CN106971545B - 一种公交车到站时间预测方法 - Google Patents

Abstract

本发明属于智能交通系统技术领域，涉及一种公交车到站时间预测方法，为静态预测和动态调整两部分，首先利用静态预测模型预测公交车从始发站到达各站点所经历的时间，然后根据公交车到达各站点的观测时间利用动态调整模型对静态预测时间进行动态调整，具体包括采集历史数据，历史数据转换，转换数据归一化，选取网络节点数，确认基础时间序列1，启动动态调整，确定基础时间序列2，计算出最终预测值和预测结果评价，该方法通过静态预测模型和动态调整模型相结合的方式进行预测，有效提高了预测的准确性，该方法新颖独特，设计构思巧妙，预测结果准确，应用环境好，市场前景广阔。

Description

一种公交车到站时间预测方法

技术领域：

本发明属于智能交通系统技术领域，涉及一种公交车到站时间预测方法，特别是一种公交车到站时间预测方法，用于智能化公交系统调度和了解公交车运行状态。

背景技术：

随着国民经济的发展，私家车数量越来越多，给城市交通带来巨大压力，交通问题已成为城市发展面临的巨大问题，因此建设智能交通系统是城市交通建设的主要任务，在智能交通系统中，发展公共交通系统是缓解城市交通压力的主要手段，公共交通系统在智能交通系统建设中仍占有主体地位，公共交通系统应该能实时反映公交车的运行状况，因此公交车到站时间预测是公共交通系统的主要功能之一，为此各国学者做了大量研究，其预测模型主要有以下两类：第一类模型是基于历史交通状况、路段特征和到达各站点的历史时间规律预测公交车到达各站点的时间，主要有以下方法：Jeong和Rilett利用车辆自动定位数据，将公交车时刻表，道路拥挤和车辆停靠时间等作为变量，分别建立了时间序列模型、回归模型和人工神经网络模型预测公交车到站时间，结果显示人工神经网络要优于其它模型；Chien 等分别建立了基于路段的人工神经网络模型和基于站点的人工神经网络模型并对公交车到站时间进行预测，在交叉口较少的情况下，基于路段的人工神经网络模型预测效果较好；于滨等利用支持向量机预测公交车运行时间，采用了时间段、天气和路段段以及当前路段的运行时间和下一路段的最新运行时间5个输入变量，最后，应用大连市开发区4路公交线对该模型进行了校验；然而公交车行驶时间是动态变化的，当预测数据相对历史数据发生较大变化时，会对预测结果造成很大的影响，同时上述算法模型并没有充分利用时间序列的长短时变化特性，仅仅是基于相关变量对公交车到站时间的短时映射。

现有技术中，第二类预测模型先利用静态模型预测公交车到达各站点的时间，再利用动态调整模型根据观测数据动态调整预测值，主要有以下方法：Chen等利用车辆自动定位系统数据和自动乘客计数系统数据，建立了基于Kalman滤波的公交车到站时间动态预测模型，该模型以巴士行程时间表作为基础运行时间，根据公交车到达当前站点的观测值利用Kalman滤波调整到达下一站的基础时间，从而达到公交车到站预测时间动态调整的目的；于滨等建立了基于SVM和 Kalman滤波的公交车到站时间预测模型，首先将时段、天气和路段作为SVM模型的输入特征值预测公交车再每一路段行驶的时间并将其作为静态预测值；Chien,I.-J.,Y.Ding,andC.Wei等利用人工神经网络作为静态预测模型，Kalman滤波模型作为动态调整模型对新泽西州运输公司第39号线路公交车行驶时间进行了预测；计晓昕、关伟建立了组合非参数回归和Kalman滤波组合模型，以北京公交300 路为例，对公交车到站时间进行了预测。

现有技术中，Kalman滤波模型根据历史数据和实时数据对静态预测结果进行调整具有较高的预测精度，然而上述方法的静态预测模型均不能利用时间序列长时和短时变化特性，因此基于上述静态预测模型的不足，设计一种公交车到站时间预测方法，该方法是基于LSTM (长短时记忆递归神经网络)和Kalman滤波的公交车到站时间预测模型，充分考虑各种因素的影响，最大限度提高车辆到达时间的预测精度。

发明内容：

本发明的目的在于克服现有技术存在的缺点，寻求设计一种公交车到站时间预测方法,该方法分为静态预测和动态调整两部分，首先利用静态预测模型预测公交车从始发站到达各站点所经历的时间，然后根据公交车到达各站点的观测时间利用动态调整模型对静态预测时间进行动态调整，实现预测的精确性。

为了实现上述目的，本发明涉及的公交车到站时间预测方法具体包括以下步骤：

(1)、采集历史数据：

采集通过公交车GPS系统收集公交车运行线路的历史数据,所述历史数据包括每一路公交车的车次、站点数、到达各站点的时间和速度，所述公交车的车次是公交车从始发站出发并再次到达始发站的过程成为一个车次；

(2)、历史数据转换：

将步骤(1)中获得的历史数据转换成三元组数据，所述三元组数据包括站点编号、到站真实经历时间和到站时间段，并将公交车从始发站到达各站点所用的时间数据作为标签数据；

(3)、转换数据归一化：

将步骤(2)中的数据进行归一化处理，得到归一化后的历史数据，以便于通过归一化的数据对LSTM神经网络进行训练，归一化的数据包括站点编号数据和公交车到站所用时间数据，分别找出站点编号数据的最大值和最小值、公交车到站所用时间的最大值和最小值，再使用最大值减最小值的方法对数据进行归一化处理，使归一化处理后的公交车运行历史数据值域为[0,1]，完成转换数据归一化处理；

(4)、选取网络节点数：

利用步骤(3)中归一化后的数据对LSTM神经网络进行训练并选取合理的神经网络节点数，所述LSTM神经网络分为三层，分别为：输入层、输出层和隐含层，其中输入层节点数为3，输出层节点数为一个车次中公交车经历的站点数，隐含层的节点数根据站点数来确定，具体为假定公交车经历的站点数为n，隐含层的节点数为j，则 j的取值为且j为整数，目的在于从满足j的取值范围中选出最合适的取值；将步骤(3)中归一化处理后的公交车运行数据划分为训练集和测试集；利用训练集数据，在已设定合理参数的LSTM神经网络上进行训练，并计算LSTM神经网络在测试集上的测试误差，筛选留下测试误差最小时的LSTM神经网络作为LSTM神经网络预测模型；

(5)、确认基础时间序列1：

调用步骤(4)中得到的LSTM神经网络预测公交车到达下N站经历的时间的归一化数据，将其做反归一化处理并作为基础时间序列1，实现静态模型并完成预测；

(6)、启动动态调整：

建立公交车到站时间预测的Kalman滤波系统方程，利用该方程计算出公交车从初始站点到达第其他站点所经历的时间和观测时间, 用以对步骤(5)中建立的静态模型进行动态调整和校正预测时间；

(7)、确定基础时间序列2：

当公交车到达第2站点时，能够获得公交车从始发站到达该站点的经历时间，Kalman滤波利用经历时间和通过步骤(5)得到的到达该站的预测时间，得到到达下一站的调整时间，该调整时间与该站和后续相邻站点的静态预测时间的时间差相加得到后续站点的调整值，重复该步骤直到得到所有站点的调整值，并将所有调整值序列作为基础时间序列2，完成到达第2站的动态调整过程；

(8)、计算出最终预测值：

利用步骤(5)得到的到达第3站的预测时间和步骤(7)得到的到达第3站时间的调整值，通过Kalman滤波采用步骤(7)中所述的方法计算出到达第4站的时间和调整后的基础时间序列3，再重复步骤(7)和(8)，直到得到所有站点的动态调整。

(9)、预测结果评价：

对公交车到达站点的预测值与观测值通过对比来评价预测的准确性，以准确率、各站点均方误差和各站点平均绝对误差作为评价指标，所述预测值与观测值的绝对偏差的定义为公交车到达站点时间观测值与预测值的差值的绝对值。

本发明与现有技术相比，具有以下有益效果：一是使用长短时记忆递归神经网络模型预测公交车到站时间，该模型能够长时记忆历史数据；二是长短时记忆递归神经网络公交车到站时间预测模型对不同的站牌数量时间序列具有很好的扩展性；三是通过静态预测模型和动态调整模型相结合的方式进行预测，有效提高了预测的准确性；四是该方法新颖独特，设计构思巧妙，预测结果准确，应用环境好，市场前景广阔。

附图说明：

图1为本发明实现公交车到站时间预测的工艺流程示意框图。

图2为LSTM模型计算出的各站点均方误差对比示意图。

图3为LSTM模型计算出的各站点平均绝对误差对比示意图。

具体实施方式：

下面通过实施例并结合附图对本发明作进一步说明。

实施例1：

本实施例提供了一种公交车到站时间预测方法，首先利用静态预测模型预测公交车从始发站到达各站点所经历的时间，再根据公交车到达各站点的观测时间利用动态调整模型对静态预测时间进行动态调整，具体包括如下步骤：

(1)、采集历史数据：

采集通过公交车GPS系统收集公交车运行线路的历史数据,所述历史数据包括每一路公交车的车次、站点数、到达各站点的时间、速度，所述公交车的车次是公交车从始发站出发并再次到达始发站的过程成为一个车次；

(2)、历史数据转换：

将步骤(1)中获得的历史数据转换成三元组数据三元组数据用表示，其中m表示第m车次，k表示第k个站点，h表示站点编号，T表示公交车到站真实经历时间，s表示到站时间段，表示公交车在m+1车次从始发站到达各站点所用的时间，其中n表示一个车次中公交车经过站点的数量，以此作为标签数据；

(3)、转换数据归一化：

将步骤(2)中的数据进行归一化处理，得到归一化后的历史数据，以便于通过归一化的数据对LSTM神经网络进行训练，归一化的具体计算方式如下：

其中是归一化后的站点编号数据，min(h)是各站点样本中站点编号的最小值，max(h)是各站点编号的最大值；归一化后的公交车到站所用时间数据，min(T)公交车所用时间的最小值，max(T)公交车所用时间的最大值，作为归一化后的标签数据，其中k＝1,2,3,…,n；是时间段归一化后的数据，min(s)是样本中时间段的最小值， max(T)是样本中时间段的最大值；是归一化后的三元组数据。

(4)、选取网络节点数：

利用步骤(3)中归一化后的数据对LSTM神经网络进行训练并选取合理的神经网络节点数，所述LSTM神经网络分为三层，分别为：输入层、输出层和隐含层，其中输入层节点数为3；一个车次中公交车经历的站点数为n，则输出层节点数为n；隐含层的节点数根据经验值为j，其中且j为整数，目的在于从满足j的取值范围中选出最合适的取值，假设LSTM神经网络的输出值为样本中的车次数量为M，定义损失函数为：

j的初始值为J，其中J为整数；使用 BPTT(BackPropagationThroughTime)算法对神经网络进行训练，训练结束后得到在此条件下的损失函数的最小值L_min1，然后J＝J+1, 其中用上述方法继续训练LSTM神经网络，训练结束后得到在此条件下损失函数最小值L_min2；以此类推，直到此时得到10个损失函数的最小值(L_min1,L_min2,…,L_min10)，从中选出最小值L_mini，L_mini对应的J便是隐含层的节点数；

(5)、确认基础时间序列1：

通过步骤(4)中所述方法预测公交车在第m+1车次从始发站到达各站点经历的时间，使用第m车次的各站点的归一化后的三元组数据作为LSTM(时间递归神经网络)的输入向量，LSTM输出第m+1 车次公交车从始发站分别到达n个站点经历时间的归一化数据将其做反归一化处理并作为基础时间序列1，反归一化公式如下：

其中为反归一化后的数据，即为通过静态预测模型得到的基础时间序列1，实现静态模型并完成预测；

(6)、启动动态调整：

建立公交车到站时间预测的Kalman滤波系统方程，对步骤(5) 中建立的静态模型进行动态调整，以校正预测时间，具体方程如下：

x_(k)、y_(k)分别表示公交车从初始站点到达第k站点所经历的时间和观测时间,u_(k)表示公交车从第k个站点到达k+1站点的运行时间,A_(k)、 B_(k)和H_(k)分别为状态转移变量、输入变量、和测量值系数，在预测中设置A_(k)＝E，B_(k)＝E，H_(k)＝E，其中E表示单位矩阵，w_(k)和v_(k)分别为输入噪声和测量噪声，所述输入噪声和测量噪声假设为互不相关、均值为0的独立白噪声；

(7)、确定基础时间序列2：

当公交车到达第2个站点时，能够获得公交车从始发站到达第2 站点的经历时间Kalman滤波利用和得到第3站点的调整值与后续各站点的时间差相加得到后续各站点的调整值并将调整值序列作为基础时间序列2；

(8)、计算出最终预测值：

当公交车到达第k站点时，其中k＝(3,4,5,…,n-1)通过如下公式：

从[a₁,a₂,a₃,…,a_n]中选取最小值a_x，其中1≤x≤k-1。如果x＝k-1，Kalman 滤波模型保持不变，选取和基础时间序列k-1中的作为 Kalman滤波模型的输入，得到第k+1站点的最新调整值如果 x≠k-1，重新初始化Kalman滤波模型，选取和基础时间序列x 中的或作为Kalman滤波模型的输入，得到第k+1站点的最新调整值将最新调整值分别与后续个站点的时间差连续相加，得到后续各站点的最新调整值并将最新调整值序列作为基础序列k，当公交车到达第n个站点时，本车次动态调整过程结束；

(9)、预测结果评价：

对公交车到达站点的预测值与观测值通过对比来评价预测的准确性，以准确率、各站点均方误差和各站点平均绝对误差作为评价指标，其中预测值与观测值的绝对偏差定义为：

x＝|r-b| (4)

其中x是绝对偏差，r为公交车到达站点时间观测值，即通过GPS 定位系统观测到的到站时间；b为公交车到达站点时间预测值，即通过所述静态预测模型所预测的到站时间；s1代表测试集中绝对偏差小于等于60的站点数，s2代表绝对偏差小于等于90的站点数，s3代表绝对偏差小于等于120的站点数，m是测试集中站点的总数；

准确率的计算方式如下：

p1＝(s1/m)*100％ (5)

p2＝(s2/m)*100％ (6)

p3＝(s3/m)*100％ (7)

p1,p2,p3分别代表了预测值与观测值绝对偏差小于等于60秒， 90秒，120秒的正确率；

均方误差的计算方式如下：

平均绝对误差的计算方式如下：

其中n代表样本总数，k代表第k个站点；

当公交车到达第k站点时，其观测值与预测值的偏差较大，则对第k+1站点的预测会产生较大影响，将第k+1站点的预测值参与指标计算和评估，当公交车结束一个车次时，便得到了所有站点的预测值，实现公交车到站时间预测。

实施例2：

本实施例的预测工艺过程同实施例1，采用了青岛市468路公交车8月3日到8月28日的GPS数据对公交车经过的19个站点进行时间预测，其中8月3日到8月21日的数据作为训练集，8月24日到 8月28日的数据作为测试集，由于公交车在工作日和周六、周日的运行情况不同，本实施例没有将周六、周日的数据进行训练和预测，其中时间段的划分规则为：从早上6点到晚上21点，每30分钟划为一段，一个车次公交车要经过19个站点；本实施例中最终采取的是输入层节点为3，隐藏层节点为9，输出层节点为19的长短时记忆递归神经网络，所有训练集和测试集的样本均进行了归一化处理，得到对于公交车到站时间预测的正确率，如表1所示，经Kalman模型对长短时记忆递归神经网络预测的基础时间序列动态调整后，p1， p2,p3的正确率均有明显的提高，其中p2,p3超过了90％；

表1正确率

表中的数据证明本实施例的预测结果符合发明目的。

实施例3：

预测工艺过程同实施例1，本实施例和单一LSTM模型各站点的均方误差和平均绝对误差分别如图2和图3所示，能够看出，经Kalman 滤波模型调整后的时间预测值的均方误差和平均绝对误差均小于 LSTM模型预测时间的均方误差和平均绝对误差，说明原时间基线经 Kalman滤波动态调整后提高了预测精度而且降低了预测偏差。

Claims (1)

1.一种公交车到站时间预测方法，其特征在于具体包括以下步骤：

(1)、采集历史数据：

采集通过公交车GPS系统收集公交车运行线路的历史数据,所述历史数据包括每一路公交车的车次、站点数、到达各站点的时间和速度，所述公交车的车次是公交车从始发站出发并再次到达始发站的过程成为一个车次；

(2)、历史数据转换：

将步骤(1)中获得的历史数据转换成三元组数据，所述三元组数据包括站点编号、到站真实经历时间和到站时间段，并将公交车从始发站到达各站点所用的时间数据作为标签数据；

(3)、转换数据归一化：

将步骤(2)中的数据进行归一化处理，得到归一化后的历史数据，以便于通过归一化的数据对LSTM神经网络进行训练，归一化的数据包括站点编号数据和公交车到站所用时间数据，分别找出站点编号数据的最大值和最小值、公交车到站所用时间的最大值和最小值，再使用最大值减最小值的方法对数据进行归一化处理，使归一化处理后的公交车运行历史数据值域为[0,1]，完成转换数据归一化处理；

(4)、选取网络节点数：

利用步骤(3)中归一化后的数据对LSTM神经网络进行训练并选取合理的神经网络节点数，所述LSTM神经网络分为三层，分别为：输入层、输出层和隐含层，其中输入层节点数为3，输出层节点数为一个车次中公交车经历的站点数，隐含层的节点数根据站点数来确定，具体为假定公交车经历的站点数为n，隐含层的节点数为j，则j的取值为且j为整数，目的在于从满足j的取值范围中选出最合适的取值；将步骤(3)中归一化处理后的公交车运行数据划分为训练集和测试集；利用训练集数据，在已设定合理参数的LSTM神经网络上进行训练，并计算LSTM神经网络在测试集上的测试误差，筛选留下测试误差最小时的LSTM神经网络作为LSTM神经网络预测模型；

(5)、确认基础时间序列1：

调用步骤(4)中得到的LSTM神经网络预测公交车到达下N站经历的时间的归一化数据，将其做反归一化处理并作为基础时间序列1，实现静态模型并完成预测；

(6)、启动动态调整：

建立公交车到站时间预测的Kalman滤波系统方程，利用该方程计算出公交车从初始站点到达第其他站点所经历的时间和观测时间,用以对步骤(5)中建立的静态模型进行动态调整和校正预测时间；

(7)、确定基础时间序列2：

当公交车到达第2站点时，能够获得公交车从始发站到达该站点的经历时间，Kalman滤波利用经历时间和通过步骤(5)得到的到达该站的预测时间，得到到达下一站的调整时间，该调整时间与该站和后续相邻站点的静态预测时间的时间差相加得到后续站点的调整值，重复该步骤直到得到所有站点的调整值，并将所有调整值序列作为基础时间序列2，完成到达第2站的动态调整过程；

(8)、计算出最终预测值：

利用步骤(5)得到的到达第3站的预测时间和步骤(7)得到的到达第3站时间的调整值，通过Kalman滤波采用步骤(7)中所述的方法计算出到达第4站的时间和调整后的基础时间序列3，再重复步骤(7)和(8)，直到得到所有站点的动态调整；

(9)、预测结果评价：

对公交车到达站点的预测值与观测值通过对比来评价预测的准确性，以准确率、各站点均方误差和各站点平均绝对误差作为评价指标，所述预测值与观测值的绝对偏差的定义为公交车到达站点时间观测值与预测值的差值的绝对值。