CN108876028B - 一种基于生存分析的公共交通周转时间预测方法及装置 - Google Patents
一种基于生存分析的公共交通周转时间预测方法及装置 Download PDFInfo
- Publication number
- CN108876028B CN108876028B CN201810588827.7A CN201810588827A CN108876028B CN 108876028 B CN108876028 B CN 108876028B CN 201810588827 A CN201810588827 A CN 201810588827A CN 108876028 B CN108876028 B CN 108876028B
- Authority
- CN
- China
- Prior art keywords
- station
- time
- bus
- inter
- survival
- 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
Links
- 230000004083 survival effect Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 230000007306 turnover Effects 0.000 title claims abstract description 21
- 230000003111 delayed effect Effects 0.000 claims description 7
- 238000005067 remediation Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 32
- 230000034994 death Effects 0.000 description 10
- 231100000517 death Toxicity 0.000 description 10
- 230000036961 partial effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 108010014173 Factor X Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于生存分析的公共交通周转时间预测方法及装置,包括:接收一条公交线路某一时段的运营数据和运营中影响运营时间的变量数据;预设到站可靠度阈值,基于生存分析法将运营数据中的站间行驶持续时间作为生存持续时间,通过到站可靠度阈值判断公交站点的生死存亡,建立站间行驶持续时间模型;通过Kaplain‑Meier非参数法预估站间行驶持续时间模型中每站的生存率;根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,预测公共交通周转时间。当生存率较低时,改变公交调派方式进行补救。本发明为公交运营者提供公交运营信息,更好的提高了公交的服务水平,充实了对公交到站时间的现有研究,为交通管理与控制提供理论依据。
Description
技术领域
本发明属于交通智能管理和智能控制的技术领域,尤其是涉及一种基于生存分析的公共交通周转时间预测方法及装置。
背景技术
公共交通的发展程度是城市化水平的重要标志,也是城市建设的重要指标。公共交通调度是公共交通系统的重要工作,公共交通的调度与公共交通的周转时间密切相关。然而在公交车运行过程中会受到如路况、天气等变量的影响,延长公交车的站间行驶持续时间,导致公交车到站时间与拟定的到站时间有差距,到站可靠度下降,难以对公交周转时间进行精准预测。因此对公交周转时间进行精准预测,可以提高公交车的运营效率,为出行者提供更加方便快捷的交通方式。
现有技术中,为了对公交周转时间进行精准预测,采用生存分析方法建立时间模型,并验证模型的准确性。中国专利文献CN106845768A公开了一种基于生存分析参数分布的公交车旅行时间模型构建方法,通过采集每辆车公交站台毗邻区上游、站台和下游三个区间的旅行时间以及相对应的影响变量数据,影响变量包括:小汽车违规时间比例、非机动车违规时间比例、小汽车流量、非机动车流量、公交车停靠时间、公交车延误、公交车停靠位置和公交车是否换道。将旅行时间比拟为生存分析中时间持续期,假设其近似服从参数分布,将各独立变量带入模型中求解,选取最优模型的概率密度函数进行积分得到其期望函数,作为公交车旅行时间评价模型,并验证模型的准确性。
然而,现有的基于生存分析的公交周转时间预测方法存在诸多问题。其中,通过周转时间期望值与实际观察值的拟合效果值来判断站台的生死存亡,选取最优参数模型后计算理论下的周转时间与实际周转时间对比来验证模型的准确性的方法,导致时间模型的精确度不高,进而影响了对公交周转时间进行预测的精确度。
综上所述,针对现有技术中如何进一步提高对公交周转时间进行预测的精确度的问题,尚缺乏有效的解决方案。
发明内容
针对现有技术中存在的不足,解决由于公交到站可靠度不准确性,公交周转时间无法精准的预测的问题,本发明提供了一种基于生存分析的公共交通周转时间预测方法及装置,将到站可靠度阈值作为判定公交站点的生死存亡状态的依据,并通过Kaplain-Meier非参数的方法构建模型进而对每站的生存率进行预估,再以Cox比例风险回归模型分析数据中的变量对生存率的影响,本发明为交通管理者能够更加精准预测周转时间提供更多运营参数的支持。
本发明的第一目的是提供一种基于生存分析的公共交通周转时间预测方法。
为了实现上述目的,本发明采用如下一种技术方案:
一种基于生存分析的公共交通周转时间预测方法,包括:
接收一条公交线路某一时段的运营数据和运营中影响运营时间的变量数据;
预设到站可靠度阈值,基于生存分析法将运营数据中的站间行驶持续时间作为生存持续时间,通过到站可靠度阈值判断公交站点的生死存亡,建立站间行驶持续时间模型;
通过Kaplain-Meier非参数法预估站间行驶持续时间模型中每站的生存率;
根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,预测公共交通周转时间。
作为进一步的优选方案,在本方法中,所述运营中影响运营时间的变量包括:天气数据、道路拥堵数据、高峰高断面流量以及上下车人数。
作为进一步的优选方案,在本方法中,所述预设到站可靠度阈值的方法包括:根据周转时间、线路车辆数和发车间隔计算到站可靠度阈值。
作为进一步的优选方案,在本方法中,所述建立的站间行驶持续时间模型为:
将运营数据中的站间行驶持续时间作为生存持续时间,事件的起点是公交车在第i站的发车时刻,事件的终点是到达第i+1站的到站可靠度能允许的最大值的时间,事件的寿命时间是从第i站到第i+1站的发车时间到实际到站的时间长度;
通过将到站可靠度与到站可靠度阈值进行比较判断公交站点的生死存亡,当到站可靠度在到站可靠度阈值范围内,则事件的寿命为生存,否则为死亡。
作为进一步的优选方案,在本方法中,所述建立的站间行驶持续时间模型还包括概率密度函数,所述概率密度函数为从第i站到第i+1站站间行驶持续时间为死亡状态下的到站延误时间长度与该公交线路中全部站点的到站延误时间的商函数。
作为进一步的优选方案,在本方法中,所述建立的站间行驶持续时间模型还包括公交车辆到站时间的风险函数,所述风险函数为从初始时刻到时间t的区间中站间行驶持续时间寿命为死亡状态下已延误的时间与在时间t的区间中第i站到第i+1站的站间行驶持续时间寿命为生存状态下的延误时间的商函数。
作为进一步的优选方案,在本方法中,通过Kaplain-Meier非参数法中的乘积极限法预估站间行驶持续时间模型中每站的生存率,具体步骤包括:
将每站的站间行驶持续时间按从小到大的顺序进行排列,当删失数据与死亡数据的时间相同时,把删失数据排在死亡数据之后,所述删失数据为生存状态下的站间行驶持续时间,所述死亡数据为死亡状态下的站间行驶持续时间;
采用乘积极限法对生存率进行估计。
作为进一步的优选方案,在本方法中,根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,当生存率较低时,改变公交周转时间合理化公交线路的调度。
本发明的第二目的是提供一种计算机可读存储介质。
为了实现上述目的,本发明采用如下一种技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于生存分析的公共交通周转时间预测方法:
接收一条公交线路某一时段的运营数据和运营中影响运营时间的变量数据;
预设到站可靠度阈值,基于生存分析法将运营数据中的站间行驶持续时间作为生存持续时间,通过到站可靠度阈值判断公交站点的生死存亡,建立站间行驶持续时间模型;
通过Kaplain-Meier非参数法预估站间行驶持续时间模型中每站的生存率;
根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,预测公共交通周转时间。
本发明的第三目的是提供一种终端设备。
为了实现上述目的,本发明采用如下一种技术方案:
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于生存分析的公共交通周转时间预测方法:
接收一条公交线路某一时段的运营数据和运营中影响运营时间的变量数据;
预设到站可靠度阈值,基于生存分析法将运营数据中的站间行驶持续时间作为生存持续时间,通过到站可靠度阈值判断公交站点的生死存亡,建立站间行驶持续时间模型;
通过Kaplain-Meier非参数法预估站间行驶持续时间模型中每站的生存率;
根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,预测公共交通周转时间。
本发明的有益效果:
本发明所述的一种基于生存分析的公共交通周转时间预测方法及装置,本发明基于生存分析方法,建立了评价公交到站持续时间的评价模型,通过对到站可靠度的阈值进行划定,用作判断公交到站持续时间的生存与死亡临界点,模型的准确性高。当外在环境发生变化,成为影响到站可靠度的变量,我们能够通过模型判断其对生存率的影响,进而对周转时间进行预测,当生存率较低时,改变公交调派方式进行补救。本发明为公交运营者提供公交运营信息,更好的提高了公交的服务水平,充实了对公交到站时间的现有研究,为交通管理与控制提供理论依据。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明的方法流程图。
具体实施方式:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合下面结合附图与实施例对本发明作进一步说明。
实施例1:
本实施例1的目的是提供一种基于生存分析的公共交通周转时间预测方法。
为了实现上述目的,本发明采用如下一种技术方案:
如图1所示,
一种基于生存分析的公共交通周转时间预测方法,包括:
步骤(1):接收一条公交线路某一时段的运营数据和运营中影响运营时间的变量数据;
步骤(2):预设到站可靠度阈值,基于生存分析法将运营数据中的站间行驶持续时间作为生存持续时间,通过到站可靠度阈值判断公交站点的生死存亡,建立站间行驶持续时间模型;
步骤(3):通过Kaplain-Meier非参数法预估站间行驶持续时间模型中每站的生存率;
步骤(4):根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,预测公共交通周转时间。
在本实施例的步骤(1)中,所述运营中影响运营时间的变量包括:天气数据、道路拥堵数据、高峰高断面流量以及上下车人数。
在本实施例的步骤(2)中,所述预设到站可靠度阈值的方法包括:根据周转时间、线路车辆数和发车间隔计算到站可靠度阈值。
在本实施例的步骤(2)中,所述建立的站间行驶持续时间模型为:
将运营数据中的站间行驶持续时间作为生存持续时间,事件的起点是公交车在第i站的发车时刻,事件的终点是到达第i+1站的到站可靠度能允许的最大值的时间,事件的寿命时间是从第i站到第i+1站的发车时间到实际到站的时间长度;
通过将到站可靠度与到站可靠度阈值进行比较判断公交站点的生死存亡,当到站可靠度在到站可靠度阈值范围内,则事件的寿命为生存,否则为死亡。
所述建立的站间行驶持续时间模型还包括概率密度函数,所述概率密度函数为从第i站到第i+1站站间行驶持续时间为死亡状态下的到站延误时间长度与该公交线路中全部站点的到站延误时间的商函数。
所述建立的站间行驶持续时间模型还包括公交车辆到站时间的风险函数,所述风险函数为从初始时刻到时间t的区间中站间行驶持续时间寿命为死亡状态下已延误的时间与在时间t的区间中第i站到第i+1站的站间行驶持续时间寿命为生存状态下的延误时间的商函数。
在本实施例的步骤(2)中,具体步骤包括:
步骤2-1:将站间行驶持续时间比作生存持续时间。事件的起点是公交车在第i站的发车时刻,事件的终点是到达第i+1站的到站可靠度能允许的最大值的时间,事件的寿命时间是从第i站到第i+1站的发车时间到实际到站的时间长度。当公交车到站后,由到站可靠度阈值判别公交的到站可靠度,若可靠度在阈值范围内,这时事件的寿命可认为“生存”状态,若在范围外,寿命则认为“死亡”状态。
到站可靠度阈值确定方法:记该线路的车辆数为Q,周转时间为P(s),发车间隔为t(s),要使该线路的公交车按一定的发车间隔依次出车运营,并且在最后一辆车发车后,第一辆车能够在发车间隔最大允许的时间内继续发车,以此发车间隔作为到站可靠度阈值。到站可靠度阈值范围的计算方法如下:
步骤2-2:用T表示生存时间,即公交车辆能够保持合理的站间行驶时间。生存函数数学表达式如下:
步骤2-3:建立概率密度函数,其数学表达式如下:
a1:从第i站到第i+1站站间行驶持续时间为死亡状态下的到站延误时间长度;ag:从第i站到第i+1站的到站延误时间;l:线路站点个数的总数。
步骤2-4:建立公交车辆到站时间T的风险函数h(t)。数学表达式如下:
其中,dk:从初始时刻到时间t的区间中站间行驶持续时间寿命为死亡状态下已延误的时间;bi:在时间t的区间中第i站到第i+1站的站间行驶持续时间寿命为生存状态下的延误时间;c:从初始时刻到时间t的区间中站间行驶持续时间寿命状态为生存的个数;f:从初始时刻到时间t的区间中站间行驶持续时间寿命状态为死亡的个数。
在本实施例的步骤(3)中,通过Kaplain-Meier非参数法中的乘积极限法预估站间行驶持续时间模型中每站的生存率:
将每站的站间行驶持续时间按从小到大的顺序进行排列,当删失数据与死亡数据的时间相同时,把删失数据排在死亡数据之后,所述删失数据为生存状态下的站间行驶持续时间,所述死亡数据为死亡状态下的站间行驶持续时间;
采用乘积极限法对生存率进行估计。
具体步骤包括:
步骤3-1:对于站间行驶持续时间,当车辆到达停靠站,而到站可靠度在阈值接受范围之内,则判断该站间行驶持续时间的状态为生存,该站间行驶持续时间为右删失数据。以此方法,判断线路n-1个站间行驶持续时间寿命的生存和死亡状态。
步骤3-2:将每站的站间行驶持续时间按从小到大的顺序进行排列,当删失数据与死亡数据的时间相同时,把删失数据排在死亡数据之后。
步骤3-3:用乘积极限法对生存率进行估计的数学公式如下:
其中,n是包含所有删失数据和非删失数据的总数,ti是死亡数据时,令δi=1,当ti是右删失数据时,令δi=0。
在本实施例的步骤(4)中,根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,预测公共交通周转时间。用Cox比例风险回归模型来综合评价站间行驶持续时间的显著影响因素,具体步骤包括:
步骤4-1:建立在时刻t(阈值)的风险函数
h(t,X)=h0(t)exp(β1X1+β2X2+...+βkXk) (6)
其中:X=(X1,X2,X3,,...,Xk)是影响生存时间t的k个风险因素;h(t,x)表示受危险因素X的影响下,在时刻t的风险函数;h0(t)为基准风险函数,在此不计算h0(t)。是回归系数向量。
步骤4-2:建立Cox风险模型的偏似然函数。
进一步的:共有n个站间形式持续时间的样本,有r个站间行驶时间是非删失数据,则n-r个站间行驶持续时间的寿命删失。Cox风险模型的偏似然函数:
其中,用Ri=R(ti)表示在时间ti处的风险集,R(ti)由生存时间不小于ti(到站可靠度阈值)的个体组成,即到站时间大于ti的时间内的集合。则风险集内时间ti开始死亡的事件,这一事件结束的概率可表示为上述的偏似然函数。
步骤4-3:对偏似然函数两边取对数,可以得出对数似然函数:
步骤4-4:对对数似然函数求极大似然估计量后,再求β的偏导数,就可以求出β的最大似然估计量。
进一步的,对β按正负分类,当β为正时,表明其所对应的协变量为危险因素,会降低个体生存的可能性,即会增加站间行驶持续时间;当β为负时,表明其所对应的协变量为保护因素,会减少站间行驶持续时间。
步骤5:通过对当前站点的到站持续时间的生存率判别,对未来的发车间隔做一定的调整,改变周转时间,进而合理化公交线路的调度。当生存率较低时,运营部门可采取公交调派等系列措施,提高公交到站可靠性,提升公交周转时间预测的精确性。
实施例2:
本实施例2的目的是提供一种计算机可读存储介质。
为了实现上述目的,本发明采用如下一种技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备设备的处理器加载并执行以下处理:
步骤(1):接收一条公交线路某一时段的运营数据和运营中影响运营时间的变量数据;
步骤(2):预设到站可靠度阈值,基于生存分析法将运营数据中的站间行驶持续时间作为生存持续时间,通过到站可靠度阈值判断公交站点的生死存亡,建立站间行驶持续时间模型;
步骤(3):通过Kaplain-Meier非参数法预估站间行驶持续时间模型中每站的生存率;
步骤(4):根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,预测公共交通周转时间。
实施例3:
本实施例3的目的是提供一种终端设备。
为了实现上述目的,本发明采用如下一种技术方案:
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下处理:
步骤(1):接收一条公交线路某一时段的运营数据和运营中影响运营时间的变量数据;
步骤(2):预设到站可靠度阈值,基于生存分析法将运营数据中的站间行驶持续时间作为生存持续时间,通过到站可靠度阈值判断公交站点的生死存亡,建立站间行驶持续时间模型;
步骤(3):通过Kaplain-Meier非参数法预估站间行驶持续时间模型中每站的生存率;
步骤(4):根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,预测公共交通周转时间。
这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
在本实施例中,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开内容的各个方面。
应当注意,尽管在上文的详细描述中提及了设备的若干模块或子模块,但是这种划分仅仅是示例性而非强制性的。实际上,根据本公开的实施例,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
本发明的有益效果:
本发明所述的一种基于生存分析的公共交通周转时间预测方法及装置,本发明基于生存分析方法,建立了评价公交到站持续时间的评价模型,通过对到站可靠度的阈值进行划定,用作判断公交到站持续时间的生存与死亡临界点,模型的准确性高。当外在环境发生变化,成为影响到站可靠度的变量,我们能够通过模型判断其对生存率的影响,进而对周转时间进行预测,当生存率较低时,改变公交调派方式进行补救。本发明为公交运营者提供公交运营信息,更好的提高了公交的服务水平,充实了对公交到站时间的现有研究,为交通管理与控制提供理论依据。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于生存分析的公共交通周转时间预测方法,其特征在于,包括:
接收一条公交线路某一时段的运营数据和运营中影响运营时间的变量数据;
预设到站可靠度阈值,基于生存分析法将运营数据中的站间行驶持续时间作为生存持续时间,通过到站可靠度阈值判断公交站点的生死存亡,建立站间行驶持续时间模型;
通过Kaplain-Meier非参数法预估站间行驶持续时间模型中每站的生存率;
根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,预测公共交通周转时间。
2.如权利要求1所述的方法,其特征在于,在本方法中,运营中影响运营时间的变量包括:天气数据、道路拥堵数据、高峰高断面流量以及上下车人数。
3.如权利要求1所述的方法,其特征在于,在本方法中,所述预设到站可靠度阈值的方法包括:根据周转时间、线路车辆数和发车间隔计算到站可靠度阈值。
4.如权利要求1所述的方法,其特征在于,在本方法中,所述建立的站间行驶持续时间模型为:
将运营数据中的站间行驶持续时间作为生存持续时间,事件的起点是公交车在第i站的发车时刻,事件的终点是到达第i+1站的到站可靠度能允许的最大值的时间,事件的寿命时间是从第i站到第i+1站的发车时间到实际到站的时间长度;
通过将到站可靠度与到站可靠度阈值进行比较判断公交站点的生死存亡,当到站可靠度在到站可靠度阈值范围内,则事件的寿命为生存,否则为死亡。
5.如权利要求4所述的方法,其特征在于,在本方法中,所述建立的站间行驶持续时间模型还包括概率密度函数,所述概率密度函数为从第i站到第i+1站站间行驶持续时间为死亡状态下的到站延误时间长度与该公交线路中全部站点的到站延误时间的商函数。
6.如权利要求4所述的方法,其特征在于,在本方法中,所述建立的站间行驶持续时间模型还包括公交车辆到站时间的风险函数,所述风险函数为从初始时刻到时间t的区间中站间行驶持续时间寿命为死亡状态下已延误的时间与在时间t的区间中第i站到第i+1站的站间行驶持续时间寿命为生存状态下的延误时间的商函数。
7.如权利要求1所述的方法,其特征在于,在本方法中,通过Kaplain-Meier非参数法中的乘积极限法预估站间行驶持续时间模型中每站的生存率,具体步骤包括:
将每站的站间行驶持续时间按从小到大的顺序进行排列,当删失数据与死亡数据的时间相同时,把删失数据排在死亡数据之后,所述删失数据为生存状态下的站间行驶持续时间,所述死亡数据为死亡状态下的站间行驶持续时间;
采用乘积极限法对生存率进行估计。
8.如权利要求1所述的方法,其特征在于,在本方法中,根据Cox比例风险回归模型分析变量数据对生存率的影响,结合预估的生存率,当生存率较低时,改变公交周转时间合理化公交线路的调度。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行根据权利要求1-8中任一项所述的方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令用于执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810588827.7A CN108876028B (zh) | 2018-06-08 | 2018-06-08 | 一种基于生存分析的公共交通周转时间预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810588827.7A CN108876028B (zh) | 2018-06-08 | 2018-06-08 | 一种基于生存分析的公共交通周转时间预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876028A CN108876028A (zh) | 2018-11-23 |
CN108876028B true CN108876028B (zh) | 2020-09-04 |
Family
ID=64337531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810588827.7A Active CN108876028B (zh) | 2018-06-08 | 2018-06-08 | 一种基于生存分析的公共交通周转时间预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876028B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109579855A (zh) * | 2018-12-04 | 2019-04-05 | 彩虹无线(北京)新技术有限公司 | 一种确定车辆位置的方法、装置、设备和存储介质 |
CN110609233A (zh) * | 2019-10-25 | 2019-12-24 | 沃特威(广州)电子科技有限公司 | 一种基于大数据进行储能电池soh预测的方法 |
US20220318742A1 (en) * | 2021-03-31 | 2022-10-06 | Mckesson Corporation | Systems, Methods, And Apparatuses For Improved Logistics Predictions |
CN114170832B (zh) * | 2021-11-26 | 2023-05-12 | 软通智慧信息技术有限公司 | 公交车辆监测方法、装置、服务器、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615340A (zh) * | 2009-07-24 | 2009-12-30 | 北京工业大学 | 公交动态调度中的实时信息处理方法 |
CN103838868A (zh) * | 2014-03-21 | 2014-06-04 | 东南大学 | 一种基于多公交线路运行数据融合的城市公交到站时间预测方法 |
CN106845768A (zh) * | 2016-12-16 | 2017-06-13 | 东南大学 | 基于生存分析参数分布的公交车旅行时间模型构建方法 |
CN106971532A (zh) * | 2017-05-03 | 2017-07-21 | 哈尔滨工业大学 | 一种公交线路车辆调度中的时间控制点设置方法 |
CN107153924A (zh) * | 2017-05-11 | 2017-09-12 | 厦门卫星定位应用股份有限公司 | 一种公交智能排班生成方法 |
US9779357B1 (en) * | 2013-03-07 | 2017-10-03 | Steve Dabell | Method and apparatus for providing estimated patrol properties and historic patrol records |
CN107330547A (zh) * | 2017-06-15 | 2017-11-07 | 重庆交通大学 | 一种城市公交动态调度优化方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9659495B2 (en) * | 2013-02-28 | 2017-05-23 | Here Global B.V. | Method and apparatus for automated service schedule derivation and updating |
-
2018
- 2018-06-08 CN CN201810588827.7A patent/CN108876028B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615340A (zh) * | 2009-07-24 | 2009-12-30 | 北京工业大学 | 公交动态调度中的实时信息处理方法 |
US9779357B1 (en) * | 2013-03-07 | 2017-10-03 | Steve Dabell | Method and apparatus for providing estimated patrol properties and historic patrol records |
CN103838868A (zh) * | 2014-03-21 | 2014-06-04 | 东南大学 | 一种基于多公交线路运行数据融合的城市公交到站时间预测方法 |
CN106845768A (zh) * | 2016-12-16 | 2017-06-13 | 东南大学 | 基于生存分析参数分布的公交车旅行时间模型构建方法 |
CN106971532A (zh) * | 2017-05-03 | 2017-07-21 | 哈尔滨工业大学 | 一种公交线路车辆调度中的时间控制点设置方法 |
CN107153924A (zh) * | 2017-05-11 | 2017-09-12 | 厦门卫星定位应用股份有限公司 | 一种公交智能排班生成方法 |
CN107330547A (zh) * | 2017-06-15 | 2017-11-07 | 重庆交通大学 | 一种城市公交动态调度优化方法及系统 |
Non-Patent Citations (4)
Title |
---|
公交站和出口组合影响的交通流生存分析;张洪宾等;《北京工业大学学报》;20150108;第41卷(第1期);第205-210页 * |
城市快速路交通事件持续时间生存分析;杨文臣等;《交通运输系统工程与信息》;20141015;第14卷(第5期);第168-174页 * |
基于BP神经网络的公交周转时间预测研究;史同广等;《山东建筑大学学报》;20150615;第30卷(第3期);第103-108页 * |
高速公路交通事故救援时间与生存率关系模型研究;杨惠敏等;《交通信息与安全》;20150820;第33卷(第192期);第82-86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108876028A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876028B (zh) | 一种基于生存分析的公共交通周转时间预测方法及装置 | |
US20150348068A1 (en) | Predicting waiting passenger count and evaluation | |
CN110555640B (zh) | 路由规划的方法和装置 | |
Wang et al. | Train delay analysis and prediction based on big data fusion | |
WO2018068605A1 (zh) | 行程时间预测方法、装置及服务器 | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
US20180357893A1 (en) | Uncertainty modeling in traffic demand prediction | |
JP6939911B2 (ja) | 適応的に車両を制御する方法及び装置 | |
US20140058652A1 (en) | Traffic information processing | |
CN115239026B (zh) | 停机位分配优化方法、系统、设备及介质 | |
CN106887141B (zh) | 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 | |
CN110874668B (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
Widanapathiranage et al. | Modelling the BRT station capacity and queuing for all stopping busway operation | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
US10346236B2 (en) | Identifying origin and destination pairs | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN116453343A (zh) | 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统 | |
CN108269400B (zh) | 一种主干路信号控制交叉口延误估算方法及装置 | |
CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
US9501928B1 (en) | Utilizing social media to affect road traffic routing | |
CN111667083B (zh) | 网约车预估价确定方法和装置 | |
Hua et al. | Effect of information contagion during train service disruption for an integrated rail-bus transit system | |
CN111757272A (zh) | 地铁拥堵程度的预测方法、模型训练方法和装置 | |
CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及系统 | |
CN112101677B (zh) | 一种公共交通出行路径规划方法、装置、设备及存储介质 |
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 |