的列车自动运行控制方法 |
| 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 |
| CN110758493B (zh) * | 2019-11-14 | 2021-01-05 | 通号城市轨道交通技术有限公司 | 列车进站时间预测方法及系统 |
| CN113184024B (zh) * | 2021-05-21 | 2023-02-24 | 北京全路通信信号研究设计院集团有限公司 | 一种面向有轨电车的到站时间静态预测方法及其系统 |
| CN114202278B (zh) * | 2021-12-06 | 2024-07-23 | 国家能源集团新疆能源有限责任公司 | 一种煤炭运输车辆进站顺序排列方法、存储介质及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100590674C (zh) * | 2008-07-22 | 2010-02-17 | 中山大学 | 一种预测和查询公交车实时状况的系统 |
| CN102074124B (zh) * | 2011-01-27 | 2013-05-08 | 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 |
| US9020754B2 (en) * | 2013-03-22 | 2015-04-28 | Here Global B.V. | Vehicle arrival prediction |
| CN104424812B (zh) * | 2013-08-28 | 2017-10-13 | 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 |
| CN104064024B (zh) * | 2014-06-23 | 2016-04-06 | 银江股份有限公司 | 一种基于历史数据的公交车辆到站时间预测方法 |
| CN104252795B (zh) * | 2014-09-23 | 2016-08-17 | 深圳市谷米科技有限公司 | 公交车到站时间预测方法 |
| CN105774848A (zh) * | 2016-02-26 | 2016-07-20 | 苏州富欣智能交通控制有限公司 | 轨交列车到站时间预测方法 |
-
2016
- 2016-08-30 CN CN201610762565.2A patent/CN106274994B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106274994A (zh) | 2017-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106274994B (zh) | 一种列车全线到站时间预测方法和系统 | |
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| Vanajakshi et al. | Travel time prediction under heterogeneous traffic conditions using global positioning system data from buses | |
| Zhou et al. | Model of passenger flow assignment for urban rail transit based on entry and exit time constraints | |
| Medeossi et al. | A method for using stochastic blocking times to improve timetable planning | |
| CN102831767B (zh) | 一种综合成本优化的城市公共交通多模式站点停靠方法 | |
| CN102436603B (zh) | 基于概率树d预测的轨道交通全路网客流预测方法 | |
| CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
| US8660723B2 (en) | Method for determining run-curves for vehicles in real-time subject to dynamic travel time and speed limit constraint | |
| CN106080674A (zh) | 一种列车定位的校准方法和系统 | |
| CN106682812B (zh) | 综合运输体系客运方式分担率-距离转移曲线确定方法 | |
| CN108399468A (zh) | 一种基于车时成本优化的运营时段划分方法 | |
| CN109272168A (zh) | 一种城市轨道交通客流变化趋势预测方法 | |
| CN106672025A (zh) | 一种基于动态调整的列车定位检测方法和系统 | |
| Li et al. | Public bus arrival time prediction based on traffic information management system | |
| CN103730008A (zh) | 基于公交gps和ic卡实时数据的公交拥挤度分析方法 | |
| CN103902838A (zh) | 一种基于云计算的tmis车流测定方法及系统 | |
| CN103680127A (zh) | 一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法 | |
| CN112949029B (zh) | 一种车流客流协同评估方法及系统 | |
| CN111814109B (zh) | 车辆轨迹偏移的检测方法、装置、存储介质及电子设备 | |
| CN104424812A (zh) | 一种公交到站时间预测系统和方法 | |
| CN103606272B (zh) | 一种基于客流量的快速公交到站时刻预测方法 | |
| CN107808420A (zh) | 道路通行站点的快速通行、收费的方法及其系统 | |
| CN110021161A (zh) | 一种交通流向的预测方法及系统 | |
| CN106530679A (zh) | 微公交运行管理系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |