CN108877276B - 快速预测公交行驶时间方法、装置及计算机终端 - Google Patents

快速预测公交行驶时间方法、装置及计算机终端 Download PDF

Info

Publication number
CN108877276B
CN108877276B CN201811012669.7A CN201811012669A CN108877276B CN 108877276 B CN108877276 B CN 108877276B CN 201811012669 A CN201811012669 A CN 201811012669A CN 108877276 B CN108877276 B CN 108877276B
Authority
CN
China
Prior art keywords
time
station
vehicle
period
day
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.)
Expired - Fee Related
Application number
CN201811012669.7A
Other languages
English (en)
Other versions
CN108877276A (zh
Inventor
张锦旺
戚阳
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.)
Shenzhen East Public Transport Co ltd
Original Assignee
Shenzhen East Public Transport Co ltd
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 Shenzhen East Public Transport Co ltd filed Critical Shenzhen East Public Transport Co ltd
Priority to CN201811012669.7A priority Critical patent/CN108877276B/zh
Publication of CN108877276A publication Critical patent/CN108877276A/zh
Application granted granted Critical
Publication of CN108877276B publication Critical patent/CN108877276B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种快速预测公交行驶时间的方法、装置、计算机终端及计算机可读存储介质，所述方法包括：S1：对车辆行驶时间进行间隔时段划分以得到m个时段；S2：获取非当天第p时段从s1站点到s2站点的车辆行驶时间均值；S3：获取当天第p‑1时段从s1站点到s2站点的车辆行驶时间；S4：设定非当天第p时段车辆行驶时间权重a1和当天第p‑1时段车辆行驶时间权重a2，并根据预测计算公式得到当天第p时段从s1站点到s2站点的车辆预测行驶时间。本发明利用当天历史数据和当天历史数据可实现公交行驶时间的快速预测，还利用动态权值方法来获取更为准确的预测结果，不仅在保证预测精准度的前提下缩减了计算时间，还提高了预测效率。

Description

快速预测公交行驶时间方法、装置及计算机终端
技术领域
本发明涉及智能公交技术领域，尤其涉及一种快速预测公交行驶时间方法、装置及计算机终端。
背景技术
公交承担着城市公共客运的主要任务，大力发展城市公共交通是缓解城市交通拥堵，保障城市健康、快速、可持续发展的必要手段。公交到站时间预告系统是城市智能公交系统的重要组成部分，同时也是确保候车乘客顺利出行的重要保障。
现有的公交到站时间预告往往是利用所有的历史数据进行线性拟合的方法来进行预测，算法冗余，耗资较大，且随着历史数据越来越多，预测运算量也将急剧上升。因此，提出一种如何在短时间内得到一个较准确的预测结果的方法是有意义的。
发明内容
鉴于上述问题，本发明提出一种快速预测公交行驶时间方法，通过利用非当天的历史数据及当天得到的运行数据来快速预测当天时段的公交行驶时间，进而可得到公交的预计到站时间，可以解决现有的预测方法的算法冗余、运算时间较久等问题。
本发明实施例提出一种快速预测公交行驶时间方法，包括：
S1：对车辆行驶时间进行间隔时段划分以得到m个时段，m大于等于2的自然数；
S2：获取非当天的第p时段从s1站点到s2站点的车辆行驶时间均值Tntp(s1,s2)，2≤p≤m；
S3：获取当天的第p-1时段从s1站点到s2站点的车辆行驶时间Trtp-1(s1,s2)；
S4：设定非当天第p时段车辆行驶时间权重a1和当天第p-1时段车辆行驶时间权重a2，并根据预测计算公式得到当天第p时段从s1站点到s2站点的车辆预测行驶时间Tstp(s1,s2)，其中，所述预测计算公式为Tstp(s1,s2)＝a1*Tntp(s1,s2)+a2*Trtp-1(s1,s2)。
在上述快速预测公交行驶时间方法中，可选地，还包括：
S5：在获取到当天的第p时段从s1站点到s2站点的车辆实际行驶时间时，比较所述车辆预测行驶时间与所述车辆实际行驶时间的大小，并根据比较结果对a1和a2进行相应调整。
在上述快速预测公交行驶时间方法中，可选地，将获取到的当天的第p时段从s1站点到s2站点的车辆实际行驶时间记为Trtp(s1,s2)，则步骤S5具体包括：
S51：若Tsts(s1,s2)>Trtp(s1,s2)且Tntp(s1,s2)>Trtp-1(s1,s2)，则使a1减少一个预设调整值x1，使a2增加所述预设调整值x1，其中，x1的取值范围为0<x1≤(1-a2)；
S52：若Tsts(s1,s2)>Trtp(s1,s2)且Tntp(s1,s2)≤Trtp-1(s1,s2)，则使a1增加一个预设调整值x2，使a2减少所述预设调整值x2，其中，x2的取值范围为0<x2≤(1-a1)；
S53：若Tsts(s1,s2)<Trtp(s1,s2)且Tntp(s1,s2)>Trtp-1(s1,s2)，则使a1增加一个预设调整值x3，使a1减少所述预设调整值x3，其中，x3的取值范围为0<x3≤(1-a1)；
S54：若Tsts(s1,s2)<Trtp(s1,s2)且Tntp(s1,s2)≤Trtp-1(s1,s2)，则使a1减少一个预设调整值x4，使a2增加所述预设调整值x4，其中，x4的取值范围为0<x4≤(1-a2)。
在上述快速预测公交行驶时间方法中，可选地，若调整次数记为Y，Y为大于1的自然数；在步骤S5之后，还包括：
S6：重复步骤S4至步骤S5，每重复一次则使Y减1，直到Y为0时停止调整；
S7：将得到的Y个第p时段从s1站点到s2站点的车辆预测行驶时间，依次记为Ts1ts(s1,s2)、Ts2ts(s1,s2)、…、TsYts(s1,s2)；
以及得到Y组调整的非当天第p时段车辆行驶时间权重和当天第p-1时段车辆行驶时间权重，依次记为(a11，a21)、(a12，a22)、…、(a1Y，a2Y)；
S8：在获取到第p时段从s1站点到s2站点的车辆实际行驶时间T后，计算T与步骤S7中得到的Y个车辆预测行驶时间的误差绝对值并从步骤S7中得到的Y组权重中选出所述误差绝对值最小的对应一组权重，以用于预测下一天第p时段从s1站点到s2站点的车辆预测行驶时间的调整权重。
在上述快速预测公交行驶时间方法中，可选地，还包括：步骤S1中的间隔时段划分采用等间隔时段划分。
在上述快速预测公交行驶时间方法中，可选地，所述调整次数的取值范围为10≤Y≤30。
根据上述的快速预测公交行驶时间方法，本发明实施例还提出一种快速预测公交行驶时间装置，包括：
时段划分模块，用于对车辆行驶时间进行间隔时段划分以得到m个时段，m大于等于2的自然数；
历史均值获取模块，用于获取非当天的第p时段从s1站点到s2站点的车辆行驶时间均值Tntp(s1,s2)，2≤p≤m；；
当天行驶时间获取模块，用于获取当天的第p-1时段从s1站点到s2站点的车辆行驶时间值Trtp-1(s1,s2)；
预测计算模块，用于设定非当天第p时段车辆行驶时间权重a1和当天第p-1时段车辆行驶时间权重a2，并根据预测计算公式得到当天第p时段从s1站点到s2站点的车辆预测行驶时间Tstp(s1,s2)，其中，所述预测计算公式为Tstp(s1,s2)＝a1*Tntp(s1,s2)+a2Trtp-1(s1,s2)。
在上述的快速预测公交行驶时间装置，可选地，还包括：权重调整模块，用于在获取到当天的第p时段从s1站点到s2站点的车辆实际行驶时间时，比较所述车辆预测行驶时间与所述车辆实际行驶时间的大小，并根据比较结果对a1和a2进行相应调整。
本发明的又一实施例提出一种计算机终端，所述计算机终端包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机终端执行上述的快速预测公交行驶时间方法。
本发明的又一实施例还提出一种计算机可读存储介质，其存储有上述计算机终端中所用的计算机程序。
本发明的技术方案具有如下有益效果：
本发明实施例将历史数据分为非当天历史数据和当天历史数据，并为其分配相应的权重来进行预测各时段的公交行驶时间，不仅可以实现短时间内预测出车辆的到站信息，还提高了预测效率。此外，还利用自学习变权值方法来不断调整对应时段的预测权重值，来进一步提高预测的准确性等。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。
图1为本发明实施例1的快速预测公交行驶时间方法的第一应用示意图；
图2为本发明实施例1的快速预测公交行驶时间方法的第一流程示意图；
图3为本发明实施例1的快速预测公交行驶时间方法的第二应用示意图；
图4为本发明实施例1的快速预测公交行驶时间方法的第二流程示意图；
图5为本发明实施例2的快速预测公交行驶时间装置的第一结构示意图；
图6为本发明实施例2的快速预测公交行驶时间装置的第二结构示意图。
主要元件符号说明：
10-快速预测公交行驶时间装置；100-时段划分模块；200-历史均值获取模块；300-当天行驶时间获取模块；400-预测计算模块；500-权重调整模块。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
下面结合具体的实施例对本发明进行详细说明。
实施例1
请参照图1和图2，本实施例提出一种快速预测公交行驶时间方法，通过将历史数据分为非当天车辆行驶时间的历史数据和当天车辆行驶时间的历史数据并在确定好各自的权重比例后，根据预测公式对当天的车辆行驶时间进行预测等，可用于在短时间内的公交行驶时间快速预测。下面就具体的步骤进行详细说明。
考虑到不同的时段的车辆到站时间可能不同，例如，在工作日的上下班高峰期间，由于交通较为拥塞，故其行驶时间可能与非高峰期间的行驶时间存在较大不同，因此本实施例中将分别对不同的时段进行车辆行驶时间的预测，进而可根据当前时间点获取车辆到站时间。本实施例的快速预测公交行驶时间方法主要包括以下步骤：
步骤S1：对车辆行驶时间进行间隔时段划分以得到m个时段，m大于等于2的自然数；
在上述步骤1中，通过将车辆行驶时间进行间隔时段划分，即将车辆总的行驶时间按照一定的间隔值划分成若干时段，其中，每个时段的间隔时间可相同也可以不相同，对应地，即上述间隔值可以是一个固定的值，也可以是不断变化的值。
示范性地，可将车辆行驶时间进行等间隔时段划分，即将总的行驶时间按照这个等间隔值进行均分，从而得到多个具有相同的间隔时间的时段。例如，若车辆的行驶时间为24小时，等间隔值为15分钟，则可以得到96个时段，而这96个时段的间隔时间都是相等的。
步骤S2：获取非当天的第p时段从s1站点到s2站点的车辆行驶时间均值Tntp(s1,s2)，2≤p≤m。
本实施例中，将历史车辆行驶数据分成两类，一是非当天历史数据；二是当天的历史数据。若要对第P时段从s1站点到s2站点的车辆行驶时间进行预测，如上述步骤S2中所述，可获取到非当天的车辆行驶时间均值。具体地，对于非当天的第p时段从s1站点到s2站点的历史数据，可根据每天得到的第p时段从s1站点到s2站点的车辆行驶时间来求取平均值，从而得到该均值Tntp(s1,s2)。其中，所述第p时段是指m个时段中的某一个时段，故有2≤p≤m。所述s1站点、s2站点则表示车辆行驶的两个不同的站点，其中，该s1站点和s2站点可以是两个相邻的站点，也可以是不相邻的站点。
示范性地，若非当天的历史数据包括前三天的历史数据，且这三天第p时段从s1站点到s2站点的车辆行驶时间依次为tp1、tp2和tp3，则该均值Tntp(s1,s2)＝(tp1+tp2+tp3)/3。其中，若s1站点和s2站点为相邻的两站点，车辆行驶时间tp1则可表示第p时段内站站之间的平均车辆行驶时间。
步骤S3：获取当天的第p-1时段从s1站点到s2站点的车辆行驶时间Trtp-1(s1,s2)。
在上述步骤S3中，当天的历史数据则主要选取前一时段的车辆实际行驶时间。具体地，若预测当天第P时段从s1站点到s2站点的车辆行驶时间，可获取到当天第p-1时段的从s1站点到s2站点的车辆行驶数据，即Trtp-1(s1,s2)。
步骤S4：设定非当天第p时段车辆行驶时间权重a1和当天第p-1时段车辆行驶时间权重a2，并根据预测计算公式得到当天第p时段从s1站点到s2站点的车辆预测行驶时间Tstp(s1,s2)，其中，所述预测计算公式为Tstp(s1,s2)＝a1*Tntp(s1,s2)+a2*Trtp-1(s1,s2)。
在上述步骤S4中，可分别为非当天第p时段的车辆行驶时间与当天第p-1时段的车辆实际行驶时间分配一个权重值，即为a1和a2。于是可根据上述预测计算公式，计算得到第p时段从s1站点到s2站点的车辆预测行驶时间，然后根据当前的时间点，则可以得到车辆从s1站点出发后到达s2站点的具体到站时间。
进一步地，如图3所示，对于上述分配的两个权重a1和a2，考虑到随机分配的初始权重值所得到的预测结果可能与实际行驶时间存在较大的误差，故可进一步采用自学习变权值方法来调整该两个权重值，从而来不断提高预测的精准性。如图4所示，本实施例的快速预测公交行驶时间方法还可以包括步骤S5，在获取到当天的第p时段从s1站点到s2站点的车辆实际行驶时间时，比较所述车辆预测行驶时间与所述车辆实际行驶时间的大小，并根据比较结果对a1和a2进行相应调整。
在上述步骤S5中，将获取到的当天的第p时段从s1站点到s2站点的车辆实际行驶时间记为Trtp(s1,s2)，则上述步骤S5具体可包括步骤S51至步骤S54，具体如下：
步骤S51，若Tsts(s1,s2)>Trtp(s1,s2)且Tntp(s1,s2)>Trtp-1(s1,s2)，则使a1减少一个预设调整值x1，使a2增加所述预设调整值x1，其中，x1的取值范围为0<x1≤(1-a2)；
步骤S51：若Tsts(s1,s2)>Trtp(s1,s2)且Tntp(s1,s2)≤Trtp-1(s1,s2)，则使a1增加一个预设调整值x2，使a2减少所述预设调整值x2，其中，x2的取值范围为0<x2≤(1-a1)；
步骤S53：若Tsts(s1,s2)<Trtp(s1,s2)且Tntp(s1,s2)>Trtp-1(s1,s2)，则使a1增加一个预设调整值x3，使a1减少所述预设调整值x3，其中，x3的取值范围为0<x3≤(1-a1)；
步骤S54：若Tsts(s1,s2)<Trtp(s1,s2)且Tntp(s1,s2)≤Trtp-1(s1,s2)，则使a1减少一个预设调整值x4，使a2增加所述预设调整值x4，其中，x4的取值范围为0<x4≤(1-a2)。
在上述步骤S51至步骤S54中，所述预设调整值x1、x2、x3和x4可在各自的取值范围内随机生成，并分别用于在不同的情况下对初始权重进行相应的调整，以得到调整后的权重值。对于调整后得到的新的权重值，可以用于对下一天第p时段从s1站点到s2站点的车辆行驶时间进行预测。
例如，若预测的第p时段从s1站点到s2站点的车辆行驶时间大于该p时段的车辆实际行驶时间，则说明预测出现误差，故可进一步根据非当天的车辆行驶时间与当天前一时段的车辆行驶时间的比较的结果来调整对应的权重，若是非当天的车辆行驶时间大于当天前一时段的车辆行驶时间，则将非当天第p时段车辆行驶时间权重，即a1减小，同时增加当天第p-1时段车辆行驶时间权重的占比，即a2增大，进而缩小下一次的预测误差。
进一步地，还可以设定相应的调整次数，即调整多次，并从中获取到一个最佳的权重值。若调整次数记为Y，Y为大于1的自然数，则该快速预测公交行驶时间方法还可以包括步骤S6至步骤S8，具体如下：
步骤S6：重复步骤S4至步骤S5，每重复一次则使Y减1，直到Y为0时停止调整；
步骤S7：得到的Y个第p时段从s1站点到s2站点的车辆预测行驶时间，依次记为Ts1ts(s1,s2)、Ts2ts(s1,s2)、…、TsYts(s1,s2)；以及得到Y组调整的非当天第p时段车辆行驶时间权重和当天第p-1时段车辆行驶时间权重，依次记为(a11，a21)、(a12，a22)、…、(a1Y，a2Y)；
步骤S8：在获取到第p时段从s1站点到s2站点的车辆实际行驶时间T后，计算T与步骤S7中得到的Y个车辆预测行驶时间的误差绝对值，并从步骤S7中得到的Y组权重中选出所述误差绝对值最小的对应一组权重，以用于预测下一天第p时段从s1站点到s2站点的车辆预测行驶时间的调整权重。
在上述步骤S6中，由于调整了Y次，故可得到Y个预测值，通过与车辆实际行驶时间T进行误差比较，从而选择一个预测值与实际值的误差值的绝对值最小的一组权重，记为(a1k，a2k)，其中，k的取值范围为1≤k≤Y。于是将a1k和a2k作为下一次第p时段从s1站点到s2站点的车辆预测行驶时间的调整权重，即代替初始权重a1和a2。
可选地，所述调整次数的取值范围可以是由本领域技术人员根据经验进行选取，优选地，该调整次数的取值范围可为10≤Y≤30。
进一步地，对于下一次第p时段从s1站点到s2站点的车辆预测行驶时间，可重复上述步骤S3至步骤S8，以得到下一次预测后的调整权重，如此迭代反馈，从而实现两个权重值的动态调整，进而提高预测精准度。
作为本实施例的另一可选方案，该调整次数还可以根据首次预测得到的车辆预测行驶时间与实际行驶时间T之间的误差绝对值是否在预设误差范围内来动态选取，即若所述误差绝对值在所述预设误差范围内，则调整次数相对减少；若所述误差绝对值不在所述预设误差范围内，则调整次数相对增加，从而达到一个动态选取调整次数的目的。这样可以根据不同的预测结果误差，可以进行不同次数的调整，进而提高权重调整的效率等。
本实施例通过将历史数据分成两类，即非当天的车辆行驶时间数据和当天的车辆行驶时间数据，通过为这两类数据分配不同的权重，来预测当天对应时段的车辆行驶时间，以达到在短时间内进行快速预测目的。此外，还通过动态调整权重方法，在获取到车辆实际行驶时间后对初始权重进行不断调整，从而提高后续的预测精准度等。
实施例2
请参照图5和图6，基于上述实施例1，本实施例提出一种快速预测公交行驶时间装置10，该快速预测公交行驶时间装置10可包括：
时段划分模块100，用于对车辆行驶时间进行间隔时段划分以得到m个时段，m大于等于2的自然数；
历史均值获取模块200，用于获取非当天的第p时段从s1站点到s2站点的车辆行驶时间均值Tntp(s1,s2)，2≤p≤m；
当天行驶时间获取模块300，用于获取当天的第p-1时段从s1站点到s2站点的车辆行驶时间值Trtp-1(s1,s2)；
预测计算模块400，用于设定非当天第p时段车辆行驶时间权重a1和当天第p-1时段车辆行驶时间权重a2，并根据预测计算公式得到当天第p时段从s1站点到s2站点的车辆预测行驶时间Tstp(s1,s2)，其中，所述预测计算公式为Tstp(s1,s2)＝a1*Tntp(s1,s2)+a2*Trtp-1(s1,s2)。
进一步地，该快速预测公交行驶时间装置10还可以包括权重调整模块500，用于在获取到当天的第p时段从s1站点到s2站点的车辆实际行驶时间时，比较所述车辆预测行驶时间与所述车辆实际行驶时间的大小，并根据比较结果对a1和a2进行相应调整。
上述的快速预测公交行驶时间装置10对应于实施例1的快速预测公交行驶时间方法。实施例1中的任何可选项也适用于本实施例，这里不再详述。
本发明还提供了一种计算机终端，所述计算机终端包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机终端执行权利要求上述的快速预测公交行驶时间方法或者上述快速预测公交行驶时间装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还一种计算机可读存储介质，其存储有上述计算机终端中所用的计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，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包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种快速预测公交行驶时间方法，其特征在于，包括：
S1：对车辆行驶时间进行间隔时段划分以得到m个时段，m大于等于2的自然数；
S2：获取非当天的第p时段从s1站点到s2站点的车辆行驶时间均值Tntp(s1,s2)，2≤p≤m；
S3：获取当天的第p-1时段从s1站点到s2站点的车辆运行时Trtp-1(s1,s2)；
S4：设定非当天第p时段车辆行驶时间权重a1和当天第p-1时段车辆行驶时间权重a2，并根据预测计算公式得到当天第p时段从s1站点到s2站点的车辆预测行驶时间Tstp(s1,s2)，其中，所述预测计算公式为Tstp(s1,s2)＝a1*Tntp(s1,s2)+a2*Trtp-1(s1,s2)；
S5：在获取到当天的第p时段从s1站点到s2站点的车辆实际行驶时间时，比较所述车辆预测行驶时间与所述车辆实际行驶时间的大小，并根据比较结果对a1和a2进行相应调整；
若调整次数记为Y，Y为大于1的自然数，还包括：
S6：重复步骤S4至步骤S5，每重复一次则使Y减1，直到Y为0时停止调整；
S7：将得到的Y个第p时段从s1站点到s2站点的车辆预测行驶时间，依次记为Ts1tp(s1,s2)、Ts2tp(s1,s2)、…、TsYtp(s1,s2)；
以及得到Y组调整的非当天第p时段车辆行驶时间权重和当天第p-1时段车辆行驶时间权重，依次记为(a11，a21)、(a12，a22)、…、(a1Y，a2Y)；
S8：在获取到第p时段从s1站点到s2站点的车辆实际行驶时间T后，计算T与步骤S7中得到的Y个车辆预测行驶时间的误差绝对值并从步骤S7中得到的Y组权重中选出所述误差绝对值最小的对应一组权重，以用于预测下一天第p时段从s1站点到s2站点的车辆预测行驶时间的调整权重。
2.根据权利要求1所述的快速预测公交行驶时间方法，其特征在于，将获取到的当天的第p时段从s1站点到s2站点的车辆实际行驶时间记为Trtp(s1,s2)，则步骤S5具体包括：
S51：若Tstp(s1,s2)>Trtp(s1,s2)且Tntp(s1,s2)>Trtp-1(s1,s2)，则使a1减少一个预设调整值x1，使a2增加所述预设调整值x1，其中，x1的取值范围为0<x1≤(1-a2)；
S52：若Tstp(s1,s2)>Trtp(s1,s2)且Tntp(s1,s2)≤Trtp-1(s1,s2)，则使a1增加一个预设调整值x2，使a2减少所述预设调整值x2，其中，x2的取值范围为0<x2≤(1-a1)；
S53：若Tstp(s1,s2)<Trtp(s1,s2)且Tntp(s1,s2)>Trtp-1(s1,s2)，则使a1增加一个预设调整值x3，使a1减少所述预设调整值x3，其中，x3的取值范围为0<x3≤(1-a1)；
S54：若Tstp(s1,s2)<Trtp(s1,s2)且Tntp(s1,s2)≤Trtp-1(s1,s2)，则使a1减少一个预设调整值x4，使a2增加所述预设调整值x4，其中，x4的取值范围为0<x4≤(1-a2)。
3.根据权利要求1所述的快速预测公交行驶时间方法，其特征在于，还包括：步骤S1中的间隔时段划分采用等间隔时段划分。
4.根据权利要求1所述的快速预测公交行驶时间方法，其特征在于，所述调整次数的取值范围为10≤Y≤30。
5.一种快速预测公交行驶时间装置，其特征在于，包括：
时段划分模块，用于对车辆行驶时间进行间隔时段划分以得到m个时段，m大于等于2的自然数；
历史均值获取模块，用于获取非当天的第p时段从s1站点到s2站点的车辆行驶时间均值Tntp(s1,s2)，2≤p≤m；
当天行驶时间获取模块，用于获取当天的第p-1时段从s1站点到s2站点的车辆行驶时间值Trtp-1(s1,s2)；
预测计算模块，用于设定非当天第p时段车辆行驶时间权重a1和当天第p-1时段车辆行驶时间权重a2，并根据预测计算公式得到当天第p时段从s1站点到s2站点的车辆预测行驶时间Tstp(s1,s2)，其中，所述预测计算公式为Tstp(s1,s2)＝a1*Tntp(s1,s2)+a2*Trtp-1(s1,s2)；
权重调整模块，用于在获取到当天的第p时段从s1站点到s2站点的车辆实际行驶时间时，比较所述车辆预测行驶时间与所述车辆实际行驶时间的大小，并根据比较结果对a1和a2进行相应调整；
若调整次数记为Y，Y为大于1的自然数，还包括：
使所述预测计算模块和所述权重调整模块重复执行，每重复一次则使Y减1，直到Y为0时停止调整；
权重记录模块，用于将得到的Y个第p时段从s1站点到s2站点的车辆预测行驶时间，依次记为Ts1tp(s1,s2)、Ts2tp(s1,s2)、…、TsYtp(s1,s2)，以及得到Y组调整的非当天第p时段车辆行驶时间权重和当天第p-1时段车辆行驶时间权重，依次记为(a11，a21)、(a12，a22)、…、(a1Y，a2Y)；
权重选取模块，用于在获取到第p时段从s1站点到s2站点的车辆实际行驶时间T后，计算T与步骤S7中得到的Y个车辆预测行驶时间的误差绝对值并从步骤S7中得到的Y组权重中选出所述误差绝对值最小的对应一组权重，以用于预测下一天第p时段从s1站点到s2站点的车辆预测行驶时间的调整权重。
6.一种计算机终端，其特征在于，所述计算机终端包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机终端执行权利要求1至4任一项所述的快速预测公交行驶时间方法。
7.一种计算机可读存储介质，其特征在于，其存储有权利要求6所述计算机终端中所用的计算机程序。
CN201811012669.7A 2018-08-31 2018-08-31 快速预测公交行驶时间方法、装置及计算机终端 Expired - Fee Related CN108877276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811012669.7A CN108877276B (zh) 2018-08-31 2018-08-31 快速预测公交行驶时间方法、装置及计算机终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811012669.7A CN108877276B (zh) 2018-08-31 2018-08-31 快速预测公交行驶时间方法、装置及计算机终端

Publications (2)

Publication Number Publication Date
CN108877276A CN108877276A (zh) 2018-11-23
CN108877276B true CN108877276B (zh) 2020-07-03

Family

ID=64322589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811012669.7A Expired - Fee Related CN108877276B (zh) 2018-08-31 2018-08-31 快速预测公交行驶时间方法、装置及计算机终端

Country Status (1)

Country Link
CN (1) CN108877276B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288830A (zh) * 2019-06-30 2019-09-27 浪潮卓数大数据产业发展有限公司 一种城市公交实时到站时间预测的方法
CN111554118B (zh) * 2020-04-24 2022-01-25 深圳职业技术学院 一种公交车到站时间的动态预测方法及系统
CN117334072B (zh) * 2023-12-01 2024-02-23 青岛城运数字科技有限公司 公交车辆到站时刻预测方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194491A (zh) * 2017-04-06 2017-09-22 广东工业大学 一种基于公交客流和站间行程时间预测的动态调度方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101388143B (zh) * 2007-09-14 2011-04-13 同济大学 基于浮动车数据的公交到站时间预测方法
KR101057223B1 (ko) * 2009-07-02 2011-08-16 서울대학교산학협력단 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법
CN102956102B (zh) * 2012-11-16 2014-10-08 东南大学 一种公交车辆服务稳定性的分析方法
CN103678917B (zh) * 2013-12-13 2016-11-23 杭州易和网络有限公司 一种基于模拟退火算法的公交实时到站时间预测方法
CN105224992A (zh) * 2014-05-28 2016-01-06 国际商业机器公司 对等待乘客数进行预测的方法和系统以及评价方法和系统
CN104064024B (zh) * 2014-06-23 2016-04-06 银江股份有限公司 一种基于历史数据的公交车辆到站时间预测方法
CN104123841B (zh) * 2014-08-14 2016-08-24 苏州大学 一种车辆到站时间的获取方法及系统
CN105243868B (zh) * 2015-10-30 2017-09-29 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
CN106274994B (zh) * 2016-08-30 2018-11-13 湖南中车时代通信信号有限公司 一种列车全线到站时间预测方法和系统
CN106485935B (zh) * 2016-12-26 2019-04-05 重庆西楚智捷科技有限公司 一种基于gps预测公交到站时间的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194491A (zh) * 2017-04-06 2017-09-22 广东工业大学 一种基于公交客流和站间行程时间预测的动态调度方法

Also Published As

Publication number Publication date
CN108877276A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108877276B (zh) 快速预测公交行驶时间方法、装置及计算机终端
Yang et al. Implementing transit signal priority in a connected vehicle environment with and without bus stops
US11150095B2 (en) Methods and apparatuses for predicting a destination of a user&#39;s current travel path
Mahler et al. Reducing idling at red lights based on probabilistic prediction of traffic signal timings
CN101673463B (zh) 一种基于时间序列的交通信息预测方法及装置
CN106157625B (zh) 固定车位识别方法
CN109886529A (zh) 一种资源分配方法及装置、电子终端及存储介质
CN111833630B (zh) 确定数据发布位置的方法、装置、存储介质及电子设备
EP2481036B1 (en) Methods and system for predicting travel time
Miao et al. Robust taxi dispatch under model uncertainties
CN111582919A (zh) 一种航班客座率预测方法和系统
CN110543699A (zh) 共享车辆出行数据仿真、共享车辆调度方法、装置及设备
CN114118547A (zh) 电动车公共充电站排队等待时间估算方法及系统
CN111008729B (zh) 一种迁移预测的方法和装置
EP3078181B1 (en) User service prediction in a communication network
US20170316688A1 (en) Vehicle speed prediction method
CN115083198B (zh) 一种多车运力资源调度方法及装置
CN110211381B (zh) 交通线路分配方法及装置
CN116129636A (zh) 基于车辆行为分析的道路拥堵预测方法、装置、设备及介质
CN111862473B (zh) 还车信息处理方法、装置、设备及存储介质
CN115755953A (zh) 基于综合赋权的无人机任务规划方法、系统及存储介质
CN110782063B (zh) 区域拥堵程度的预测方法、装置
CN114781243A (zh) Eta预测及模型训练方法、设备、介质及产品
CN113689185A (zh) 基于城市公交历史客流分析的模拟仿真排班方法
CN113611106A (zh) 基于智慧城市的道路交通状况预测方法、装置、设备

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200703

Termination date: 20210831

CF01 Termination of patent right due to non-payment of annual fee