CN109214542A - 基于大数据的发车时刻预估方法及装置 - Google Patents

Abstract

本发明提供一种基于大数据的发车时刻预估方法及装置，方法包括：获取公交线路的历史发车时刻，所述历史发车时刻包括预设的历史时间内所述公交线路每天每个班次的发车时刻；对所述历史发车时刻进行聚类分析，获得所述公交线路的预估发车时刻。通过本方案，能够获得公交线路的预估发车时刻，该预估发车时刻能够真实准确地反映未来一定时间内最大概率的发车时刻，用户基于预估的发车时刻能够更加准确合理地安排自己的出行，预估车辆到站时间，避免时间的浪费。

Description

基于大数据的发车时刻预估方法及装置

技术领域

本发明涉及公共交通领域，尤其涉及一种基于大数据的发车时刻预估方 法及装置。

背景技术

随着生活节奏的加快，人们对了解公交何时到站的需求日益加大；公 交作为最大的公共交通设施，成为人们出行必不可缺的工具之一，而加入 实时的概念，能够让市民提高出行的效率，避免过长时间的在公交站等待。 用户希望能够预先获知各公交线路的发车时刻，安排自己的出行。现有技 术中，公交系统会通过终端APP或网站对外定期更新和公布各公交线路 的发车时刻表，以供人们参考。但实际应用中，由于受到各种客观条件的 制约，实际公交的发车时刻与预定的时刻表可能不一致，导致公布的公交 时刻无法真实准确地反映实际的发车时刻，这就会使用户无法准确合理地 安排出行。

发明内容

本发明提供一种基于大数据的发车时刻预估方法及装置，用于解决目前 公交系统公布的发车时刻无法真实准确地反映实际发车时刻的问题。

本发明的第一个方面是提供一种基于大数据的发车时刻预估方法，包括： 获取公交线路的历史发车时刻，所述历史发车时刻包括预设的历史时间内所 述公交线路每天每个班次的发车时刻；对所述历史发车时刻进行聚类分析， 获得所述公交线路的预估发车时刻。

本发明的另一个方面是提供一种基于大数据的发车时刻预估装置，包括： 获取模块，用于获取公交线路的历史发车时刻，所述历史发车时刻包括预设 的历史时间内所述公交线路每天每个班次的发车时刻；处理模块，用于对所 述历史发车时刻进行聚类分析，获得所述公交线路的预估发车时刻。

本发明提供的基于大数据的发车时刻预估方法及装置，通过对公交线路 的历史发车时刻进行聚类分析，获得该公交线路的预估发车时刻，该预估发 车时刻能够真实准确地反映未来一定时间内最大概率的发车时刻，用户基于 预估的发车时刻能够更加准确合理地安排自己的出行，预估车辆到站时间， 避免时间的浪费。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1A为本发明实施例一提供的一种基于大数据的发车时刻预估方法的 流程示意图；

图1B为本发明实施例一提供的另一种基于大数据的发车时刻预估方法 的流程示意图；

图1C为本发明实施例一提供的另一种基于大数据的发车时刻预估方法 的流程示意图；

图2A为本发明实施例二提供的一种基于大数据的发车时刻预估方法的 流程示意图；

图2B为本发明实施例二提供的另一种基于大数据的发车时刻预估方法 的流程示意图；

图3A为本发明实施例三提供的一种基于大数据的发车时刻预估装置的 结构示意图；

图3B为本发明实施例三提供的另一种基于大数据的发车时刻预估装置 的结构示意图；

图3C为本发明实施例三提供的另一种基于大数据的发车时刻预估装置 的结构示意图；

图4A为本发明实施例四提供的一种基于大数据的发车时刻预估装置的 结构示意图；

图4B为本发明实施例四提供的另一种基于大数据的发车时刻预估装置 的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

图1A为本发明实施例一提供的一种基于大数据的发车时刻预估方法的 流程示意图，如图1A所示，本实施例以该发车时刻预估方法应用于基于大 数据的发车时刻预估装置中来举例说明，该方法包括：

101、获取公交线路的历史发车时刻，所述历史发车时刻包括预设的历史 时间内所述公交线路每天每个班次的发车时刻；

102、对所述历史发车时刻进行聚类分析，获得所述公交线路的预估发车 时刻。

实际应用中，基于大数据的发车时刻预估装置可以独立设置，也可以集 成设置在其它设备上，例如，电脑、服务器等。其中，公交线路的历史发车 时刻可以通过多种方式获得。

作为一种可实施的方式，可以从存储的静态历史数据，例如，政府的公 交系统中直接提取公交线路的历史发车时刻。具体的，公交系统中会统计和 存储各公交线路每天每个班次的实际发车时刻。进一步的，可以经过公交系 统的认证，通过向公交系统发送数据获取请求，来下载获得待预估的公交线 路的历史发车时刻。

作为另一种可实施的方式，还可以基于数据分析，获得公交线路的历史 发车时刻。相应的，如图1B所示，图1B为本发明实施例一提供的另一种基 于大数据的发车时刻预估方法的流程示意图，在实施例一的基础上，101具 体可以包括：

1011、统计获得所述公交线路的历史到站时刻，所述历史到站时刻包括 历史时间内所述公交线路每天每个班次的车辆抵达不同站点的到站时刻；

1012、根据所述历史到站时刻，对每天每个班次的到站时刻进行线性拟 合，获得历史时间内所述公交线路每天每个班次的发车时刻。

具体的，在实际应用中，公交车通常会安装通信设备，能够通过运营商 网络、无线网络等方式接入互联网，并将自身的数据进行上报。相应的，基 于此则可统计出某个线路的某班次车辆在历史行驶轨迹上到达各个站点的时 刻。具体的，车辆可以在每到一站的时候上报当前所停靠的站点和当前时刻。 或者，基于车辆上安装的GPS设备，通过GPS技术可以实时地获取车辆所在 的位置，进而结合各站点的位置，检测到某公交车抵达每个站点时记录下当 前的时刻。总之，通过多种方法，获得一定历史时间内该公交线路下各班次 车辆每天在历史行驶轨迹下抵达各个站点的到站时刻。

以102路举例来说，假设当前获得了这样一系列数据，即表1A，为公交 线路102路在过去某天内不同班次的到站时刻。如表1A所示，不同行表示 102路的不同班次，不同列代表各班次达到不同站点的到站时刻，以第一行 第一列的数据为例，即102路班次1的车辆达到站点1的时刻为9:11。

表1A

	站点1	站点2	站点3	站点4
					102路班次1	9:11	9:33	9:44	10:03
102路班次2	9:13	9:31	9:45	9:58
					102路班次3	9:10	9:30	9:46	10:01

由于在实际应用中，公交车的发车时刻和间隔通常比较均匀，呈线性特 征，因此优选的，可以选取前几站的到站时刻，例如前6站的数据，进行线 性拟合，分析出102路关于时间和到站时刻之间的函数关系，基于这个函数 关系，反推出不同班次102路公交车的发车时刻。进一步的，在拟合的过程 中，还可以将类似各站点之间的距离等因素考虑进来，以提高结果的准确性。

后续的，基于拟合的函数关系，还可以反推出某线路公交车的首末班车 时间，用户根据首末班车时刻和到站时间间隔能够更加准确地预估到站时间。 或者后台服务器可以基于分析获得的发车时刻和到站时间间隔自动估算出到 达某站的时间，并提示用户。此外，还可以对用户行为或习惯进行分析，确 定一些用户感兴趣的公交线路，向用户推送这些线路的首末班时间，发车时 刻和到站时间等。基于本实施方式，可以基于统计的历史到站时刻，真实准 确地分析出公交线路的历史发车时刻，从而提高最终发车时刻预估的准确性。

为了更加直观地了解历史发车时刻，举例来说，表1B为公交线路102 路在过去5天内的发车时刻。如表1B所示，每行的数据为102路每天各班次 的发车时刻，不同列基本代表不同的班次，以第一行的数据为例，即102路 在过去5天内的第一天的发车时刻统计如下：第一班次的发车时刻为上午9 点、第二班次的发车时刻为上午9点15分，第三班次的发车时刻为上午9点 28分，…，直至晚上10点钟发最后一班次。

表1B

9:00AM	9:15AM	9:28AM	9:45AM	…	10:01PM
						9:02AM	9:11AM	9:33AM	9:44AM	…	10:03PM
9:01AM	无{漏车}	9:31AM	9:45AM	…	9:58PM
						9:05AM	9:17AM	无{延后}	9:45AM9:46AM	…	10:05PM
9:01AM	9:12AM	9:26AM	9:50AM	…	10:00PM

结合表1B可以理解，实际应用中，每个线路每天的班次发车时刻是相对 稳定的，通过整理每天的发车时刻，可以获得每天的历史发车时刻数据。但 结合当天实际运营情况，某班次的发车时刻会有一定的波动，也会存在一些 漏车、延期发车的情况。例如，表1B的第三行第二列记录有漏车的情况，也 就是说，在过去5天内的第三天，102路的第二班次没有发车；再例如，表 1B的第四行第三列记录有延后的情况，第四行第四列记录有两个发车时刻， 也就是说，在过去5天内的第四天，102路的第三班次发车延后至9:46AM， 导致第三班次与第四班次的两趟车发车时刻相近。本方案通过进行聚类分析， 可以容错缺失和波动的发车数据，从而准确预估未来一定时间内，例如，今 天102路最大概率的发车时刻。

可以理解，本方案中数据处理的维度是以每个公交线路为维度，也就是 针对单个公交线路的发车时刻进行预估。实际应用中，可以针对每个公交线 路，均采用本实施例的方案进行发车时刻预估，以获得各公交线路的预估发 车时刻。以实际场景举例来说：

实际应用中，基于公交时刻表，用户可以对公交车的到站时间进行预估， 以合理规划用户的出行。例如，用户根据某公交线路在当前时段内班次的发 车时刻，结合自身当前位置至乘坐该公交线路的站点之间的距离，确定出发 的时间，实现合理规划。现有方案中，用户根据公交系统公布的公交时刻表 确定某公交线路某班次的发车时刻。而实际应用中，由于存在一些客观和主 观因素的影响，例如，天气因素、路况因素、临时调度等。通常会导致某班 次的公交车无法准确按照发车时刻表中的发车时刻发车，因此用户直接按照 公交时刻表来安排出行往往是不准确的。并且在某些特定场景下，例如，当 用户终端无法联网，处于离线状态时，无法在线从公交系统获取希望乘坐的 公交线路在当天的发车时刻表。

对此，在本方案中，首先获取公交线路的历史发车时刻根据统计的历史 发车时刻，基于大数据分析，对所述历史发车时刻进行聚类分析，从而获得 所述公交线路的预估发车时刻。由于数据分析的结果是基于对历史时间内的 发车时刻进行聚类分析得到的，因此最终获得的分析结果能够反映历史发车 的行为习惯，从而使得该预估发车时刻能够真实准确地对该公交线路的各班 次的发车时刻进行预估。

实际应用中，聚类分析的方法有多种。可选的，如图1C所示，图1C为 本发明实施例一提供的另一种基于大数据的发车时刻预估方法的流程示意 图，在前述任一实施方式的基础上，102可以包括：

1021、通过对所述历史发车时刻进行聚类分析，将所述历史发车时刻中 时间间隔小于一定阈值的发车时刻形成对应的簇，所述簇与所述公交线路的 班次一一对应；

1022、将每个簇的中心点对应的时刻作为所述簇对应的班次的预估发车 时刻，获得所述公交线路的预估发车时刻。

具体的，仍以前述的102路为例，通过对102路的历史发车时刻进行聚 类分析，将相近的发车时刻形成簇，直观的理解为，通过聚类分析可以将表 格中的每列形成一个簇。每个簇都反映出该公交线路在附近时段的一批相近 发车行为，进一步的，选取簇的中心点对应的发车时刻为该时段内班次的最 大概率的发车时刻。

此外，为了进一步提高数据分析的准确性，还可以在进行聚类分析之前， 对公交线路的历史发车时刻进行预处理，相应的，在前述任一实施方式的基 础上，在101之前，还可以包括：对所述历史发车时刻进行过滤筛选。

本实施例提供的基于大数据的发车时刻预估方法，通过对公交线路的历 史发车时刻进行聚类分析，获得该公交线路的预估发车时刻，该预估发车时 刻能够真实准确地反映未来一定时间内最大概率的发车时刻，用户基于预估 的发车时刻能够更加准确合理地安排自己的出行，预估车辆到站时间，避免 时间的浪费。

实际应用中，基于公交线路的历史发车时刻还可以对公交线路的发车间 隔进行预估，用户可以基于预估的发车间隔估算下一班次公交车的到站时刻， 合理安排出行。

图2A为本发明实施例二提供的一种基于大数据的发车时刻预估方法的 流程示意图，如图2A所示，本实施例仍以该发车时刻预估方法应用于基于 大数据的发车时刻预估装置中来举例说明，在实施例一的基础上，在102之 后，还可以包括：

201、计算出所述预估发车时刻中相邻班次之间的第一预估发车间隔。

实际应用中，基于大数据的发车时刻预估装置可以独立设置，也可以集 成设置在其它设备上，例如，电脑、服务器等。

具体的，本实施方式是在预估出公交线路的发车时刻后，通过求相邻两 班次公交车的发车时刻之差，求出预估的发车间隔。在本方案中，首先获取 公交线路的历史发车时刻根据统计的历史发车时刻，基于大数据分析，对所 述历史发车时刻进行聚类分析，从而获得所述公交线路的预估发车时刻，进 而通过求相邻两班次公交车的发车时刻之差，求出预估发车间隔。

图2B为本发明实施例二提供的另一种基于大数据的发车时刻预估方法 的流程示意图，如图2B所示，本实施例仍以该发车时刻预估方法应用于基于 大数据的发车时刻预估装置中来举例说明，在实施例一的基础上，在101之 后，还可以包括：

202、根据所述历史发车时刻，计算出所述公交线路在所述历史时间内每 天相邻班次之间的历史发车间隔；

203、对所述历史发车间隔进行聚类分析，获得所述公交线路的第二预估 发车间隔。

实际应用中，基于大数据的发车时刻预估装置可以独立设置，也可以集 成设置在其它设备上，例如，电脑、服务器等。

具体的，本实施方式基于历史发车时刻表，先统计出历史每天各班次车 之间的发车间隔，具体的，同样可以通过求相邻班次的发车时刻之差获得历 史发车间隔，进而通过对历史发车间隔进行聚类分析，获得预估发车间隔。 在本方案中，首先获取公交线路的历史发车时刻根据统计的历史发车时刻， 统计出历史每天各班次车之间的发车间隔后，基于大数据分析，对历史发车 间隔进行聚类分析，从而获得预估发车间隔。

仍以102路举例来说，根据表1中的内容，统计出102路在过去的5天 内的历史发车间隔如表2所示。其中，每行的数据为102路每天各班次的发 车间隔，不同列基本代表不同班次之间的发车间隔，以第一行的数据为例， 即102路在过去5天内的第一天各班次的发车间隔统计如下：第一班次与第 二班次的发车间隔为15分钟、第二班次与第三班次的发车间隔为13分钟， 第三班次与第四班次的发车间隔为17分钟，…，以此类推进行计算。

表2

15	13	17	…
				9	12	11	…
无	30	14	…
				12	无	28、1	…
11	14	14	…

上述表2中数据的单位为分钟，第一列数据为过去5天中第一班次和第 二班次的102路的发车间隔，以此类推，第二列为第二班次和第三班次的102 路的发车间隔，等等。基于这样的数据，同样通过进行聚类分析，可以形成 关于发车间隔的簇，这些簇反映不同相邻班次之间最大概率的发车间隔。同 样的，在上述数据中，存在因实际的发车时刻的波动导致数据遗漏的情形， 而基于聚类分析的方法，可以发现、容错掉班次丢失、遗漏引起的错位数据。

上述两种方式均可对发车间隔进行预估。实际应用中，上述两种实施方 式既可以单独实施也可以结合实施，例如，可以结合具体场景确定采用何种 实施方式，本实施例在此不对其进行限制。

本实施例提供的基于大数据的发车时刻预估方法，基于历史发车时刻， 通过聚类分析，可以对公交线路各班次之间的发车间隔进行预估，用户可以 查看任一公交线路的预估公交时刻，并且用户基于预估的发车时刻或者发车 间隔能够更加准确合理地安排自己的出行，预估车辆到站时间，避免时间的 浪费。

图3A为本发明实施例三提供的一种基于大数据的发车时刻预估装置的 结构示意图，如图3A所示，该装置包括：

获取模块31，用于获取公交线路的历史发车时刻，所述历史发车时刻包 括预设的历史时间内所述公交线路每天每个班次的发车时刻；

处理模块32，用于对所述历史发车时刻进行聚类分析，获得所述公交线 路的预估发车时刻。

实际应用中，基于大数据的发车时刻预估装置可以独立设置，也可以集 成设置在其它设备上，例如，电脑、服务器等。

其中，处理模块32通过进行聚类分析，可以容错缺失和波动的发车数据， 从而准确预估未来一定时间内的发车时刻。可以理解，本方案中数据处理的 维度是以每个公交线路为维度，也就是针对单个公交线路的发车时刻进行预 估。实际应用中，可以针对每个公交线路，均采用本实施例的方案进行发车 时刻预估，以获得各公交线路的预估发车时刻。

在本方案中，获取模块31首先获取公交线路的历史发车时刻根据统计的 历史发车时刻，处理模块32基于大数据分析，对所述历史发车时刻进行聚类 分析，从而获得所述公交线路的预估发车时刻。由于数据分析的结果是基于 对历史时间内的发车时刻进行聚类分析得到的，因此最终获得的分析结果能 够反映历史发车的行为习惯，从而使得该预估发车时刻能够真实准确地对该 公交线路的各班次的发车时刻进行预估。

实际应用中，获取模块31获取历史发车时刻的方式可以有多种。例如， 获取模块31可以从存储的静态历史数据，例如，政府的公交系统中直接提取 出历史发车时刻。进一步的，可以经过公交系统的认证，获取模块31具体用 于通过向公交系统发送数据获取请求，来下载获得待预估的公交线路的历史 发车时刻。

再例如，获取模块31还可以基于数据分析，获得公交线路的历史发车时 刻。相应的，如图3B所示，图3B为本发明实施例三提供的另一种基于大数 据的发车时刻预估装置的结构示意图，在实施例三的基础上，获取模块31可 以包括：

统计单元311，用于统计获得所述公交线路的历史到站时刻，所述历史 到站时刻包括历史时间内所述公交线路每天每个班次的车辆抵达不同站点的 到站时刻；

拟合单元312，用于根据所述历史到站时刻，对每天每个班次的到站时 刻进行线性拟合，获得历史时间内所述公交线路每天每个班次的发车时刻。

具体的，统计单元311统计出某个线路的某班次车辆在历史行驶轨迹上 到达各个站点的时刻。拟合单元312可以选取每个班次车辆到达不同站点的 到站时刻，进行线性拟合，分析出不同班次的发车时刻。进一步的，在拟合 的过程中，还可以将类似各站点之间的距离等因素考虑进来，以提高结果的 准确性。

基于本实施方式，可以基于统计的历史到站时刻，真实准确地分析出公 交线路的历史发车时刻，从而提高最终发车时刻预估的准确性。

实际应用中，处理模块32进行聚类分析的方法有多种。可选的，如图 3C所示，图3C为本发明实施例三提供的另一种基于大数据的发车时刻预估 装置的结构示意图，在前述任一实施方式的基础上，处理模块32包括：

数据分析单元321，用于通过对所述历史发车时刻进行聚类分析，将所 述历史发车时刻中时间间隔小于一定阈值的发车时刻形成对应的簇，所述簇 与所述公交线路的班次一一对应；

数据选取单元322，用于将每个簇的中心点对应的时刻作为所述簇对应 的班次的预估发车时刻，获得所述公交线路的预估发车时刻。

具体的，数据分析单元321对历史发车时刻进行聚类分析，将相近的发 车时刻形成簇。每个簇都反映出该公交线路在附近时段的一批相近发车行为， 进一步的，数据选取单元322选取簇的中心点对应的发车时刻为该时段内班 次的最大概率的发车时刻。

此外，为了进一步提高数据分析的准确性，还可以在数据分析单元321 进行聚类分析之前，对公交线路的历史发车时刻进行预处理，相应的，在前 述任一实施方式的基础上，所述装置还可以包括：初始模块，用于对所述历 史发车时刻进行过滤筛选。

本实施例提供的基于大数据的发车时刻预估装置，通过对公交线路的历 史发车时刻进行聚类分析，获得该公交线路的预估发车时刻，该预估发车时 刻能够真实准确地反映未来一定时间内最大概率的发车时刻，用户基于预估 的发车时刻能够更加准确合理地安排自己的出行，预估车辆到站时间，避免 时间的浪费。

实际应用中，基于公交线路的历史发车时刻还可以对公交线路的发车间 隔进行预估。

图4A为本发明实施例四提供的一种基于大数据的发车时刻预估装置的 结构示意图，如图4A所示，在实施例三的基础上，所述装置还包括：

第一计算模块41，用于计算出所述预估发车时刻中相邻班次之间的第一 预估发车间隔。

具体的，第一计算模块41是在处理模块32预估出公交线路的发车时刻 后，通过求相邻两班次公交车的发车时刻之差，求出预估的发车间隔。在本 方案中，获取模块31首先获取公交线路的历史发车时刻根据统计的历史发车 时刻，处理模块32基于大数据分析，对所述历史发车时刻进行聚类分析，从 而获得所述公交线路的预估发车时刻，进而第一计算模块41通过求预估发车 时刻中相邻两班次公交车的发车时刻之差，求出预估发车间隔。

图4B为本发明实施例四提供的另一种基于大数据的发车时刻预估装置 的结构示意图，如图4B所示，在实施例三的基础上，所述装置还包括：

第二计算模块42，用于根据所述历史发车时刻，计算出所述公交线路在 所述历史时间内每天相邻班次之间的历史发车间隔；

相应的，处理模块32，还用于对所述历史发车间隔进行聚类分析，获得 所述公交线路的第二预估发车间隔。

具体的，第二计算模块42基于历史发车时刻表，先统计出历史每天各班 次车之间的发车间隔，具体的，第二计算模块42同样可以通过求相邻班次的 发车时刻之差获得历史发车间隔，进而处理模块32通过对历史发车间隔进行 聚类分析，获得预估发车间隔。在本方案中，获取模块31首先获取公交线路 的历史发车时刻根据统计的历史发车时刻，第二计算模块42统计出历史每天 各班次车之间的发车间隔后，处理模块32基于大数据分析，对历史发车间隔 进行聚类分析，从而获得预估发车间隔。基于聚类分析的方法，可以发现、 容错掉班次丢失、遗漏引起的错位数据。

上述两种方式均可对发车间隔进行预估。实际应用中，上述两种实施方 式既可以单独实施也可以结合实施，例如，可以结合具体场景确定采用何种 实施方式，本实施例在此不对其进行限制。

本实施例提供的基于大数据的发车时刻预估装置，基于历史发车时刻， 通过聚类分析，可以对公交线路各班次之间的发车间隔进行预估，用户可以 查看任一公交线路的预估公交时刻，并且用户基于预估的发车时刻或者发车 间隔能够更加准确合理地安排自己的出行，预估车辆到站时间，避免时间的 浪费。

本发明实施例五提供一种基于大数据的发车时刻预估装置，该装置包括： 通信接口、存储器和处理器。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代 码包括计算机操作指令。存储器可能包含高速RAM存储器，也可能还包括 非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

处理器，用于执行存储器存放的程序，以用于：获取公交线路的历史发 车时刻，所述历史发车时刻包括预设的历史时间内所述公交线路每天每个班 次的发车时刻；对所述历史发车时刻进行聚类分析，获得所述公交线路的预 估发车时刻。

其中，处理器可能是一个中央处理器(Central Processing Unit，简称为 CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为 ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。

可选的，在具体实现上，如果通信接口、存储器和处理器独立实现，则 通信接口、存储器和处理器可以通过总线相互连接并完成相互间的通信。所 述总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA) 总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业 标准体系结构(Extended IndustryStandard Architecture，简称为EISA)总线 等。所述总线可以分为地址总线、数据总线、控制总线等。

可选的，在具体实现上，如果通信接口、存储器和处理器集成在一块芯 片上实现，则通信接口、存储器和处理器可以通过内部接口完成相同间的通 信。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描 述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不 再赘述。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步 骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可 读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而 前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码 的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对 其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通 技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改， 或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并 不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于大数据的发车时刻预估方法，其特征在于，包括：

获取公交线路的历史发车时刻，所述历史发车时刻包括预设的历史时间内所述公交线路每天每个班次的发车时刻；

对所述历史发车时刻进行聚类分析，获得所述公交线路的预估发车时刻。

2.根据权利要求1所述的方法，其特征在于，所述对所述历史发车时刻进行聚类分析，获得所述公交线路的预估发车时刻之后，还包括：

计算出所述预估发车时刻中相邻班次之间的第一预估发车间隔。

3.根据权利要求1所述的方法，其特征在于，所述获取公交线路的历史发车时刻之后，还包括：

根据所述历史发车时刻，计算出所述公交线路在所述历史时间内每天相邻班次之间的历史发车间隔；

对所述历史发车间隔进行聚类分析，获得所述公交线路的第二预估发车间隔。

4.根据权利要求1所述的方法，其特征在于，所述对所述历史发车时刻进行聚类分析，获得所述公交线路的预估发车时刻，包括：

通过对所述历史发车时刻进行聚类分析，将所述历史发车时刻中时间间隔小于一定阈值的发车时刻形成对应的簇，所述簇与所述公交线路的班次一一对应；

将每个簇的中心点对应的时刻作为所述簇对应的班次的预估发车时刻，获得所述公交线路的预估发车时刻。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述获取公交线路的历史发车时刻，包括：

统计获得所述公交线路的历史到站时刻，所述历史到站时刻包括历史时间内所述公交线路每天每个班次的车辆抵达不同站点的到站时刻；

根据所述历史到站时刻，对每天每个班次的到站时刻进行线性拟合，获得历史时间内所述公交线路每天每个班次的发车时刻。

6.一种基于大数据的发车时刻预估装置，其特征在于，包括：

获取模块，用于获取公交线路的历史发车时刻，所述历史发车时刻包括预设的历史时间内所述公交线路每天每个班次的发车时刻；

处理模块，用于对所述历史发车时刻进行聚类分析，获得所述公交线路的预估发车时刻。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

第一计算模块，用于计算出所述预估发车时刻中相邻班次之间的第一预估发车间隔。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

第二计算模块，用于根据所述历史发车时刻，计算出所述公交线路在所述历史时间内每天相邻班次之间的历史发车间隔；

所述处理模块，还用于对所述历史发车间隔进行聚类分析，获得所述公交线路的第二预估发车间隔。

9.根据权利要求6所述的装置，其特征在于，所述处理模块包括：

数据分析单元，用于通过对所述历史发车时刻进行聚类分析，将所述历史发车时刻中时间间隔小于一定阈值的发车时刻形成对应的簇，所述簇与所述公交线路的班次一一对应；

数据选取单元，用于将每个簇的中心点对应的时刻作为所述簇对应的班次的预估发车时刻，获得所述公交线路的预估发车时刻。

10.根据权利要求6-9中任一项所述的装置，其特征在于，所述获取模块包括：

统计单元，用于统计获得所述公交线路的历史到站时刻，所述历史到站时刻包括历史时间内所述公交线路每天每个班次的车辆抵达不同站点的到站时刻；

拟合单元，用于根据所述历史到站时刻，对每天每个班次的到站时刻进行线性拟合，获得历史时间内所述公交线路每天每个班次的发车时刻。