CN107092988B - 一种专用道公交车辆驻站时间预测方法 - Google Patents

一种专用道公交车辆驻站时间预测方法 Download PDF

Info

Publication number
CN107092988B
CN107092988B CN201710265165.5A CN201710265165A CN107092988B CN 107092988 B CN107092988 B CN 107092988B CN 201710265165 A CN201710265165 A CN 201710265165A CN 107092988 B CN107092988 B CN 107092988B
Authority
CN
China
Prior art keywords
regression
time
data
bus
station
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
Application number
CN201710265165.5A
Other languages
English (en)
Other versions
CN107092988A (zh
Inventor
刘小明
尚春琳
唐少虎
陈智
郑国荣
蒋源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Technology
Original Assignee
North China University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Technology filed Critical North China University of Technology
Priority to CN201710265165.5A priority Critical patent/CN107092988B/zh
Publication of CN107092988A publication Critical patent/CN107092988A/zh
Application granted granted Critical
Publication of CN107092988B publication Critical patent/CN107092988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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"
    • G06Q50/40—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明是一种专用道公交车辆驻站时间预测的方法。首先，基于检测器数据经过数据预处理得到特定班次前后车到站时间间隔以及后车驻站时间的数据矩阵；其次，根据数据矩阵的数据关系分析采用多项式回归、对数函数回归、指数函数回归等回归形式，在全阶段和分阶段两种情况下对其进行回归分析，并借助于各回归形式的效果相关度的关系选用最佳相关度回归函数；然后，根据最佳回归函数对专用道公交进行驻站时间预测，并验证其预测精度；最后，根据误差阈值关系确定选定采用模型优化或参数优化方案，进而实时优化预测结果。

Description

一种专用道公交车辆驻站时间预测方法
技术领域
本发明涉及一种基于专用道公交车辆历史数据的驻站时间预测方法。
背景技术
近年来随着城市道路交通拥堵现象的愈加严重，便捷高效地出行方式成为缓解拥堵的迫切需求。《国务院关于城市优先发展公共交通的指导意见》指出发展公交优先是缓解拥堵的必然要求。2015年北京市出台《公交专用车道设置规范》，要求符合相关条件的道路全面实施公交专用道。然而公交车辆驻站时间的波动变化将直接影响到公交车辆的路段时空轨迹分布，在路阻函数、建模仿真、评价线网、公交信号优先控制等领域的研究中有重要作用，因此国内外众多学者对公交车辆驻站时间预测方面进行了大量研究。
由于公交车辆自身所区别于社会车辆的特点较为明显，因此有学者将公交驻站时间预测同影响公交车辆驻站的因素、公交车辆停靠过程等相关联进行研究。随着交通检测设备的改进，基于对公交车辆历史数据回归分析也成为可能，在传统的回归分析方法之上结合卡尔曼滤波、最小二乘法估计、基因表达程序、支持向量机等算法建立了公交驻站时间同公交车头时距、路段运行时间、准点率等因素的预测分析模型。随着人工智能在当今科学技术中的飞速发展和应用，给公交车辆的驻站时间预测提供了新的研究思路，利用K近邻、神经网络、贝叶斯深度学习等算法搭建公交车辆的位置、速度、车头时距等多因素综合影响下的驻站时间预测模型。但是这些策略仍存在以下问题：
①公交驻站时间预测方法研究中，应考虑到不同时段乘客出行及公交运行特征对公交驻站时间的影响；
②基于回归分析的公交驻站时间预测是其中重要方法之一，但由于公交驻站时间的强随机性，仅靠单一的回归模型难以描述公交驻站时间与其主要影响因素间的关系，应考虑建立回归模型库，并随着观测数据的更新使库内回归模型持续优化。
发明内容
为了获得一种能够基于专用道公交车辆同一班次前后车到站时间间隔跟后车驻站时间之间数据规律进行专用道公交车辆驻站时间预测分析的方法，进而得到精准的专用道公交车辆的驻站时间预测结果。针对现行专用道公交驻站时间预测策略存在的不足，本发明的针对专用道公交车辆和社会车辆的运行特点设置了一种新的专用道公交驻站时间预测方法，具体采用如下技术方案：该方法包括如下步骤：
(1)将班次、进出站时间信息依照时间先后关系构造数据矩阵A，其中：
Figure BDA0001275375800000021
anumn为第n辆车班次，aarrn和adepn分别为第n辆车的到站时间和离站时间；
(2)将前后车到站时间间隔Tb与本班次后车驻站时间Ts构成数据矩阵B，其中：
B＝[TB TS]；
Figure BDA0001275375800000022
(3)令矩阵B中数据组为n组，取其前0.8n组数据为训练矩阵Btrain＝[Tb Ts]，其余的数据构成验证矩阵
Figure BDA0001275375800000023
(4)对数据矩阵B中Tb和Ts利用多项式回归、指数回归、对数函数回归策略进行回归分析并生成回归分析数据，得到全阶段回归函数簇为：
Figure BDA0001275375800000024
(5)从数据矩阵Btrain中寻找最大的Tb，记为Tbmax，采用聚类算法将Tb分为m组；对每个分组内数据执行多项式回归、指数回归、对数函数回归策略进行回归分析并生成回归分析函数簇，得到分阶段回归函数簇为：
Figure BDA0001275375800000025
(6)将得到的全阶段回归函数簇和分阶段回归函数簇，利用皮尔逊系数进行相关度检验，具体如下：
Figure BDA0001275375800000026
其中：R为相关度，X为实际检测得出的驻站时间，Y为根据回归模型预测得出驻站时间，N为数组组数；
(7)选择步骤(6)中相关度高的函数做为公交驻站时间预测模型，记为f(x)，将验证矩阵Bcheck中的Tby作为模型输入，输出预测驻站时间pretime＝f(Tby)。
优选地，还包括如下步骤：
(8)采用平均预测精度衡量预测结果，具体如下：
Figure BDA0001275375800000031
其中：Preacc为平均预测精度；realtime为公交车辆真实驻站时间；pretime为公交车辆驻站预测时间。
优选地，还包括如下步骤：
(9)采用如下优化判断流程：若E＜Q，返回步骤(4)，利用新数据对预测模型参数微调整，并剔除超出误差阈值的点；若E＞Q，返回步骤(2)，利用新数据更新预测模型，并验证新模型的预测效果，剔除失效数据，其中，E为平均误差，Q为误差阈值。
附图说明
图1是本发明的方法流程图。
图2是本发明的聚类算法流程图。
具体实施方式
(1)在专用道公交站点以视频采集为主、人工采集为辅的采集专用道公交的停靠信息，主要采集的信息包括专用道公交车辆的车辆班次、到站时刻、离站时刻和驻站时间等。公交车辆到站时刻即公交车辆在站内驻站停稳时刻；公交车辆离站时刻即公交车辆在站内启动离开时刻；公交车辆驻站时间即公交车辆到站时刻与离站时刻间的时间间隔；前后车到站时间间隔即前车的到站时刻与后车的到站时刻间的时间间隔。
将班次、进出站时间信息依照时间先后关系构造数据矩阵A，其中：
Figure BDA0001275375800000032
anumn为第n辆车班次，aarrn和adepn分别为第n辆车的到站时间和离站时间
(2)根据专用道公交车辆的到站类型，按类进行数据筛选。将所采集到的信息按照班次区分开来，并将每一班次中前后车的到站时间间隔同后车的驻站时间做数据相关处理，并构成数据矩阵。专用道公交车辆到站情况定义为以下几类：
A、前方无车辆驻站
B、前方有车辆驻站且驻站车辆包含本班次
C、前方有车辆驻站且驻站车辆不含本班次
依照所要分析的特定班次需求，将本班次的前后车到站时间间隔TB同本班次后车驻站时间TS构成数据矩阵B，其中：
B＝[TB TS]；
Figure BDA0001275375800000041
(3)令矩阵B中数据组为n组，取其前0.8n组数据为训练矩阵Btrain＝[Tb Ts]，其余的数据构成验证矩阵
Figure BDA0001275375800000042
满足length(Btrain)/length(B)＝0.8。
针对现行的单一形式回归效果不好的问题，本专利采用了多形式回归分析形式。针对根据公交车辆前后车到站时间间隔同后车驻站时间的分布特点，采用全阶段回归及分阶段回归两种方法，其定义如下：
全阶段回归：将公交车辆前后车到站时间间隔同后车驻站时间的所有组合按照所选用的回归函数进行回归分析；
分阶段回归：将公交车辆前后车到站时间间隔同后车驻站时间的所有组合按照前后到站时间间隔大小设置不同的阶段，在每个阶段采用不同的回归函数进行拟合。
(4)进行全阶段回归：对数据矩阵B中Tb和Ts利用多项式回归、指数回归、对数函数回归策略进行回归分析，并生成回归分析数据，其回归形式如下：
y＝a1xm+a2xm-1+…+amx+b
y＝|a×ln(cx+ε)+b|,limε→0
Figure BDA0001275375800000043
得到全阶段回归函数簇为
Figure BDA0001275375800000044
(5)进行分阶段回归，从数据矩阵Btrain中寻找最大的Tb，记为Tbmax，采用聚类算法将Tb分为m组；具体步骤如图2所示。根据分组，对每个分组内数据执行多项式回归、指数回归、对数函数回归策略进行回归分析，并生成回归分析函数簇；
得到分阶段回归函数簇为：
Figure BDA0001275375800000045
(6)将得到的全阶段回归函数簇和分阶段回归函数簇，利用皮尔逊系数进行相关度检验，具体如下：
Figure BDA0001275375800000051
其中：R为相关度，X为实际检测得出的驻站时间，Y为根据回归模型预测得出驻站时，N为数组组数。
(7)依照表1相关度关系表筛选最佳预测效果函数：
表1相关度关系表
Figure BDA0001275375800000052
并将此函数做为公交驻站时间预测模型，记为f(x)。将验证矩阵Bcheck中的Tby作为模型输入，故其预测驻站时间为
pretime＝Tsy＝f(Tby)
(8)采用平均预测精度衡量预测结果，具体如下：
Figure BDA0001275375800000053
其中：Preacc为平均预测精度；Realtime为公交车辆真实驻站时间；Pretime为公交车辆驻站预测时间
(9)为了增加模型的预测效果的动态优化，引入了平均误差作为反馈输入量，通过对平均误差与误差均值的对比关系，确定不同的模型优化策略。通过平均误差E和误差阈值Q的关系，选用不同的优化模式。其中E和Q的获取过程如下：
设X表示前后车的到站时间间隔，g(X)表示前后车到站时间间隔为X时后车的驻站时间，f(X)为该班次的驻站时间分布密度函数，它反映该班次的驻站特性，因此该班次的驻站时间为
Figure BDA0001275375800000054
用概率语言来说，g是随机变量g(X)的数学期望，即
E＝g＝E(g(X))
对于误差阈值的判断采用的是k-means聚类算法对各时间段的驻站时间进行聚类，通过寻找聚类边界M，因此各阶段的误差阈值为：
Q＝|M-g(X)|
其优化判断流程如下：
1、E＜Q，返回Step3，利用新数据对预测模型参数微调整，并剔除超出误差阈值的点；
2、E＞Q，返回Step2，利用新数据更新预测模型，并验证新模型的预测效果。剔除失效数据。

Claims (3)

1.一种专用道公交车辆驻站时间预测方法，其特征在于，包括如下步骤：
(1)将班次、进出站时间信息依照时间先后关系构造数据矩阵A，其中：
Figure FDA0002312149480000011
anumn为第n辆车班次，aarrn和adepn分别为第n辆车的到站时间和离站时间；
(2)将前后车到站时间间隔TB与本班次后车驻站时间TS构成数据矩阵B，其中：
B＝[TB TS]；
Figure FDA0002312149480000012
(3)令矩阵B中数据组为n组，取其前0.8n组数据为训练矩阵Btrain＝[TB TS]，其余的数据构成验证矩阵
Figure FDA0002312149480000013
(4)对数据矩阵B中TB和TS利用多项式回归、指数回归、对数函数回归策略进行回归分析并生成回归分析数据，得到全阶段回归函数簇为：
Figure FDA0002312149480000014
(5)从数据矩阵Btrain中寻找最大的TB，记为TBmax，采用聚类算法将TB分为m组；对每个分组内数据执行多项式回归、指数回归、对数函数回归策略进行回归分析并生成回归分析函数簇，得到分阶段回归函数簇为：
Figure FDA0002312149480000015
(6)将得到的全阶段回归函数簇和分阶段回归函数簇，利用皮尔逊系数进行相关度检验，具体如下：
Figure FDA0002312149480000016
其中：R为相关度，X为实际检测得出的驻站时间，Y为根据回归模型预测得出驻站时间，N为数组组数；
(7)选择步骤(6)中相关度高的函数做为公交驻站时间预测模型，记为f(x)，将验证矩阵Bcheck中的Tby作为模型输入，输出预测驻站时间pretime＝f(Tby)。
2.如权利要求1所述的一种专用道公交车辆驻站时间预测方法，其特征在于，还包括如下步骤：
(8)采用平均预测精度衡量预测结果，具体如下：
Figure FDA0002312149480000021
其中：Preacc为平均预测精度；realtime为公交车辆真实驻站时间；pretime为公交车辆驻站预测时间。
3.如权利要求2所述的一种专用道公交车辆驻站时间预测方法，其特征在于，还包括如下步骤：
(9)采用如下优化判断流程：若E＜Q，返回步骤(3)，利用新数据对预测模型参数微调整，并剔除超出误差阈值的点；若E＞Q，返回步骤(2)，利用新数据更新预测模型，并验证新模型的预测效果，剔除失效数据，其中，E为平均误差，Q为误差阈值。
CN201710265165.5A 2017-04-21 2017-04-21 一种专用道公交车辆驻站时间预测方法 Active CN107092988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710265165.5A CN107092988B (zh) 2017-04-21 2017-04-21 一种专用道公交车辆驻站时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710265165.5A CN107092988B (zh) 2017-04-21 2017-04-21 一种专用道公交车辆驻站时间预测方法

Publications (2)

Publication Number Publication Date
CN107092988A CN107092988A (zh) 2017-08-25
CN107092988B true CN107092988B (zh) 2020-04-10

Family

ID=59636991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710265165.5A Active CN107092988B (zh) 2017-04-21 2017-04-21 一种专用道公交车辆驻站时间预测方法

Country Status (1)

Country Link
CN (1) CN107092988B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI703517B (zh) * 2019-07-18 2020-09-01 中華電信股份有限公司 車輛到站時間預測之系統與其方法
CN111091231B (zh) * 2019-11-25 2022-04-15 珠海格力电器股份有限公司 预测模型训练方法、时间预测方法、训练装置及终端
CN111126835B (zh) * 2019-12-23 2023-04-18 航天科技控股集团股份有限公司 一种北斗卫星定位的公用汽车管理方法
CN112035856B (zh) * 2020-08-20 2023-05-30 北方工业大学 一种基于区块链技术的v2g充放电信息处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102074124A (zh) * 2011-01-27 2011-05-25 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
CN104637334A (zh) * 2015-02-10 2015-05-20 中山大学 一种公交车到站时间实时预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102074124A (zh) * 2011-01-27 2011-05-25 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
CN104637334A (zh) * 2015-02-10 2015-05-20 中山大学 一种公交车到站时间实时预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Probabilistic models of passengers service processes at bus stops;Andrzej Adamski;《Transportation Research》;19920831;第26卷(第4期);253-259 *
专用道公交优先干线协调控制研究现状及展望;张骁 等;《自动化博览》;20161015(第10期);78-81 *
基于时间分布的公交行程时间预测模型的研究;武勇;《中国优秀硕士学位论文全文数据库工程科技II辑》;20130515(第05期);C034-344 *

Also Published As

Publication number Publication date
CN107092988A (zh) 2017-08-25

Similar Documents

Publication Publication Date Title
CN107092988B (zh) 一种专用道公交车辆驻站时间预测方法
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN107330217B (zh) 一种基于rbfnn的中观油耗预测方法
CN110570651A (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN108597227B (zh) 高速公路收费站下道交通流量预测方法
CN107293115B (zh) 一种用于微观仿真的交通流量预测方法
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
Loulizi et al. Steady-state car-following time gaps: an empirical study using naturalistic driving data
CN111197991A (zh) 基于深度神经网络的预测车辆最佳驾驶路径方法
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN111292534A (zh) 一种基于聚类与深度序列学习的交通状态估计方法
CN106297296B (zh) 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法
CN107564290A (zh) 一种城市道路交叉口饱和流率计算方法
CN109489679B (zh) 一种导航路径中的到达时间计算方法
CN113436433B (zh) 一种高效的城市交通离群值检测方法
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
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
CN111583628A (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
CN116010838A (zh) 一种融合密度值和K-means算法的车辆轨迹聚类方法
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN112201041B (zh) 融合电警数据和抽样轨迹数据的干道路径流量估计方法
CN113806857A (zh) 一种基于变分图自编码器的高速列车节能制动方法
CN109584563B (zh) 一种基于韦布尔分布的城市快速路路段通行能力可靠性分布分析方法
CN111710156A (zh) 一种道路交通流量预测方法、系统、介质及设备
LU503001B1 (en) Method for predicting pedestrian crossing without signal lamp control

Legal Events

Date Code Title Description
PB01 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