CN109191845A - 一种公交车辆到站时间预测方法 - Google Patents
一种公交车辆到站时间预测方法 Download PDFInfo
- Publication number
- CN109191845A CN109191845A CN201811136600.5A CN201811136600A CN109191845A CN 109191845 A CN109191845 A CN 109191845A CN 201811136600 A CN201811136600 A CN 201811136600A CN 109191845 A CN109191845 A CN 109191845A
- Authority
- CN
- China
- Prior art keywords
- speed
- station
- transit vehicle
- arrival time
- public transit
- 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
- G08G1/01—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
一种公交车辆到站时间预测方法,包括以下步骤:S1、构建历史站间速度数据库:利用车载GPS设备获取公交车辆经纬度、时间、速度数据信息,并对数据进行预处理,将GPS获取的时间、速度数据根据经纬度与公交线网进行匹配;根据得到的公交车辆GPS速度数据,计算历史站间速度数据;S2、站间速度预测:站间速度预测部分是基于得到的历史站间速度数据库,结合公交运行的实时信息,采用非参数回归方法对下一个站间速度进行预测;S3、公交车辆到站时间预测:根据滤波的状态方程和观测方程,结合步骤S2预测得到的站间速度和当前公交车辆的到站时间信息,采用粒子滤波算法对公交车辆到站时间进行预测。该方法提高了预测的实时性、可靠性、鲁棒性和准确性。
Description
技术领域
本发明属于智能交通系统领域,具体地说,涉及一种基于非参数回归及粒子滤波算法的公交车辆到站时间预测方法。
背景技术
近年来,随着智能交通系统的迅猛发展,车辆、道路与使用者之间的联系越来越紧密。公共交通信息系统作为智能交通系统的重要组成部分,也日益对公众的出行产生巨大影响。
在众多的公共交通信息中,公交车辆到站时间是所有出行者关注的重点信息之一。并且随着生活节奏的加快,公众对时间的敏感程度也越来越高,对其管理逐渐由以前的一个小时精细到10分钟,甚至更短。对于选择公交方式出行的公众来说,对时间的精细化管理要求对公交车辆到站时间的预测更加精确。为此,一种精确度较高的公交车辆到站时间预测方法不但影响着公众的候车情绪、行程安排和效率,而且对城市交通的智能化管理、公交路线的合理优化以及城市交通拥堵的缓解至关重要。
现有的公交车辆到站时间预测方法主要有基于历史数据的模型、回归模型、支持向量机模型、卡尔曼滤波模型、变量衰减模型以及神经网络模型等。其中,对于基于历史数据的模型、回归模型、支持向量机模型和卡尔曼滤波模型来说,其对历史数据依赖程度很高,即当前的道路交通环境与历史道路交通环境相似度越高,预测精度越高,如车流量相对较少的郊区路段或者拥挤程度低的城市路段,这种局限性导致其不能满足公众对到站时间预测实时性的要求;变量衰减模型虽然考虑了众多影响因素,且抗干扰性强,但由于其受到历史数据和当前数据准确性的双重制约,预测结果的准确性容易受到影响,可靠性不高;神经网络模型能够较好地预测复杂非线性系统,且存在良好的适应性,但其存在过拟合或欠拟合的问题,且应用其实现高精度的动态实时预测难度较大。除了以上所述外,目前关于公交车辆到站时间预测系统,大都处于预测公交车辆位置以及距离本站的站点数,对其到站时间准确预测的实例相对较少。
综合以上分析,随着城市交通智能化管理程度以及公众对时间敏感程度的日益提高,如何提出一种新型的能够满足实时动态预测需求,且准确性、可靠性和鲁棒性高的公交车辆到站时间预测方法是本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种公交车辆到站时间预测方法,以解决现有公交车辆到站时间预测方法无法实现动态实时预测到站时间,预测的准确性、可靠性和鲁棒性差的技术难题。
为实现上述目的,本发明是采用如下技术方案实现的:
一种公交车辆到站时间预测方法,具体包括以下步骤:
步骤S1、构建历史站间速度数据库:
利用车载GPS设备获取公交车辆经纬度、时间、速度数据信息,并对数据进行预处理,将GPS获取的时间、速度数据根据经纬度与公交线网进行匹配;根据得到的公交车辆GPS速度数据,计算历史站间速度数据,其计算公式如下:
其中,Vi为第i个站间速度,Li为第i个公交站间的距离,Vt为处理后的瞬时速度,N为处理后该站间瞬时速度的个数;
步骤S2、站间速度预测;站间速度预测部分是基于得到的历史站间速度数据库,结合公交运行的实时信息,采用非参数回归方法对下一个站间速度进行预测;
所述非参数回归方法主要步骤为:结合公交车辆的实时运行信息,在线通过步骤S1得到该条公交线路此次运行的站间速度,构建当前站间速度曲线,并通过在步骤S1得到的历史站间速度数据库中寻找与发车时刻相近时刻的速度曲线,进一步计算其与当前速度趋势的相似度,根据相似度的大小获取历史速度趋势中下一站的站间速度,进而加权得到当前下一站站间速度预测值;因平均站间速度曲线可能具有提前或者滞后的相似性,所以采用扩展欧式距离方法作为评价曲线相似度的度量准则,即分别向前、向后扩展一个对应的时间点;
同位相似时,步骤S2中提到的两条速度曲线之间的距离的计算公式如下所示:
其中,Vt-j为当前班次t-j站间的平均速度,V′t-j为历史曲线中t-j站间的平均速度;
提前相似时,步骤S2中提到的两条速度曲线之间的距离的计算公式如下所示:
其中,V′t-j-1为历史班次t-j-1站间的平均速度;
滞后相似时,步骤S2中提到的两条速度曲线计算相似度的计算公式如下所示:
其中,V′t-j+1为历史班次t-j+1站间的平均速度;
根据曲线之间的距离,计算相似度大小并给予权重的计算公式如下所示:
其中,bk为第k条历史速度曲线的权重,dk为第k条历史曲线与当前速度曲线之间的距离;dk -1为第k条历史速度曲线的相似度大小;
根据速度曲线相似度大小加权得到当前下一站间速度的计算公式如下所示:
其中,Vkt′为第k条历史速度曲线中第t站间速度,k为第k条历史曲线;
步骤S3、公交车辆到站时间预测:
根据滤波的状态方程和观测方程,结合步骤S2预测得到的站间速度和当前公交车辆的到站时间信息,采用粒子滤波算法对公交车辆到站时间进行预测;
所述状态方程和观测方程分别为:
Zt=HXt+V
其中,Xt-1为t-1站点公交车辆到站时间,Xt为t站点公交车辆到站时间,Lt为站间距长度,Vt为根据历史数据预测的站间速度,Zt为观测到的公交车辆到达时间,W为系统的过程噪声,V为测量噪声,A为状态转移矩阵,H为观测矩阵。
作为本发明的优选,步骤S1中需要对高频的GPS速度数据进行降频处理,将其频率从30HZ降低到1HZ,即从30次/秒降低到1次/秒。降频处理的意义在于筛选出具有代表性的速度数据,以缩短运算时间,提高运算的效率。
作为本发明的优选,需要对步骤S1得到的历史站间速度数据库进行二次处理,二次处理主要是利用小波方法具有多分辨分析的这一特点,对所得的历史站间速度数据进行去噪处理,保留低频部分以更新历史站间速度数据库,这样处理后可以提高公交到站时间的预测精度。
作为本发明的优选,步骤S2在选取某一日期特定发车时刻进行预测时,对历史数据的选取则分别向前和向后扩展10分钟,因为公交车辆实际发车间隔存在不确定性,这样可以使站间速度预测值更贴近实际。
作为本发明的优选,步骤S3所述粒子滤波算法计算具体过程如下:首先基于特定分布采集一定数量的粒子并初始化;接着根据状态方程和观测方程预测粒子的位置,并结合当前公交车到站时间信息,根据重要性原则给予粒子权重;然后对粒子权重进行归一化处理,并基于归一化后的分布进行重采样;最后将粒子权重等值化,再重新挑选粒子,如此循环往复,直至达到预定迭代次数为止。
本发明技术方案具有以下优点和积极效果:
(1)本发明提供的预测方法依托于大数据,利用数据传递出的趋势信息,对公交车辆到站时间进行多步预测,在改善基础数据质量的前提下,首先结合公交实时运行数据,采用非参数回归方法对公交站间速度进行实时预测,再结合当前公交到站时间信息,基于粒子滤波动态预测公交下一站到站时间,提高了预测的实时性、可靠性、鲁棒性和准确性。
(2)本发明对速度数据预处理时采用小波方法去噪,消除了历史数据中存在于某一特定时刻交通状态信息的影响,如受极端不良天气、道路拥堵、交通事故等信息的影响,改善了基础数据的质量。
(3)本发明采用非参数回归方法,利用历史趋势和实时公交运行信息来预测站间速度的变化趋势,能充分利用大数据掌握站间速度的变化规律,提高了预测的可靠性;另外,在对站间速度预测时,考虑到速度自身具有的时变特性,分别对历史数据的选取时刻和站间速度趋势参照点进行拓展,保证了相似曲线的相似性,提高了预测的鲁棒性。
(4)本发明将粒子滤波的思想运用到公交车辆到站时间预测中,并结合实时公交车辆到站时间信息对算法结果进行纠正,提高了模型动态预测的准确性。
附图说明
图1为本发明提供的预测公交到站时间所用的北京502线路公交车线路图。
图2为本发明提供的预测方法整体流程图。
图3为本发明提供的构建历史站间速度数据库流程图。
图4为本发明提供的预测公交站间速度流程图。
图5为本发明提供的速度相似示意图。
图6为本发明提供的粒子滤波计算到站时间流程图。
图7为本发明提供的粒子数目对模型敏感度的影响。
具体实施方式
以下结合附图和具体实施例对本发明作以进一步的阐述,以便本领域的技术人员更了解本发明所述的技术方案,但并不以此限制本发明。
实施例1
本实施例选取北京市区公交502线路到站时间为预测对象,预测其早晚高峰时段及平峰时段上行方向的公交车辆到站时间,并对误差进行分析,北京502线路公交车线路图如图1所示,预测方法的整体流程如图2所示:
如图2所示,本发明提供的公交车辆到站时间预测方法,具体包括以下步骤:
步骤S1、构建历史站间速度数据库:
利用车载GPS设备获取公交车辆经纬度、时间、速度数据信息,并对数据进行预处理;将GPS获取的时间、速度数据根据经纬度与公交线网进行匹配;为筛选出具有代表性的速度数据,缩短运算时间,提高运算的效率,本发明需要对高频的GPS速度数据(采样频率为30HZ,即30次/秒)进行降频处理,将其频率降到1HZ,即1次/秒;
根据降频处理得到的公交车辆GPS速度数据,计算初始历史站间速度数据,其计算公式如下:
其中,Vi为第i个站间速度,Li为第i个公交站间的距离,Vt为降频处理后的瞬时速度,N为降频处理后该站间瞬时速度的个数;
另外,考虑到速度数据中包含有某一时刻的特征信息,如极端不良天气、道路拥堵、交通事故等,若不加以处理,则上述特征信息很大程度上会降低后续站间速度乃至公交到站时间的预测精度;因此,本步利用小波方法具有多分辨分析的这一特点,对步骤S1所得的初始历史站间速度数据进行去噪处理,保留低频部分以更新历史站间速度数据库,历史站间速度数据库构建流程图如图3所示;
步骤S2、站间速度预测;
站间速度预测部分是基于得到的历史站间速度数据库,结合公交运行的实时信息,利用非参数回归方法对下一个站间速度进行预测;
所述非参数回归方法主要步骤为:结合公交车辆的实时运行信息,在线通过步骤S1得到该条公交线路当前运行的站间速度,构建当前站间速度曲线,并通过在步骤S1得到的历史站间速度数据库中寻找与发车时刻相近时刻的速度曲线,进一步计算其与当前速度趋势的相似度,根据相似度的大小获取历史速度趋势中下一站的站间速度,进而加权得到当前下一站站间速度预测值,预测公交站间速度流程图如图4所示;
由于公交车辆实际发车间隔存在不确定性,为更贴近实际,在选取某一日期特定发车时刻进行预测时,对历史数据的选取则分别向前和向后扩展10分钟,如预测发车时刻为7:30的公交车辆站间运行速度,则从历史速度数据库中选取发车时刻为7:20-7:40的运行数据;另外,因平均站间速度曲线可能具有提前或者滞后的相似性,所以采用扩展欧式距离方法作为评价曲线相似度的度量准则,即分别向前、向后扩展一个对应的时间点,速度相似示意图如图5所示;
同位相似时,步骤S2中提到的两条速度曲线计算相似度的计算公式如下所示:
其中,Vt-j为当前班次t-j站间的平均速度,V′t-j为历史曲线中t-j站间的平均速度;
提前相似时,步骤S2中提到的两条速度曲线计算相似度的计算公式如下所示:
其中,V′t-j-1为历史班次t-j-1站间的平均速度;
滞后相似时,步骤S2中提到的两条速度曲线计算相似度的计算公式如下所示:
其中,V′t-j+1为历史班次t-j+1站间的平均速度;
根据曲线之间的距离,计算相似度大小并给予权重的计算公式如下所示:
其中,bk为第k条历史速度曲线的权重,dk为第k条历史曲线与当前速度曲线之间的距离;dk -1为第k条历史速度曲线的相似度大小;
根据速度曲线相似度大小加权得到当前下一站间速度的计算公式如下所示:
其中,Vkt′为第k条历史速度曲线中第t站间速度,k为第k条历史曲线;
以早高峰,即发车时刻为7:30的站间速度预测效果为例进行说明;由表1得出,对于平均绝对误差(MAE)、标准误差(RMSE)及平均绝对百分误差(MAPE)三个指标,非参数回归方法预测的站间速度平均绝对误差仅为3.45km/h,平均绝对百分误差为5.07%,预测精度较高,为后续准确地预测公交车辆到站时间提供了基础;
表1早高峰时段站间速度预测误差汇总表
步骤S3:公交车辆到站时间预测:
根据滤波的状态方程和观测方程,结合步骤S2预测得到的站间速度和当前公交车辆的到站时间信息,采用粒子滤波算法对公交车辆到站时间进行预测;其中,当前公交车辆到站信息的输入增加了预测的实时性、准确性;
所述状态方程和观测方程分别为:
Zt=HXt+V
其中,Xt-1为t-1站点公交车辆到站时间,Xt为t站点公交车辆到站时间,Lt为站间距长度,Vt为根据历史数据预测的站间速度,Zt为观测到的公交车辆到达时间,W为系统的过程噪声,V为测量噪声,A为状态转移矩阵,H为观测矩阵。
所述粒子滤波算法计算具体过程如下:首先基于特定分布采集一定数量的粒子并初始化;接着根据状态方程和观测方程预测粒子的位置,并结合当前公交车到站时间信息,根据重要性原则给予粒子权重;然后对粒子权重进行归一化处理,并基于归一化后的分布进行重采样;最后将粒子权重等值化,再重新挑选粒子,如此循环往复,直至到达预定迭代次数为止。具体流程如图6所示。
本发明对上述方法预测的公交车辆到站时间进行误差分析,如表2所示。从表中可以看出,用非参数回归-粒子滤波算法得到的预测结果,其不同时段的平均绝对误差和标准误差均处于1.5min之内,平均绝对百分误差为均小于6%,预测精度较高。
表2到站时间预测误差汇总表
同时,本实施例以粒子数目的变化对该预测模型的敏感度进行分析。如图7所示,可以看出,估计误差呈带状分布,并且粒子数目越多,标准差越小,越稳定,即预测效果越好。
另外,需要说明的是,本发明对步骤S2和步骤S3中的预测结果均采用平均绝对误差(MAE)、标准误差(RMSE)和平均绝对百分误差(MAPE)三个指标进行评价。
步骤S2站间速度预测效果的评价标准如下:
平均绝对误差(MAE)计算公式如下:
标准误差(RMSE)计算公式如下:
平均绝对百分误差(MAPE)计算公式如下:
其中,Vi为站间速度实际值,V′i为站间速度预测值,i为第i站间,n为样本量。
步骤S3公交车辆到站时间预测效果的评价标准如下:
平均绝对误差(MAE)计算公式如下:
标准误差(RMSE)计算公式如下:
平均绝对百分误差(MAPE)计算公式如下:
其中,Xt为到站时间实际值,X′t为到站时间预测值,t为第t站,n为样本量。
Claims (5)
1.一种公交车辆到站时间预测方法,其特征在于,具体包括以下步骤:
步骤S1、构建历史站间速度数据库:
利用车载GPS设备获取公交车辆经纬度、时间、速度数据信息,并对数据进行预处理,将GPS获取的时间、速度数据根据经纬度与公交线网进行匹配;根据得到的公交车辆GPS速度数据,计算历史站间速度数据,其计算公式如下:
其中,Vi为第i个站间速度,Li为第i个公交站间的距离,Vt为处理后的瞬时速度,N为处理后该站间瞬时速度的个数;
步骤S2、站间速度预测:
站间速度预测部分是基于得到的历史站间速度数据库,结合公交运行的实时信息,采用非参数回归方法对下一个站间速度进行预测;
所述非参数回归方法主要步骤为:结合公交车辆的实时运行信息,在线通过步骤S1得到该条公交线路此次运行的站间速度,构建当前站间速度曲线,并通过在步骤S1得到的历史站间速度数据库中寻找与发车时刻相近时刻的速度曲线,进一步计算其与当前速度趋势的相似度,根据相似度的大小获取历史速度趋势中下一站的站间速度,进而加权得到当前下一站站间速度预测值;因平均站间速度曲线可能具有提前或者滞后的相似性,所以采用扩展欧式距离方法作为评价曲线相似度的度量准则,即分别向前、向后扩展一个对应的时间点;
同位相似时,步骤S2中提到的两条速度曲线计算相似度的计算公式如下所示:
其中,Vt-j为当前班次t-j站间的平均速度,V′t-j为历史曲线中t-j站间的平均速度;
提前相似时,步骤S2中提到的两条速度曲线计算相似度的计算公式如下所示:
其中,V′t-j-1为历史班次t-j-1站间的平均速度;
滞后相似时,步骤S2中提到的两条速度曲线计算相似度的计算公式如下所示:
其中,V′t-j+1为历史班次t-j+1站间的平均速度;
根据曲线之间的距离,计算相似度大小并给予权重的计算公式如下所示:
其中,bk为第k条历史速度曲线的权重,dk为第k条历史曲线与当前速度曲线之间的距离;dk -1为第k条历史速度曲线的相似度大小;
根据速度曲线相似度大小加权得到当前下一站间速度的计算公式如下所示:
其中,Vkt′为第k条历史速度曲线中第t站间速度,k为第k条历史曲线;
步骤S3、公交车辆到站时间预测:
根据滤波的状态方程和观测方程,结合步骤S2预测得到的站间速度和当前公交车辆的到站时间信息,采用粒子滤波算法对公交车辆到站时间进行预测;
所述状态方程和观测方程分别为:
Zt=HXt+V
其中,Xt-1为t-1站点公交车辆到站时间,Xt为t站点公交车辆到站时间,Lt为站间距长度,Vt为根据历史数据预测的站间速度,Zt为观测到的公交车辆到达时间,W为系统的过程噪声,V为测量噪声,A为状态转移矩阵,H为观测矩阵。
2.根据权利要求1所述的一种公交车辆到站时间预测方法,其特征在于,步骤S1中需要对高频的GPS速度数据进行降频处理,将其频率从30HZ降低到1HZ。
3.根据权利要求1所述的一种公交车辆到站时间预测方法,其特征在于,利用小波方法对步骤S1得的历史站间速度数据进行去噪处理,保留低频部分以更新历史站间速度数据库。
4.根据权利要求1所述的一种公交车辆到站时间预测方法,其特征在于,步骤S2在选取某一日期特定发车时刻进行预测时,对历史数据的选取则分别向前和向后扩展10分钟。
5.根据权利要求1所述的一种公交车辆到站时间预测方法,其特征在于,步骤S3所述粒子滤波算法计算具体过程如下:首先基于特定分布采集一定数量的粒子并初始化;接着根据状态方程和观测方程预测粒子的位置,并结合当前公交车到站时间信息,根据重要性原则给予粒子权重;然后对粒子权重进行归一化处理,并基于归一化后的分布进行重采样;最后将粒子权重等值化,再重新挑选粒子,如此循环往复,直至达到预定迭代次数为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811136600.5A CN109191845B (zh) | 2018-09-28 | 2018-09-28 | 一种公交车辆到站时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811136600.5A CN109191845B (zh) | 2018-09-28 | 2018-09-28 | 一种公交车辆到站时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191845A true CN109191845A (zh) | 2019-01-11 |
CN109191845B CN109191845B (zh) | 2020-09-25 |
Family
ID=64906731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811136600.5A Expired - Fee Related CN109191845B (zh) | 2018-09-28 | 2018-09-28 | 一种公交车辆到站时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191845B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920248A (zh) * | 2019-03-05 | 2019-06-21 | 南通大学 | 一种基于gru神经网络的公交到站时间预测方法 |
CN111340289A (zh) * | 2020-02-25 | 2020-06-26 | 杭州电子科技大学 | 一种基于遗传算法的公交发车与车速调整优化方法及系统 |
CN111667689A (zh) * | 2020-05-06 | 2020-09-15 | 浙江师范大学 | 车辆旅行时间预测的方法、设备和计算机设备 |
CN112365735A (zh) * | 2020-11-09 | 2021-02-12 | 深圳市图敏智能视频股份有限公司 | 一种定位数据失效后公交进站报站方法、系统及存储介质 |
CN112907953A (zh) * | 2021-01-27 | 2021-06-04 | 吉林大学 | 一种基于稀疏gps数据的公交行程时间预测方法 |
CN113053100A (zh) * | 2019-12-27 | 2021-06-29 | 郑州宇通客车股份有限公司 | 一种公交到站时间的预估方法及装置 |
CN113592157A (zh) * | 2021-07-13 | 2021-11-02 | 武汉理工大学 | 一种稀疏数据下公交行程时间预测方法和预测装置 |
CN113687143A (zh) * | 2021-08-12 | 2021-11-23 | 国网上海市电力公司 | 一种电磁波信号幅值衰减与传播距离关系曲线的拟合方法 |
Citations (3)
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 |
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 |
CN102157075A (zh) * | 2011-03-15 | 2011-08-17 | 上海交通大学 | 公交到站的预测方法 |
-
2018
- 2018-09-28 CN CN201811136600.5A patent/CN109191845B/zh not_active Expired - Fee Related
Patent Citations (3)
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 |
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 |
CN102157075A (zh) * | 2011-03-15 | 2011-08-17 | 上海交通大学 | 公交到站的预测方法 |
Non-Patent Citations (2)
Title |
---|
任远,吕永波,马继辉,陈鑫杰,余明捷: "基于粒子滤波的公交车辆到站时间预测研究", 《交通运输系统工程与信息》 * |
吴文静,陈润超,马芳武 等: "基于序列比对的行人过街风险识别研究", 《交通运输系统工程与信息》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920248B (zh) * | 2019-03-05 | 2021-09-17 | 南通大学 | 一种基于gru神经网络的公交到站时间预测方法 |
CN109920248A (zh) * | 2019-03-05 | 2019-06-21 | 南通大学 | 一种基于gru神经网络的公交到站时间预测方法 |
CN113053100B (zh) * | 2019-12-27 | 2022-08-12 | 宇通客车股份有限公司 | 一种公交到站时间的预估方法及装置 |
CN113053100A (zh) * | 2019-12-27 | 2021-06-29 | 郑州宇通客车股份有限公司 | 一种公交到站时间的预估方法及装置 |
CN111340289A (zh) * | 2020-02-25 | 2020-06-26 | 杭州电子科技大学 | 一种基于遗传算法的公交发车与车速调整优化方法及系统 |
CN111667689A (zh) * | 2020-05-06 | 2020-09-15 | 浙江师范大学 | 车辆旅行时间预测的方法、设备和计算机设备 |
CN112365735A (zh) * | 2020-11-09 | 2021-02-12 | 深圳市图敏智能视频股份有限公司 | 一种定位数据失效后公交进站报站方法、系统及存储介质 |
CN112365735B (zh) * | 2020-11-09 | 2021-11-23 | 深圳市图敏智能视频股份有限公司 | 一种定位数据失效后公交进站报站方法、系统及存储介质 |
CN112907953B (zh) * | 2021-01-27 | 2022-01-28 | 吉林大学 | 一种基于稀疏gps数据的公交行程时间预测方法 |
CN112907953A (zh) * | 2021-01-27 | 2021-06-04 | 吉林大学 | 一种基于稀疏gps数据的公交行程时间预测方法 |
CN113592157A (zh) * | 2021-07-13 | 2021-11-02 | 武汉理工大学 | 一种稀疏数据下公交行程时间预测方法和预测装置 |
CN113687143A (zh) * | 2021-08-12 | 2021-11-23 | 国网上海市电力公司 | 一种电磁波信号幅值衰减与传播距离关系曲线的拟合方法 |
CN113687143B (zh) * | 2021-08-12 | 2024-04-05 | 国网上海市电力公司 | 一种电磁波信号幅值衰减与传播距离关系曲线的拟合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109191845B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191845A (zh) | 一种公交车辆到站时间预测方法 | |
CN107610464B (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN107180530B (zh) | 一种基于深度时空卷积循环网络的路网状态预测方法 | |
Olyaie et al. | A comparison of various artificial intelligence approaches performance for estimating suspended sediment load of river systems: a case study in United States | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN110164128A (zh) | 一种城市级智能交通仿真系统 | |
CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
CN105513359B (zh) | 一种基于智能手机移动检测的城市快速路交通状态估计方法 | |
CN107230351A (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN110047291A (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN105741549B (zh) | 一种基于空间copula理论的交通流量预测方法 | |
CN106997669A (zh) | 一种基于特征重要性的判断交通拥堵成因的方法 | |
CN113177657B (zh) | 轨道交通客流预测方法及装置 | |
CN109785618A (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN103927872A (zh) | 一种基于浮动车数据预测多时段行程时间分布的方法 | |
CN104183119A (zh) | 基于路段od反推的实时交通流分布预测系统 | |
CN109446920A (zh) | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 | |
CN107563566A (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 | |
CN101290713A (zh) | 一种结合周相似特性的分形交通流预测方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN108734958B (zh) | 一种交通速度预测方法 | |
CN109887284A (zh) | 一种智慧城市交通信号控制推荐方法、系统及装置 | |
CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
Guo et al. | Data collection time intervals for stochastic short-term traffic flow forecasting | |
Mazloumi et al. | Exploring the value of traffic flow data in bus travel time prediction |
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: 20200925 Termination date: 20210928 |
|
CF01 | Termination of patent right due to non-payment of annual fee |