CN106530689B - 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

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

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

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l_i,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l_i,j表示：第i-1站到第i站之间的第j个子路段；用s_i,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、l_1,1…1…i-1、l_i,1…l_i,j…i…∞。

进一步，所述的步骤(2)中，每个子路段与路程L_i,j一一对应；路口处是否有信号灯p_i,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l_i,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s_i,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s_1,3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l_i,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l_1,4，这种路口也归为Ⅱ类；

进一步计算起点O到s_i,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＝[L_1,1 L_1,2 … L_i.j]表示，所有路段的P_i,j值构成列矩阵B＝[P_1,1 P_1,2 … P_i.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‘＝[P_1,1-1 P_1,2-1 …P_i.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l_i,j上行驶距离为d；如果P_i,j＝1则Ⅰ类路程为s₁+d，Ⅱ类路程为s₂-d；如果P_i,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S_1总，Ⅱ类总路程S_2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：l_1,1、l_1,2由1……n个点平均划分为n+1段小路程，取名为[q₁ q₂ ... q_n+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 ... y_n y_n+1]＝[t₁ t₂ ... t_n t_n+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/v_n+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＝a_nxⁿ+a_n-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a_n,a_n-1...a₀进行更新优化，方法步骤如下：

1、种群：把子路段l_i,1分成均等的n份，为[l₁ ... l_n]；每一份对应了一个标准时间[T₁ ... T_n]；每一段平均速度用以下公式得到：

每段l_x，时间可用以下公式得到：

把[t₁ t₂ ... t_n]与[T₁ T₂ ... T_n]代入方程进行比较，得到其中一个参数a_n的种群[α₁,α₂,-,α_n]，其中α_x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,-,α_n]进行编码，得到[β₁,β₂,-,β_n]，编码数即为其真值，即在数值上：[α₁,α₂,-,α_n]＝[β₁,β₂,-,β_n]；

3、繁殖：随机选取两个个体α_n,α_m基因型为β_n,β_m。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α_n′,α_m′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′,-,α_n′]，基因型[β₁′,β₂′,-,β_n′]；

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t_n+1，计算得到T′_n+1，与真实值T_n+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s_i,j，站点i为分割点，将其进一步划分为更短的子路段l_i,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P_i,j的值进行分类，P_i,j＝1设为Ⅰ类，P_i,j＝0设为Ⅱ类，其中P_i,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＝[L_1,1 L_1,2 … L_i.j]，P_i,j构成列矩阵B＝[P_1,1 P_1,2 … P_i.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‘＝[P_1,1-1 P_1,2-1 … P_i.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L；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... t_n]，同时系统记录下真实时间[T₁ T₂ ... T_n]；利用插值拟合法，得到预估时间x与真实时间y关系式：

y＝a_nxⁿ+a_n-1x^n-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(5)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。