CN106530689A - 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 - Google Patents
一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 Download PDFInfo
- Publication number
- CN106530689A CN106530689A CN201610907713.5A CN201610907713A CN106530689A CN 106530689 A CN106530689 A CN 106530689A CN 201610907713 A CN201610907713 A CN 201610907713A CN 106530689 A CN106530689 A CN 106530689A
- Authority
- CN
- China
- Prior art keywords
- time
- class
- distance
- section
- genetic algorithm
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于遗传算法和行驶数据的公交车到站时间实时预估方法。包括以下步骤:把待测公交线路划分为多个子路段,分别对各子路段进行分类,计算平均速度并预估到站时间;充分利用不断更新的公交车行驶数据,构建预估时间与真实时间的函数关系式,并基于此实时检测这个函数关系式的准确性,即预估时间与真实时间的误差;当准确性不高时,在闭环中引入遗传算法对函数关系式中的调节参数进行修改,最终确定到达下游站点的时间。首先,本发明能够用简单的数据得到到站时间,使得系统获得的信息量小,因系统计算而延误的时间减少;其次,把路线进行划分,可以有效的、精确的预测到站时间;最后,可以有效地减少误差,具有出现误差便及时纠正的优点。
Description
技术领域
本发明涉及到城市智能公共交通信息处理技术领域,具体涉及一种公交车到站时间的实时预估方法。
背景技术
随着城市化的快速推进,城市道路越来越拥挤。发展城市公共交通是缓解交通压力重要手段之一。给乘客提供公交车实时到站信息,可以减少乘客不必要的等待时间。但是由于城市交通复杂多变,准确预测公交车到站时间一直是个难点。
根据现有的电子地图数据,一条公交线路可以被路口划分为多个子路段,但不能认为所有的道路都是一样的,根据电子地图数据可以获得道路的两个基本信息:路程、有无信号灯。同时根据GPS数据,可以获得公交车当前的位置,进一步得到距离下游车站的路程;另外,通过汽车自带计时装置,可以算得平均速度等数据,为本发明预测公交到站时间提供了及时、有效的数据支持。
又对于被划分出来的子路段,因为存在其他社会车辆、有无信号灯、突发车祸等因素,导致道路情况有所差异。排除一些不显著因素,我们先考虑必然因素:早晚高峰、天气情况;这些因素对大部分道路影响情况一样,所以子路段的平均速度可以为下游子路段提供参考。进一步考虑随机的显著因素:交通事故,车辆变道加塞;这会使得公交车被迫减速,平均速度也出现波动,预测时间也发生相应的变化。
以往的公交到站时间预测,主要把公交车GPS信息作为数据来源并结合历史数据,和当时的行驶参数和道路状况进行修正。此方法数据庞大、复杂,难以保证实时性。同时考虑因素太多,过于复杂。过长的计算时间和过于庞大的数据会影响到站时间的实时性。
基于这些背景和数据样本,可以设计一种基于遗传算法和行驶数据的公交车到站时间实时预估方法。
发明内容
本发明的目的在于提供一种基于遗传算法和行驶数据的公交车到站时间实时预估方法,这既能满足实时应用需求又具有较高的精度。
为了达到上述目的,本发明提供如下技术方案。
本发明所述的基于遗传算法和行驶数据的公交车到站时间实时预估方法,包括以下步骤:
(1)根据汽车行驶路线的起点、终点、路口和站点,划分子路段;
(2)获取所有子路段的信息:路程,是否有信号灯;把有信号灯的归为Ⅰ类,没有信号灯的归为Ⅱ类;把已经行驶过的Ⅰ类路段路程记为S1,Ⅱ类路段路程记为S2,同时用两个变量t1,t2,分别表示在Ⅰ,Ⅱ类路段上行驶的时间之和;
(3)根据实时的公交GPS数据,公交车所在位置记为点m,得到公交车在li,j子路段上行驶距离d;进一步计算两类路段的平均速度;进一步计算到下游q站的两类路段路程,最后计算用平均速度行驶到站的时间
(4)利用插值拟合法,构建预估时间x与真实时间y的关系式;
(5)构建遗传算法,优化参数;修正得到较为精确的时间最终时间为:
进一步,所述的步骤(1)中,用标号0表示:起点;符号∞表示:终点;用标号1、2...n表示:第1站到第n站;用标号li,j表示:第i-1站到第i站之间的第j个子路段;用si,j表示:第i-1站到第i站之间的第j个路口(i≥1)。从起点0到终点∞之间的路程就可以划分为多个子路段:0、l1,1…1…i-1、li,1…li,j…i…∞。
进一步,所述的步骤(2)中,每个子路段与路程Li,j一一对应;路口处是否有信号灯pi,j(有,p=1;无,p=0);并且把路段分为两类,p=1的为Ⅰ类,p=0的为Ⅱ类;再根据路段的类型,对已行驶的同类型路段进行累和,得到S1,S2;进一步当汽车在Ⅰ类道路上时t1计时,t2停止;当汽车在Ⅱ类道路上时t1停止,t2计时。
进一步,所述的步骤(3)中,获得公交车位置点m,在路段li,j上行驶距离为d;进一步根据步骤(2)已知的路程S1,S2和时间t1,t2得到平均速度;进一步计算出下游两类路段的路程S1*,S2*;进一步计算出
进一步,所述的步骤(4)中,每辆车发车时开始为“插值拟合法”提供大量的计算数据和真实数据,系统利用这些数据进行差值分析,拟合出一个y与x的关系式。
进一步,所述的步骤(5)中,由于关系式有许多可变参数,它们会根据道路情况的不同而变化,在得到的时间偏差太大时,利用遗传算法,更新优化参数;再把计算时间代入关系式,修正时间。
本发明优点:首先,本发明能够用简单的数据得到到站时间,因为到站时间的长短均表现在车辆平均速度之中,若干因素均不需再考虑。这使得系统获得的信息量小,进而因系统计算而延误的时间减少;其次,把路线进行划分,可以有效的、精确的预测到站时间;最后,采用两种先进的误差处理方法:插值拟合法、遗传算法,这可以有效地减少误差,具有出现误差便及时纠正的优点。
附图说明
图1为本发明流程示意图。
图2标示出了本发明如何划分子路段。
图3标示出了子路段路程的始末位置。
图4标示出了计算路程时的注意要点。
具体实施方式
为了使本发明更具体,更清晰,下面为本发明做进一步详细说明;
(1)根据公交车行驶方向和路口信息,同时公交车又具有定点行驶的特点,可以先把整个线路进行划分,以站点1与站点2之间的路段为例,如图2所示。
首先按照停靠站点进行划分,每个站点用标号1、2、…、n表示,0表示起点,∞表示终点;由于道路交叉路口对交通有重要影响,所以再获得所有路口信息,及是否有信号灯;用si,j表示:第i-1站到第i站之间的第j个路口(i≥1),如图2中的s1,3就表示第一站与起点之间的第三个路口;而路口和路口、路口和站点、站点和路口之间的路段,就是划分出来的子路段li,j;
(2)再根据GPS和电子地图数据,获得所有路段的路程;这里要注意的是,由于每个路口都是有宽度的,所以路程为一个路口中远离行驶方向一侧到下一个路口靠近行驶方向一侧,如图3所示;进一步,如图4所示,路程计算应该为L1+L2,而不是路口的直线距离L;进一步,根据路口有无信号灯,有则划分为Ⅰ类,无则划分为Ⅱ类;有些路段可能不包含路口,如图3中的l1,4,这种路口也归为Ⅱ类;
进一步计算起点O到si,j之间的两类路段路程之和,构建矩阵,把所有路段的路程用行矩阵A=[L1,1 L1,2 … Li.j]表示,所有路段的Pi,j值构成列矩阵B=[P1,1 P1,2 … Pi.j]T,则所有Ⅰ类路程之和可以用以下公式得到:
s1=|AB|
进一步计算Ⅱ类路程之和,A矩阵不变,B中每项减1,得到B‘=[P1,1-1 P1,2-1 …Pi.j-1]T,Ⅱ类路程之和可以用以下公式得到:
S2=||AB′||
(3)根据GPS数据,公交车在li,j上行驶距离为d;如果Pi,j=1则Ⅰ类路程为s1+d,Ⅱ类路程为s2-d;如果Pi,j=0则Ⅰ类路程为s1-d,Ⅱ类路程为s2+d;进一步用步骤(2)的方法,得到起点O到站点q的Ⅰ类总路程S1总,Ⅱ类总路程S2总,再分别减去Ⅰ类路程,Ⅱ类路程,得到距离下游站点q的距离S1*,S2*;进一步,根据公式:v=s/t,得到前路程平均速度v1,v2;进一步,利用公式:t=s/v,得到用此速度行驶到站所需时间;
(4)每辆车发车时,它先把第一、二条道路:l1,1、l1,2由1……n个点平均划分为n+1段小路程,取名为[q1 q2 ... qn+1],路程都为L,则每点到起点的路程为[L 2*L ... (n+1)*L],走到每一点都会得到一个时间[y1 y2 ... yn yn+1]=[t1 t2 ... tn tn+1],每点平均速度可用以下公式得到:
系统计算的走到下一点的时间为[0 L/v2 L/v3 ... L/vn+1](其中0表示无法计算,下同),则从起点到达每一点的时间可用以下公式得到:
进一步利用插值拟合法,构造出关系式:
y=anxn+an-1xn-1+...+a0x0;
(5)汽车行驶时,会不断地统计计算数据和真实值之间的误差当p≥10%时开始构建遗传算法,对参数an,an-1...a0进行更新优化,方法步骤如下:
1、种群:把子路段li,1分成均等的n份,为[l1 ... ln];每一份对应了一个标准时间[T1 ... Tn];每一段平均速度用以下公式得到:
每段lx,时间可用以下公式得到:
把[t1 t2 ... tn]与[T1 T2 ... Tn]代入方程进行比较,得到其中一个参数an的种群[α1,α2,-,αn],其中αx为浮点数,精度为小数点后3位;
2、编码:采用“浮点数编码”方法获取基因型,对[α1,α2,-,αn]进行编码,得到[β1,β2,-,βn],编码数即为其真值,即在数值上:[α1,α2,-,αn]=[β1,β2,-,βn];
3、繁殖:随机选取两个个体αn,αm基因型为βn,βm。对基因型的整数位和小数点后三位,随机的选取若干位,进行交换。得到新的个体αn′,αm′基因型为β′n,β′m。这样进行n/2(取整)次。得到新的个体[α1′,α2′,-,αn′],基因型[β1′,β2′,-,βn′];
4、变异:在新个体中随机选取不多于个体数1/3个的个体,随机选取任意一位,将那一位数字变成0-9中任意一个,得到新个体
5、淘汰:将新种群带入到tn+1,计算得到T′n+1,与真实值Tn+1比较,则某一个个体的适应度可用以下公式得到:
越小,适应度越大。进一步,最终留下适应度最大的个体;
6、重复3—5步骤,直到选出最优个体(参数);
7、重复1—6步骤,优化所有参数。
利用这个优化方程对时间进行优化,修正,代入方程:
最终预测到站时间可用以下公式得到:
Claims (6)
1.一种基于遗传算法和行驶数据的公交车到站时间实时预估方法,其特征在于包括以下步骤:
(1)根据汽车行驶路线的起点、终点、路口和站点,划分子路段;
(2)获取所有子路段的信息:路程,是否有信号灯;把有信号灯的归为Ⅰ类,没有信号灯的归为Ⅱ类;把已经行驶过的Ⅰ类路段路程记为S1,Ⅱ类路段路程记为S2,同时用两个变量t1,t2,分别表示在Ⅰ,Ⅱ类路段上行驶的时间之和;
(3)根据实时的公交GPS数据,公交车所在位置记为点m;进一步计算两类路段的平均速度;进一步计算到下游q站的两类路段路程,最后计算用平均速度行驶到站的时间
(4)利用插值拟合法,构建预估时间x与真实时间y的关系式;
(5)构建遗传算法,优化参数;修正得到较为精确的时间T1*,最终时间为:
2.根据权利要求(1)所述的一种基于遗传算法和行驶数据的公交车到站时间实时预估方法,其特征在于:所述的步骤(1)中,对于一条公交车线路,将起点设为O,终点设为∞;进一步,以路口si,j,站点i为分割点,将其进一步划分为更短的子路段li,j。
3.根据权利要求(1)所述的一种基于遗传算法和行驶数据的公交车到站时间实时预估方法,其特征在于:所述的步骤(2)中,获取子路段信息之后按照Pi,j的值进行分类,Pi,j=1设为Ⅰ类,Pi,j=0设为Ⅱ类,其中Pi,j表示有无信号灯;所有Ⅰ类路程之和可以用以下公式得到:
s1=|AB|
其中路程矩阵A=[L1,1 L1,2 … Li.j],Pi,j构成列矩阵B=[P1,1 P1,2 … Pi.j]T;
Ⅱ类路程之和可以用以下公式得到:
S2=||AB'||
其中A矩阵不变,B‘=[P1,1-1 P1,2-1 … Pi.j-1]T;
时间用变量t1,t2表示在Ⅰ类、Ⅱ类路段上行驶时间。
4.根据权利要求(1)所述的一种基于遗传算法和行驶数据的公交车到站时间实时预估方法,其特征在于:所述的步骤(3)中,用算得的前程两类路程平均速度v1,v2,下游到站路程S1*,S2*,用公式:
(i为1或2)
得到到站时间
5.根据权利要求(1)所述的一种基于遗传算法和行驶数据的公交车到站时间实时预估方法,其特征在于:所述的步骤(4)中,包括以下步骤:
将前两段子路段划分为更小的路程,令路程等于x;令前程平均速度为v,则预测出进过下一段路程所需时间为用此方法预测出从起点出发后进过每一段路程的时间[t1 t2... tn],同时系统记录下真实时间[T1 T2 ... Tn];利用插值拟合法,得到预估时间x与真实时间y关系式:
y=anxn+an-1xn-1+...+a0x0
6.根据权利要求(1)所述的一种基于遗传算法和行驶数据的公交车到站时间实时预估方法,其特征在于:所述的步骤(4)中,包括以下步骤:
根据真实时间和预估时间之间的关系,得到若干关系式的新参数,作为种群;利用浮点数变异方法,对种群进行繁殖变异,得到新个体;进过淘汰,得到一个误差最小的参数;重复进行,修正所有参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610907713.5A CN106530689B (zh) | 2016-10-19 | 2016-10-19 | 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610907713.5A CN106530689B (zh) | 2016-10-19 | 2016-10-19 | 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530689A true CN106530689A (zh) | 2017-03-22 |
CN106530689B CN106530689B (zh) | 2019-01-11 |
Family
ID=58332315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610907713.5A Active CN106530689B (zh) | 2016-10-19 | 2016-10-19 | 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530689B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211379A (zh) * | 2019-05-27 | 2019-09-06 | 南京航空航天大学 | 一种基于机器学习的公共交通调度优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110002598A (ko) * | 2009-07-02 | 2011-01-10 | 중앙대학교 산학협력단 | 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법 |
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 |
CN102737504A (zh) * | 2012-07-13 | 2012-10-17 | 重庆大学 | 一种基于驾驶特性的公交车到站时间实时估计方法 |
CN103067508A (zh) * | 2012-12-28 | 2013-04-24 | 银江股份有限公司 | 一种实时动态公交出行信息发布系统 |
CN103440768A (zh) * | 2013-09-12 | 2013-12-11 | 重庆大学 | 一种基于动态修正的公交车到达时间实时预测方法 |
-
2016
- 2016-10-19 CN CN201610907713.5A patent/CN106530689B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110002598A (ko) * | 2009-07-02 | 2011-01-10 | 중앙대학교 산학협력단 | 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법 |
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 |
CN102737504A (zh) * | 2012-07-13 | 2012-10-17 | 重庆大学 | 一种基于驾驶特性的公交车到站时间实时估计方法 |
CN103067508A (zh) * | 2012-12-28 | 2013-04-24 | 银江股份有限公司 | 一种实时动态公交出行信息发布系统 |
CN103440768A (zh) * | 2013-09-12 | 2013-12-11 | 重庆大学 | 一种基于动态修正的公交车到达时间实时预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211379A (zh) * | 2019-05-27 | 2019-09-06 | 南京航空航天大学 | 一种基于机器学习的公共交通调度优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106530689B (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN109598950B (zh) | 一种智能网联车辆的匝道协同汇入控制方法及系统 | |
CN102081859B (zh) | 一种公交车到站时间预测模型控制方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN112820108B (zh) | 一种自学习的路网交通状态分析及预测方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN107194491A (zh) | 一种基于公交客流和站间行程时间预测的动态调度方法 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN107016857A (zh) | 一种信控交叉口左转交通组合设计优化方法 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN103730005B (zh) | 一种路程行驶时间的预测方法和系统 | |
CN112927503A (zh) | 一种雨天高速公路主线速度限制和匝道融合协调控制方法 | |
CN115063978B (zh) | 一种基于数字孪生的公交到站时间预测方法 | |
CN112926768A (zh) | 基于时空注意力机制的地面道路车道级交通流预测方法 | |
CN115100867B (zh) | 一种基于数字孪生的城市智能交通仿真方法 | |
CN111524345B (zh) | 一种车辆实时排队长度约束下多目标优化的感应控制方法 | |
CN112967493A (zh) | 一种基于神经网络的车辆通过交叉口行程时间的预测方法 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN112990536B (zh) | 一种基于分位数卷积网络的公交到站时间预测方法 | |
CN114694382A (zh) | 一种基于车联网环境的动态单向交通控制系统 | |
CN104573972A (zh) | 一种基于车载gps数据的公交路线运营时段划分方法 | |
CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
CN106530689A (zh) | 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |