CN107146450A - 一种班车/公交车的到达时间预测方法 - Google Patents
一种班车/公交车的到达时间预测方法 Download PDFInfo
- Publication number
- CN107146450A CN107146450A CN201710413482.7A CN201710413482A CN107146450A CN 107146450 A CN107146450 A CN 107146450A CN 201710413482 A CN201710413482 A CN 201710413482A CN 107146450 A CN107146450 A CN 107146450A
- Authority
- CN
- China
- Prior art keywords
- bus
- regular
- predicted
- gps data
- regular bus
- 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
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种班车/公交车的到达时间预测方法,包括:查询与待预测的班车/公交车相同班次的班车/公交车的历史GPS数据;采集待预测的班车/公交车的GPS数据;将待预测的班车/公交车周围一定范围内的班车/公交车的历史GPS数据选定为样本,根据基于样本计算的历史到达时间预测待预测的班车/公交车的到达时间。本发明可在班车/公交车的行驶过程中实时预测到达时间。
Description
技术领域
本发明涉及交通管理技术领域。更具体地,涉及一种班车/公交车的到达时间预测方法。
背景技术
GPS是全球定位系统的英文缩写,主要用来实时采集、定位目标点的地理坐标。GIS是地理信息系统的英文缩写。是在计算机软硬件技术的支持下存储、分析、处理、输出空间地理信息的系统。GIS可以用来管理和应用由GPS获取的坐标位置数据;而GPS可以为GIS高精度快速地采集数据源,也可为GIS提供实时的监控对象。
目前大多数班车/公交车到站预测方法不能实时预测班车/公交车距离目的地的距离和时间,而且在预测时间方面一般采用距离除以固定的速度或者采用时刻表预报方法,这两种预测方法都不能准确的预测班车/公交车在不同路段不同环境下的到站时间。
因此,需要提供一种基于GPS数据的班车/公交车的到达时间预测方法。
发明内容
本发明的目的在于提供一种班车/公交车的到达时间预测方法,对具有固定出发时间及固定线路的班车/公交车,可在班车/公交车的行驶过程中实时预测到达目的地的到达时间。
为达到上述目的,本发明采用下述技术方案:
一种班车/公交车的到达时间预测方法,包括如下步骤:
S1、查询与待预测的班车/公交车相同班次的班车/公交车的历史GPS数据;
S2、采集待预测的班车/公交车的GPS数据;
S4、将待预测的班车/公交车周围一定范围内的班车/公交车的历史GPS数据选定为样本,根据基于样本计算的历史到达时间预测待预测的班车/公交车的到达时间。
优选地,班车/公交车的历史GPS数据和待预测的班车/公交车的GPS数据的采集间隔均为30s。
优选地,在步骤S2与S4之间还包括如下步骤:
S3、以上一个采集时刻采集的待预测的班车/公交车的GPS数据中的位置为圆心且以当前采集的待预测的班车/公交车的GPS数据中的位置与上一个采集时刻采集的待预测的班车/公交车的GPS数据中的位置之间的距离为半径划定半圆,判断半圆内存在的相同班次的班车/公交车的历史GPS数据数量是否大于等于设定阈值:若是则转入步骤S4;若否则转入步骤S2采集下一个采集时刻的待预测的班车/公交车的GPS数据。
优选地,所述设定阈值的取值范围为10~20。
优选地,步骤S4中将待预测的班车/公交车周围一定范围内的班车/公交车的历史GPS数据选定为样本进一步包括:
以大小相同的四边形网格划分包含待预测的班车/公交车线路的平面地图,将包含待预测的班车/公交车的GPS数据中的位置的四边形网格中包含的班车/公交车的历史GPS数据选定为样本。
优选地,所述四边形网格的长和宽的取值范围均为100~150m。
本发明的有益效果如下:
本发明所述技术方案可在班车/公交车的行驶过程中实时预测到达目的地的到达时间,并且在班车/公交车越接近目的地时预测越精确,为班车/公交车的调度提供参考。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明;
图1示出班车/公交车的到达时间预测方法的流程图。
图2示出划定半圆的示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1所示,本发明公开的班车/公交车的到达时间预测方法,包括如下步骤:
S1、查询与待预测的班车/公交车相同班次的班车/公交车的历史GPS数据;
S2、采集待预测的班车/公交车的GPS数据;
S4、将待预测的班车/公交车周围一定范围内的班车/公交车的历史GPS数据选定为样本,根据基于样本计算的历史到达时间预测待预测的班车/公交车的到达时间。
其中,班车包括但不限于物流网络(如快递、快运网络)中按周期(每日/每周)在特定时间定时发车,运行于指定线路上的车辆。相同班次的两辆班车/公交车具有相同的出发时间和相同的线路。数据库中的班车/公交车的历史GPS数据包含时间和位置信息,采集待的预测的班车/公交车的GPS数据也同样包含时间和位置信息。由于班车/公交车的历史GPS数据包含时间和位置信息,因此可根据选定为样本的班车/公交车的历史GPS数据中的时间信息和该班车/公交车到达目的地的时间计算得到该班车/公交车的历史到达时间,同样也能计算得到选定为样本的班车/公交车的历史GPS数据的剩余里程;如果选定了多个样本,则可将多个历史到达时间取均值得到待预测的班车/公交车的到达时间的预测结果。另外,在选定样本时,还应去除明显异常的班车/公交车的历史GPS数据(例如班车迟到等)。
进一步,班车/公交车的历史GPS数据和待预测的班车/公交车的GPS数据的采集间隔均为30s,即,每30s采集一次待预测的班车/公交车的GPS数据,数据库中的班车/公交车的历史GPS数据在当初采集时也是每30s采集一次。
进一步,在步骤S2与S4之间还包括如下步骤:
S3、如图2所示,以上一个采集时刻采集的待预测的班车/公交车的GPS数据中的位置为圆心且以当前采集的待预测的班车/公交车的GPS数据中的位置与上一个采集时刻采集的待预测的班车/公交车的GPS数据中的位置之间的距离为半径划定半圆,判断半圆内存在的相同班次的班车/公交车的历史GPS数据数量是否大于等于设定阈值:若是则转入步骤S4,在当前采集时刻预测到达时间;若否则转入步骤S2采集下一个采集时刻的待预测的班车/公交车的GPS数据,再以“当前”采集的待预测的班车/公交车的GPS数据中的位置为圆心且以下一个采集时刻采集的待预测的班车/公交车的GPS数据中的位置与“当前”采集的待预测的班车/公交车的GPS数据中的位置之间的距离为半径划定半圆,根据设定阈值进行判断,若下一采集时刻满足设定阈值,则在下一采集时刻预测到达时间。进一步,设定阈值的取值范围为10~20。步骤S3可以提高预测灵活性和准确性:如果以固定范围来圈定范围,势必导致某些路段产生的历史GPS数据中的位置过多或者过少的情况。而由于车辆在行驶途中的速度与驾驶行为具有相似性,以实时的两个连续采集时刻采集的GPS数据中的位置来划分范围,能较好的规避上面这种问题。
进一步,步骤S4中将待预测的班车/公交车周围一定范围内的班车/公交车的历史GPS数据选定为样本进一步包括:
以大小相同的四边形网格划分包含待预测的班车/公交车线路的平面地图,将包含待预测的班车/公交车的GPS数据中的位置的四边形网格中包含的班车/公交车的历史GPS数据选定为样本,进而,如果选定了多个样本,则可将多个历史到达时间取均值得到包含待预测的班车/公交车的GPS数据中的位置的四边形网格的预测到达时间,将四边形网格的预测到达时间作为待预测的班车/公交车的预测到达时间。进一步,四边形网格的长和宽的取值范围均为100~150m。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (6)
1.一种班车/公交车的到达时间预测方法,其特征在于,该方法包括如下步骤:
S1、查询与待预测的班车/公交车相同班次的班车/公交车的历史GPS数据;
S2、采集待预测的班车/公交车的GPS数据;
S4、将待预测的班车/公交车周围一定范围内的班车/公交车的历史GPS数据选定为样本,根据基于样本计算的历史到达时间预测待预测的班车/公交车的到达时间。
2.根据权利要求1所述的班车/公交车的到达时间预测方法,其特征在于,班车/公交车的历史GPS数据和待预测的班车/公交车的GPS数据的采集间隔均为30s。
3.根据权利要求1或2所述的班车/公交车的到达时间预测方法,其特征在于,在步骤S2与S4之间还包括如下步骤:
S3、以上一个采集时刻采集的待预测的班车/公交车的GPS数据中的位置为圆心且以当前采集的待预测的班车/公交车的GPS数据中的位置与上一个采集时刻采集的待预测的班车/公交车的GPS数据中的位置之间的距离为半径划定半圆,判断半圆内存在的相同班次的班车/公交车的历史GPS数据数量是否大于等于设定阈值:若是则转入步骤S4;若否则转入步骤S2采集下一个采集时刻的待预测的班车/公交车的GPS数据。
4.根据权利要求3所述的班车/公交车的到达时间预测方法,其特征在于,所述设定阈值的取值范围为10~20。
5.根据权利要求1或2所述的班车/公交车的到达时间预测方法,其特征在于,步骤S4中将待预测的班车/公交车周围一定范围内的班车/公交车的历史GPS数据选定为样本进一步包括:
以大小相同的四边形网格划分包含待预测的班车/公交车线路的平面地图,将包含待预测的班车/公交车的GPS数据中的位置的四边形网格中包含的班车/公交车的历史GPS数据选定为样本。
6.根据权利要求5所述的班车/公交车的到达时间预测方法,其特征在于,所述四边形网格的长和宽的取值范围均为100~150m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710413482.7A CN107146450B (zh) | 2017-06-05 | 2017-06-05 | 一种班车/公交车的到达时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710413482.7A CN107146450B (zh) | 2017-06-05 | 2017-06-05 | 一种班车/公交车的到达时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107146450A true CN107146450A (zh) | 2017-09-08 |
CN107146450B CN107146450B (zh) | 2019-09-24 |
Family
ID=59779498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710413482.7A Active CN107146450B (zh) | 2017-06-05 | 2017-06-05 | 一种班车/公交车的到达时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107146450B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113903172A (zh) * | 2021-10-01 | 2022-01-07 | 安徽富煌科技股份有限公司 | 一种基于公交车gps计算车辆预计到达时间的算法 |
CN117910660A (zh) * | 2024-03-18 | 2024-04-19 | 华中科技大学 | 基于gps数据及时空关联性的公交到站时间预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388143A (zh) * | 2007-09-14 | 2009-03-18 | 同济大学 | 基于浮动车数据的公交到站时间预测方法及系统 |
CN102708701A (zh) * | 2012-05-18 | 2012-10-03 | 中国科学院信息工程研究所 | 一种公交车到站时间实时预测系统和方法 |
CN103295414A (zh) * | 2013-05-31 | 2013-09-11 | 北京建筑工程学院 | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 |
CN104064028A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 基于多元信息数据的公交到站时间预测方法及系统 |
CN105243868A (zh) * | 2015-10-30 | 2016-01-13 | 青岛海信网络科技股份有限公司 | 一种公交车辆到站时间预测方法及装置 |
-
2017
- 2017-06-05 CN CN201710413482.7A patent/CN107146450B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388143A (zh) * | 2007-09-14 | 2009-03-18 | 同济大学 | 基于浮动车数据的公交到站时间预测方法及系统 |
CN102708701A (zh) * | 2012-05-18 | 2012-10-03 | 中国科学院信息工程研究所 | 一种公交车到站时间实时预测系统和方法 |
CN103295414A (zh) * | 2013-05-31 | 2013-09-11 | 北京建筑工程学院 | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 |
CN104064028A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 基于多元信息数据的公交到站时间预测方法及系统 |
CN105243868A (zh) * | 2015-10-30 | 2016-01-13 | 青岛海信网络科技股份有限公司 | 一种公交车辆到站时间预测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113903172A (zh) * | 2021-10-01 | 2022-01-07 | 安徽富煌科技股份有限公司 | 一种基于公交车gps计算车辆预计到达时间的算法 |
CN117910660A (zh) * | 2024-03-18 | 2024-04-19 | 华中科技大学 | 基于gps数据及时空关联性的公交到站时间预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107146450B (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Discovering time-dependent shortest path on traffic graph for drivers towards green driving | |
CN108170793B (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
Ding et al. | Hunts: A trajectory recommendation system for effective and efficient hunting of taxi passengers | |
Liu et al. | Dynamic shared autonomous taxi system considering on-time arrival reliability | |
Yan et al. | Employing opportunistic charging for electric taxicabs to reduce idle time | |
US9117252B2 (en) | Information processing device, terminal, server, and method for data transfer | |
CN108701283B (zh) | 用于使用作业位置之间的行驶成本进行作业调度的方法、系统和计算机可读介质 | |
Tang et al. | A network Kernel Density Estimation for linear features in space–time analysis of big trace data | |
WO2012129688A1 (en) | Method and system for generating viable pattern-transfers for an itinerary-planning system | |
CN105589939A (zh) | 识别群体运动轨迹方法和装置 | |
JP5421949B2 (ja) | 交通量予測装置、交通量予測方法およびプログラム | |
Mahmoudi et al. | A cumulative service state representation for the pickup and delivery problem with transfers | |
EP2831545B1 (en) | Digital location-based data methods and product | |
Chen et al. | Efficient solution algorithm for finding spatially dependent reliable shortest path in road networks | |
CN108875066A (zh) | 电子书推荐方法、服务器及计算机存储介质 | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
Kawatani et al. | Prediction of bus travel time over intervals between pairs of adjacent bus stops using city bus probe data | |
Rajput et al. | Advanced urban public transportation system for Indian scenarios | |
JP2019028526A (ja) | 混雑予測装置 | |
CN107146450A (zh) | 一种班车/公交车的到达时间预测方法 | |
Marković et al. | A threshold policy for dispatching vehicles in demand-responsive transit systems | |
CN111091215A (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
Mahmassani et al. | An investigation of the reliability of real-time information for route choice decisions in a congested traffic system | |
Ding et al. | Routing policy choice set generation in stochastic time-dependent networks: Case studies for Stockholm, Sweden, and Singapore | |
US11754404B2 (en) | Transport navigation system and transport navigation method |
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 |