CN108682152A - 一种基于前车数据的公交车异常数据修复方法 - Google Patents

一种基于前车数据的公交车异常数据修复方法 Download PDF

Info

Publication number
CN108682152A
CN108682152A CN201810548297.3A CN201810548297A CN108682152A CN 108682152 A CN108682152 A CN 108682152A CN 201810548297 A CN201810548297 A CN 201810548297A CN 108682152 A CN108682152 A CN 108682152A
Authority
CN
China
Prior art keywords
data
bus
front truck
exception
data exception
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
Application number
CN201810548297.3A
Other languages
English (en)
Other versions
CN108682152B (zh
Inventor
赵敏
孙棣华
廖孝勇
周云云
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.)
Liyang Smart City Research Institute Of Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201810548297.3A priority Critical patent/CN108682152B/zh
Publication of CN108682152A publication Critical patent/CN108682152A/zh
Application granted granted Critical
Publication of CN108682152B publication Critical patent/CN108682152B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Abstract

本发明涉及交通数据处理技术领域，公开了一种基于前车数据的公交车异常数据修复方法，该方法包括以下步骤：1)实时监测公交车运行数据异常问题，若没有发生数据异常情况则转到步骤7)，否则执行步骤2)；2)提取数据异常公交车的前车数据，计算各前车与数据异常公交车的灰色关联度；3)基于前车速度估计数据异常时刻的公交车速度值；4)获取数据异常公交车所在路段该时段的历史速度；5)对公交车异常数据中的速度信息进行修复；6)对公交车异常数据中的位置信息进行修复；7)将公交车运行数据存储到数据库中。本发明能对公交车速度、位置信息出现错误或丢失时进行有效处理，以降低公交车异常数据产生的影响，进而为公众提供更加可靠的公交服务信息。

Description

一种基于前车数据的公交车异常数据修复方法
技术领域
本发明涉及交通数据处理技术领域，具体涉及一种公交车异常数据修复方法。
背景技术
我国政府早在2004年就提出了“优先发展城市公共交通”的政策方针，而公交车作为公共交通的主要组成部分，吸引更多乘客选择公交出行有利于减缓城市交通压力，促进城市交通的可持续发展。为了增强公交系统竞争力，公交到站时间预测系统逐渐被应用于各大城市，其可以向公众提供实时的公交车距离目标站点的距离和预测到站时间。
然而现有的公交到站时间预测系统在工程实际应用中，由于公交信息感知设备、通讯传输等诸多环节均可能受系统故障、环境变化等因素的影响，导致采集的公交车运行数据出现数据丢失，数据错误等数据问题；从而直接影响到公交到站时间预测，造成预测结果与实际公交车到达情况不符；进而导致公众对公交信息服务满意度降低，乘客分流转移到其他可靠性较高的出行方式。
工程实际应用中存在异常数据问题是无可避免的，想要预测系统能基于较完整及正确的数据之上进行公交到站时间预测，从而提高预测结果的可靠性和可信性；必须对识别出来的公交车异常数据进行实时修复。目前关于交通异常数据的修复，国内外研究学者已经做了大量工作。如历史趋势修正法、统计分析法、移动平均法等等。历史趋势修正法和统计分析法都是通过处理大量历史数据掌握历史规律去进行数据修复工作，但是其实时性不足。移动平均法是利用过去最近的正确数据去修复异常数据，其停留在过去而没有考虑数据异常时刻的公交车运行环境不同会导致的变化。
发明内容
有鉴于此，本发明提供一种基于前车数据的公交车异常数据修复方法，能降低公交车异常数据产生的影响。
本发明的目的是通过以下技术方案来实现的：
一种基于前车数据的公交车异常数据修复方法，包括如下步骤：
1)实时监测公交车运行数据异常问题，若没有发生数据异常情况则转到步骤7)，否则执行步骤2)；
2)提取数据异常公交车的r个前车数据，计算各前车与数据异常公交车的灰色关联度α1，α2，...αr；
3)基于前车速度估计数据异常时刻的公交车速度值xprev(t)；
4)获取数据异常公交车所在路段该时段的历史速度xhis(t)；
5)对公交车异常数据中的速度信息进行修复，速度修复值
上式中，xprev(t)是利用前车数据加权估计而得的速度值；xhis(t)是历史速度值；a是权重系数，取值在(0，1)范围内；
6)对公交车异常数据中的位置信息进行修复，里程修复值
上式中，T为数据采样的时间间隔，是公交车异常数据中速度的估计值，y(t-1)是车辆信息感知设备上一采集时刻获取的该公交车的里程值；
7)将公交车运行数据存储到数据库中。
进一步，所述步骤1)具体包括如下步骤：
11)在线运营的公交车的车辆信息感知设备以时间间隔td将公交车运行数据发送回信息中心服务器，信息中心服务器将数据保存；
12)信息中心服务器若在时间间隔td后未接收到某公交车运行数据，则判断该公交车最后接收到数据时刻距离此时刻的时间间隔ts是否在一个时间窗tdelay内；若ts＜tdelay则有可能是通信网络拥塞造成数据传输延迟，服务器继续等待接收数据；若ts＞tdelay则判断为公交车运行数据异常；
13)信息中心服务器若在时间间隔td后接收到某公交车运行数据，则判断公交车运行参数是否超出阈值范围，若超出阈值则判断为公交车运行数据异常；
14)若没有发生数据异常情况则转到步骤7)，否则执行步骤2)。
进一步，所述步骤2)具体包括如下步骤：
21)以站点为路段划分依据，令该线路上的路段编号为1,2,...,n，按照公交行驶方向建立数据异常公交车的路段平均速度序列为：
X0＝(x(0,1),x(0,2),...,x(0,k),...,x(0,m))；
其中m是距离数据异常公交车辆最近的上游路段编号，x(0,k)是数据异常公交车在路段k间的平均行程速度；
22)提取数据异常公交车的r个前车数据，建立前车的路段平均速度序列为：
Xi＝(x(i,1),x(i,2),...,x(i,k),…,x(i,m))，i＝1,2,…,r；
其中x(i,k)为第i个前车在路段k的平均速度。
24)分别计算数据异常公交车与其各前车的灰色关联度系数α1，α2，…αr，通过以下公式求取：
其中，
Δ0i(k)＝|x(0,k)-x(i,k)|；
其中，Δ0i(k)为数据异常公交车与其第i个前车在路段k的平均速度绝对差值，Δmin为最小绝对差，Δmax为最大绝对差，α(x(0,k),x(i,k))为第i个前车与目标公交车在路段k的关联系数，ξ为分辨系数，通常取0.5。
进一步，所述步骤3)具体包括如下步骤：
31)通过前后车灰色关联度计算各前车的加权系数ωi：
ωi＝αi/(α1+α2+…+αr)
其中，αi为第i个前车与数据异常公交车的关联度，关联度越大权重越大；
32)利用前车速度加权估计数据异常公交车速度值xprev(t)，具体计算公式如下：
式中，xi是第i个前车在下游路段上与数据异常公交车位置最近的时刻其车辆的速度值，ωi是前车的加权系数。
进一步，所述步骤4)中，通过下式计算数据异常公交车所在路段该时段的历史速度：
上式中，xi(t)为前第i周同一工作日的当前时段该路段上的车辆平均速度；
由于采用了上述技术方案，本发明具有如下的优点：
本发明提出一种基于前车数据的公交车异常数据修复方法，公交到站时间预测系统普遍利用公交车运行数据中的速度信息以及位置信息来进行预测，本发明能对公交车速度、位置信息出现错误或丢失时进行有效处理，以降低公交车异常数据产生的影响，进而为公众提供更加可靠的公交服务信息。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：
图1为本发明一种基于前车数据的公交车异常数据修复方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
参见图1，本发明提供一种基于前车数据的公交车异常数据修复方法，包括以下步骤：
1)实时监测公交车运行数据异常问题，具体包括如下步骤：
11)在线运营的公交车的车辆信息感知设备以时间间隔td将公交车运行数据发送回信息中心服务器，信息中心服务器将数据保存；
12)信息中心服务器若在时间间隔td后未接收到某公交车运行数据，则判断该公交车最后接收到数据时刻距离此时刻的时间间隔ts是否在一个时间窗tdelay内；若ts＜tdelay则有可能是通信网络拥塞造成数据传输延迟，服务器继续等待接收数据；若ts＞tdelay则判断为公交车运行数据异常；
13)信息中心服务器若在时间间隔td后接收到某公交车运行数据，则判断公交车运行参数是否超出阈值范围，若超出阈值则判断为公交车运行数据异常；
14)若没有发生数据异常情况则转到步骤7)，否则执行步骤2)。
2)提取数据异常公交车的r个前车数据，计算各前车与数据异常公交车的灰色关联度；具体包括如下步骤：
21)以站点为路段划分依据，令该线路上的路段编号为1,2,…,n，按照公交行驶方向建立数据异常公交车的路段平均速度序列为：
X0＝(x(0,1),x(0,2),…,x(0,k),…,x(0,m))；
其中m是距离数据异常公交车辆最近的上游路段编号，x(0,k)是数据异常公交车在路段k间的平均行程速度；
22)提取数据异常公交车的r个前车数据，建立前车的路段平均速度序列为：
Xi＝(x(i,1),x(i,2),…,x(i,k),…,x(i,m))，i＝1,2,…,r；
其中x(i,k)为第i个前车在路段k的平均速度。
25)分别计算数据异常公交车与其各前车的灰色关联度系数α1，α2，…αr，通过以下公式求取：
其中，
Δ0i(k)＝|x(0,k)-x(i,k)|；
其中，Δ0i(k)为数据异常公交车与其第i个前车在路段k的平均速度绝对差值，Δmin为最小绝对差，Δmax为最大绝对差，α(x(0,k),x(i,k))为第i个前车与目标公交车在路段k的关联系数，ξ为分辨系数，通常取0.5。
3)基于前车速度估计数据异常时刻的公交车速度值；具体包括如下步骤：
31)通过前后车灰色关联度计算各前车的加权系数ωi：
ωi＝αi/(α1+α2+…+αr)
其中，αi为第i个前车与数据异常公交车的关联度，关联度越大权重越大；
32)利用前车速度加权估计数据异常公交车速度值xprev(t)，具体计算公式如下：
式中，xi是第i个前车在下游路段上与数据异常公交车位置最近的时刻其车辆的速度值，ωi是前车的加权系数。
4)通过下式计算数据异常公交车所在路段该时段的历史速度：
上式中，xi(t)为前第i周同一工作日的当前时段该路段上的车辆平均速度；
5)对公交车异常数据中的速度信息进行修复，速度修复值
上式中，xprev(t)是利用前车数据加权估计而得的速度值；xhis(t)是历史速度值；a是权重系数，取值在(0，1)范围内；
6)对公交车异常数据中的位置信息进行修复，里程修复值
上式中，T为数据采样的时间间隔，是公交车异常数据中速度的估计值，y(t-1)是车辆信息感知设备上一采集时刻获取的该公交车的里程值；
7)如果公交车没有发生数据异常情况直接将原始数据存储到信息中心服务器的数据库中，如果公交车数据异常，则将公交车修复数据存储到信息中心服务器的数据库中。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (5)

1.一种基于前车数据的公交车异常数据修复方法，其特征在于，该方法包括以下步骤：
1)实时监测公交车运行数据异常问题，若没有发生数据异常情况则转到步骤7)，否则执行步骤2)；
2)提取数据异常公交车的r个前车数据，计算各前车与数据异常公交车的灰色关联度α1，α2，…αr；
3)基于前车速度估计数据异常时刻的公交车速度值xprev(t)；
4)获取数据异常公交车所在路段该时段的历史速度xhis(t)；
5)对公交车异常数据中的速度信息进行修复，速度修复值
上式中，xprev(t)是利用前车数据加权估计而得的速度值；xhis(t)是历史速度值；a是权重系数，取值在(0，1)范围内；
6)对公交车异常数据中的位置信息进行修复，里程修复值
上式中，T为数据采样的时间间隔，是公交车异常数据中速度的估计值，y(t-1)是车辆信息感知设备上一采集时刻获取的该公交车的里程值；
7)将公交车运行数据存储到数据库中。
2.根据权利要求1所述的一种基于前车数据的公交车异常数据修复方法，其特征在于，所述步骤1)具体包括如下步骤：
11)在线运营的公交车的车辆信息感知设备以时间间隔td将公交车运行数据发送回信息中心服务器，信息中心服务器将数据保存；
12)信息中心服务器若在时间间隔td后未接收到某公交车运行数据，则判断该公交车最后接收到数据时刻距离此时刻的时间间隔ts是否在一个时间窗tdelay内；若ts＜tdelay则有可能是通信网络拥塞造成数据传输延迟，服务器继续等待接收数据；若ts＞tdelay则判断为公交车运行数据异常；
13)信息中心服务器若在时间间隔td后接收到某公交车运行数据，则判断公交车运行参数是否超出阈值范围，若超出阈值则判断为公交车运行数据异常；
14)若没有发生数据异常情况则转到步骤7)，否则执行步骤2)。
3.根据权利要求2所述的一种基于前车数据的公交车异常数据修复方法，其特征在于，所述步骤2)具体包括如下步骤：
21)以站点为路段划分依据，令该线路上的路段编号为1,2,…,n，按照公交行驶方向建立数据异常公交车的路段平均速度序列为：
X0＝(x(0,1),x(0,2),…,x(0,k),…,x(0,m))；
其中m是距离数据异常公交车辆最近的上游路段编号，x(0,k)是数据异常公交车在路段k间的平均行程速度；
22)提取数据异常公交车的r个前车数据，建立前车的路段平均速度序列为：
Xi＝(x(i,1),x(i,2),…,x(i,k),…,x(i,m))，i＝1,2,…,r；
其中x(i,k)为第i个前车在路段k的平均速度。
23)分别计算数据异常公交车与其各前车的灰色关联度系数α1，α2，…αr，通过以下公式求取：
其中，
Δ0i(k)＝|x(0,k)-x(i,k)|；
其中，Δ0i(k)为数据异常公交车与其第i个前车在路段k的平均速度绝对差值，Δmin为最小绝对差，Δmax为最大绝对差，α(x(0,k),x(i,k))为第i个前车与目标公交车在路段k的关联系数，ξ为分辨系数。
4.根据权利要求3所述的一种基于前车数据的公交车异常数据修复方法，其特征在于，所述步骤3)具体包括如下步骤：
31)通过前后车灰色关联度计算各前车的加权系数ωi：
ωi＝αi/(α1+α2+…+αr)；
其中，αi为第i个前车与数据异常公交车的关联度；
32)利用前车速度加权估计数据异常公交车速度值xprev(t)，具体计算公式如下：
式中，xi是第i个前车在下游路段上与数据异常公交车位置最近的时刻其车辆的速度值，ωi是前车的加权系数。
5.根据权利要求4所述的一种基于前车数据的公交车异常数据修复方法，其特征在于，所述步骤4)中，通过下式计算数据异常公交车所在路段该时段的历史速度：
上式中，xi(t)为前第i周同一工作日的当前时段该路段上的车辆平均速度。
CN201810548297.3A 2018-05-31 2018-05-31 一种基于前车数据的公交车异常数据修复方法 Active CN108682152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810548297.3A CN108682152B (zh) 2018-05-31 2018-05-31 一种基于前车数据的公交车异常数据修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810548297.3A CN108682152B (zh) 2018-05-31 2018-05-31 一种基于前车数据的公交车异常数据修复方法

Publications (2)

Publication Number Publication Date
CN108682152A true CN108682152A (zh) 2018-10-19
CN108682152B CN108682152B (zh) 2021-01-15

Family

ID=63809370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810548297.3A Active CN108682152B (zh) 2018-05-31 2018-05-31 一种基于前车数据的公交车异常数据修复方法

Country Status (1)

Country Link
CN (1) CN108682152B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136469A (zh) * 2019-06-06 2019-08-16 武汉元光科技有限公司 公交车的行驶数据的补偿方法及装置
CN112860716A (zh) * 2020-12-28 2021-05-28 北京航空航天大学 一种面向智能网联汽车的双链修复信息安全控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156579A (zh) * 2014-07-31 2014-11-19 江南大学 一种动态交通异常数据检测与修复方法
CN104318759A (zh) * 2014-10-31 2015-01-28 重庆大学 基于自学习算法的公交车停靠站时间实时估计方法及系统
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN104809877A (zh) * 2015-05-14 2015-07-29 重庆大学 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法
KR101543342B1 (ko) * 2015-02-23 2015-08-11 한국건설기술연구원 차량통신 네트워크를 이용한 도로포장의 포트홀 데이터 처리 시스템 및 그 방법
CN104933860A (zh) * 2015-05-20 2015-09-23 重庆大学 基于gps数据的公交车堵车延误时间预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156579A (zh) * 2014-07-31 2014-11-19 江南大学 一种动态交通异常数据检测与修复方法
CN104318759A (zh) * 2014-10-31 2015-01-28 重庆大学 基于自学习算法的公交车停靠站时间实时估计方法及系统
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
KR101543342B1 (ko) * 2015-02-23 2015-08-11 한국건설기술연구원 차량통신 네트워크를 이용한 도로포장의 포트홀 데이터 처리 시스템 및 그 방법
CN104809877A (zh) * 2015-05-14 2015-07-29 重庆大学 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法
CN104933860A (zh) * 2015-05-20 2015-09-23 重庆大学 基于gps数据的公交车堵车延误时间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
廖孝勇: "公交到达时间预测误差分析及模型改进", 《科技视界》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136469A (zh) * 2019-06-06 2019-08-16 武汉元光科技有限公司 公交车的行驶数据的补偿方法及装置
CN112860716A (zh) * 2020-12-28 2021-05-28 北京航空航天大学 一种面向智能网联汽车的双链修复信息安全控制方法及装置
CN112860716B (zh) * 2020-12-28 2021-10-19 北京航空航天大学 一种面向智能网联汽车的双链修复信息安全控制方法及装置

Also Published As

Publication number Publication date
CN108682152B (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
US11948405B2 (en) Providing autonomous vehicle maintenance
Liu et al. An EMD-recursive ARIMA method to predict wind speed for railway strong wind warning system
CN109275121B (zh) 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法
CN104809878B (zh) 利用公交车gps数据检测城市道路交通异常状态的方法
CN107563566B (zh) 一种基于支持向量机的公交站间运行时间区间预测方法
CN108701396B (zh) 一种车前积雪与结冰的检测报警方法、存储介质和服务器
CN107273520A (zh) 一种基于货车监控数据的装卸货地点识别方法
CN109190811B (zh) 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法
CN111080608A (zh) 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法
CN109147390B (zh) 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法
CN104634352A (zh) 一种基于浮动车移动轨迹与电子地图融合的道路匹配方法
CN108682152A (zh) 一种基于前车数据的公交车异常数据修复方法
WO2012024976A1 (zh) 一种交通信息处理方法及装置
CN110288170B (zh) 预测模型构建方法、交通流量预测方法、装置及电子设备
CN113066285A (zh) 一种路况信息确定方法、装置、电子设备及存储介质
WO2016107876A1 (en) Vehicular motion monitoring method
CN106650209B (zh) 一种车辆应用实时信息确定可靠性增长趋势及参数的方法
CN109118786B (zh) 一种基于量化自适应卡尔曼滤波的车辆速度预测方法
CN111144485A (zh) 基于xgboost分类算法的车辆事故判断方法和系统
DE102011088164A1 (de) Verfahren zum Anpassen eines Parameters eines Fahrzeuges in Abhängigkeit von einer auftretenden Luftströmung
CN114187441A (zh) 接触网部件缺陷检测方法、装置、电子设备及存储介质
CN115375234A (zh) 基于gnss的运输车辆运行轨迹规划方法
CN102622883B (zh) 判定交通事件解除的方法及装置
KR20170003769U (ko) 머신러닝을 이용한 버스 도착 정보 예측 시스템의 오차 개선 모델
CN109410565B (zh) 一种动态交通事件预测方法及装置

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
TR01 Transfer of patent right

Effective date of registration: 20230309

Address after: 213399 room 5025, building B, 218 Hongkou Road, Kunlun Street, Liyang City, Changzhou City, Jiangsu Province

Patentee after: Liyang Smart City Research Institute of Chongqing University

Address before: 400044 No. 174, positive street, Shapingba District, Chongqing

Patentee before: Chongqing University

TR01 Transfer of patent right