CN109544908A - 一种实时预测公交到站时间的方法、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种实时预测公交到站时间的方法，包括输入模型预估步骤，输入预设的路段运行时长预测模型得到当前时间点之后对应个数时间段内的路段运行时长预估值；输入预设的站点停靠时长预测模型得到当前时间点之后对应个数时间段内的站点停靠时长预估值；预测时长计算步骤，根据公交车实时GPS上报数据，获取当前公交车到达上一个站点的时刻，结合当前时刻、各路段运行时长预估值及各站点停靠时长预估值，计算出公交车到达对应站点的时间。本发明还公开了一种电子设备及存储介质，本发明的一种实时预测公交到站时间的方法、电子设备及存储介质能够较精确的实时公交到站时间预测，方便市民做好乘车的时间规划。

Description

一种实时预测公交到站时间的方法、电子设备及存储介质

技术领域

本发明涉及交通技术领域，尤其涉及一种实时预测公交到站时间的方法、电子设备及存储介质。

背景技术

随着现代城市的不断发展，城市的经济得到了发展，人口、车辆也大量增加，随之引发了一系列的交通问题，使得城市交通面临着越来越多的需求和挑战。实现智能公交，对于优化城市交通，推进智慧城市的建设都有重要的意义。对于智能公交领域，实时准确的预测公交到站时间，一方面可以实现公交系统的智能调度，另一方面也可以满足市民智慧出行的要求。公交车到站时间信息是先进的公共交通系统(ATPS)中的重要组成部分。及时而准确的公交到站时间预测可以大幅提升公共交通运营质量和乘客的满意度，它既可以令交通部门及时调整调度系统，以改善服务质量，同时乘客也可以及时调整自己的行程，从而减少等待时间及等待过程中的焦虑感。

公交车到站时间可以分解为两个部分，一部分是公交车在站点的停靠时间，另一部分是公交车在站点间的行驶时间。目前，传统的预测公交到站时间的方法是通过获取各线路公交车的历史GPS和车辆相关上报信息，计算出各线路公交车在各站点间的运行时长，并求得站点间的平均运行时长。根据当前公交车的实时GPS上报信息，获取其到达上一站的时刻t_last,当前时刻t_now。预测到站时长P＝∑L_i-(t_now-t_last)，其中L_i表示接下来各站间的历史平均运行时长。但是，这类方法没有较好的考虑公交车在站点的停靠时间，导致计算结果不精确，更不能较好地结合实际情况计算出更符合实时交通状况的、更准确的时长预估。基于此，提供一种实时预测公交到站时间的方法，能够实现实时公交到站时间预测，并且预测时间更为准确，方便市民做好乘车的时间规划，是目前公共交通领域值得探究的技术问题。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供一种实时预测公交到站时间的方法，能够较精确地实时预测公交到站时间。

本发明的目的采用如下技术方案实现：

一种实时预测公交到站时间的方法，如图1所示，包括：输入模型预估步骤，获取相同时间段、相同路段当前时间点之前若干个时间段的路段运行特征数据，输入预设的路段运行时长预测模型得到当前时间点之后对应个数时间段内的路段运行时长预估值；获取相同时间段、相同公交线路当前时间点之前若干个时间段的站点停靠特征数据，输入预设的站点停靠时长预测模型得到当前时间点之后对应个数时间段内的站点停靠时长预估值；预测时长计算步骤，根据公交车实时GPS上报数据，获取当前公交车到达上一个站点的时刻，结合当前时刻、各路段运行时长预估值及各站点停靠时长预估值，计算出公交车到达对应站点的时间。

进一步地，在输入模型预估步骤之前，还包括：预测模型生成步骤，获取公交线路网各公交车历史运行数据，根据历史路段运行数据通过LSTM模型训练生成路段运行时长预测模型，根据历史站点停靠数据通过LSTM模型训练生成站点停靠时长预测模型。

进一步地，在所述预测模型生成步骤中，以各公交站点、十字路口为路段始末点对所有公交线路进行路段切分，切分后按始末点表示为“站点编号，站点编号”、“站点编号，路口编号”、“路口编号，路口编号”、“路口编号，站点编号”，并将一天24小时每5分钟进行分隔表示成0-288的时间段编号，以此根据获取到的公交线路网各公交车历史运行数据形成历史路段运行数据及历史站点运行数据；历史路段运行数据表示为“公交线路编号、公交车编号、时间段、运行时长、是否为节假日、星期几、天气、路段编号”，历史站点运行数据表示为“公交线路编号、公交车编号、时间段、停留时长、是否为节假日、星期几、天气、站点编号”。

进一步地，在所述预测模型生成步骤中，根据历史路段运行数据，对相同时间段、相同路段编号的数据合并至同一集合并生成路段运行特征数据，表示为“时间段、路段编号、经过的公交车数量、运行时长最大值、运行时长最小值、运行时长平均值、运行时长方差、是否为节假日、星期几、天气”；根据历史站点运行数据，对相同时间段、相同公交线路编号的数据合并至同一集合并生成站点停靠特征数据，表示为“时间段、站点编号、停靠的公交车数量、停靠时长最大值、停靠时长最小值、停靠时长平均值、停靠时长方差、是否为节假日、星期几、天气”。

进一步地，在所述预测模型生成步骤中，将连续若干个时间段的路段运行特征数据作为模型的输入值X将后续对应个数的时间段的平均运行时长作为模型的输出值Y，将“X，Y”输入LSTM模型中训练，得到路段运行时长预测模型；将连续若干个时间段的站点停靠特征数据作为模型的输入值X，将后续对应个数的时间段的平均停靠时长作为模型的输出值Y；将“X，Y”输入LSTM模型中训练，得到站点停靠时长预测模型。

进一步地，在所述输入模型预估步骤中，通过实时获取当天公交线路网的运行数据，根据当前时间点之前若干个时间段的路段运行数据，获取当前时间点之前对应个数时间段的路段运行特征数据；根据当前时间点之前若干个时间段的站点停靠数据，获取当前时间点之前对应个数时间段的站点停靠特征数据。

进一步地，在所述预测时长计算步骤中，根据当前公交车的实时GPS上报信息，获取当前公交车到达上一站的时刻t_last以及当前时刻t_now；预测到下一站时长R₁＝∑L^j _i-(t_now-t_last)，其中L^j _i表示公交到达下一站经过的路段i对应时间段j的运行时长，时刻j以当前时间段为准，L^j _i根据运行时长预估值获取，根据R₁的时长推算出到达下一站的时间。

进一步地，在所述预测时长计算步骤中：根据站点停靠时长预估值获取公交车在下一站的停留时长W₁，预测到下两站时长R₂＝∑L^j _i+R₁+W₁，其中L^j _i表示公交从下一站到达下两站时经过的路段i对应时间段j的运行时长，时刻j以预测的公交车从下一站发出为准，L^j _i根据运行时长预估值获取；并以此得到公交车到达接下来的第n站的时长

本发明的目的之二在于提供一种电子设备，能够较精确地实时预测公交到站时间。

本发明的目的采用如下技术方案实现：

一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明目的之一所述的一种实时预测公交到站时间的方法。

本发明的目的之三在于提供一种存储介质，能够较精确地实时预测公交到站时间。

本发明的目的采用如下技术方案实现：

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明目的之一所述的一种实时预测公交到站时间的方法。

相比现有技术，本发明的有益效果在于：

本发明的一种实时预测公交到站时间的方法、电子设备及存储介质，通过分别预设路段运行时长预测模型及站点停靠时长预测模型，并根据路段运行特征数据获取路段运行时长预估值，根据站点停靠特征数据获取站点停靠时长预估值，根据当前公交车到达上一个站点的时刻，结合当前时刻、各路段运行时长预估值及各站点停靠时长预估值，即可计算出公交车到达对应站点的时间。以此来实现较精确的实时公交到站时间预测，方便市民做好乘车的时间规划。

附图说明

图1为发明一种实时预测公交到站时间的方法流程图；

图2为预测模型输入输出示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

实施例一：

实施例一公开了一种实时预测公交到站时间的方法，如图1所示，包括如下步骤：

S0预测模型生成步骤，获取公交线路网各公交车历史运行数据，根据历史路段运行数据通过LSTM模型训练生成路段运行时长预测模型，根据历史站点停靠数据通过LSTM模型训练生成站点停靠时长预测模型；

S1输入模型预估步骤，获取相同时间段、相同路段当前时间点之前若干个时间段的路段运行特征数据，输入预设的路段运行时长预测模型得到当前时间点之后对应个数时间段内的路段运行时长预估值；获取相同时间段、相同公交线路当前时间点之前若干个时间段的站点停靠特征数据，输入预设的站点停靠时长预测模型得到当前时间点之后对应个数时间段内的站点停靠时长预估值；

S2预测时长计算步骤，根据公交车实时GPS上报数据，获取当前公交车到达上一个站点的时刻，结合当前时刻、各路段运行时长预估值及各站点停靠时长预估值，计算出公交车到达对应站点的时间。

本实施例的实时预测公交到站时间的方法在基于公交车路段运行时长预测的基础上增加了站点停靠时长的预测，预测时间上能够更加准确。本方法分为训练模型阶段和使用模型阶段，模型训练阶段包括路段运行时长预测模型及站点停靠时长预测模型的训练，下面分别展开进行说明。

在训练阶段中，需先提取各公交车历史GPS上报数据进行历史基础运行数据特征。首先根据电子地图将临近公交站点进行合并，并以各公交站点、十字路口对所有公交路线进行路段切分，路段切分后各路段始末点表示为“站点编号，站点编号”、“站点编号，路口编号”、“路口编号，路口编号”、“路口编号，站点编号”，对各路段进行编号r1至rn，其中n为总路段数。需要注意的是，为了避免路段短小导致数据过于繁多零碎的情况，若路段长度小于400米，则将其合并到对应公交线路的上一路段。然后将所有GPS数据根据位置定位到路段上，并结合历史天气数据和日历信息，形成特征F_road_base<公交线路编号、公交车编号、时间段、运行时长、是否为节假日、星期几、天气、路段编号>，即历史路段运行数据。其中将一天24小时每5分钟进行分隔表示成0至288的数值，时间段以到达该路段终点的时间归到0-144的范围内。再根据公交车到站开门以及关门离站的上报信息，求得公交车在各公交站点的停留时间，表示成特征F_station_base<公交线路编号、公交车编号、时间段、停留时长、是否为节假日、星期几、天气、站点编号>，即历史站点运行数据。

完成上述准备工作，即可根据历史路段运行数据及历史站点运行数据进行模型训练。通过历史路段运行数据及历史站点运行数据分别提取路段运行特征数据及站点停靠特征数据，以此来进行模型训练。训练路段运行时长预测模型的具体过程如下：

1、将具有相同时间段和相同路段编号的特征F_road_base合并到各自的集合S_road，并分别计算得到集合S_road生成的特征F_road，表示为<时间段、路段编号、经过的公交车数量、运行时长最大值、运行时长最小值、运行时长平均值、运行时长方差、是否为节假日、星期几、天气>，即路段运行特征数据。

2、将连续12个时间段的特征F_road作为模型的输入X(若某时间段无对应的特征F_road,则取前一时间段的特征直至取到有效值)，将后续12个时间段的平均运行时长作为模型的输出Y；将“X，Y”输入LSTM时间递归神经网络模型中训练，得到路段运行时长预测模型M_road。

训练站点停靠时长预测模型的具体过程如下：

1、将具有相同时间段和相同公交线路编号的特征F_station_base合并到各自的集合S_station，并分别计算得到集合S_station生成的特征F_station，表示为<时间段、站点编号、停靠的公交车数量、停靠时长最大值、停靠时长最小值、停靠时长平均值、停靠时长方差、是否为节假日、星期几、天气>，即站点停靠特征数据。

2、将连续12个时间段的特征F_station作为模型的输入X(若某时间段无对应的特征F_station，则取前一时间段的特征直至取到有效值)，将后续12个时间段的平均停靠时长作为模型的输出Y；将“X，Y”输入LSTM时间递归神经网络模型中训练，得到站点停靠时长预测模型M_station。

保存训练好的路段运行时长预测模型M_road和站点停靠时长预测模型M_station，即可用于后续模型使用阶段。需要注意的是，LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM模型训练为现有技术，这里不多赘述。

之后在使用模型阶段过程中，通过实时获取当天公交线路网的天气情况及各线路公交车的实时GPS、刷卡、开关门信息。将获取的信息定位到各路段及公交站点，对于路段，形成特征F_road_base<公交线路编号、公交车编号、时间段、运行时长、是否为节假日、星期几、天气、路段编号>；对于公交站点，形成特征F_station_base<公交线路编号、公交车编号、时间段、停留时长、是否为节假日、星期几、天气、站点编号>。将特征F_road_base根据时间段和路段编号进行排序存储在内存，将特征F_station_base根据时间段和公交线路编号进行排序存储在内存中。

然后，每30s进行一次全网路段运行时长预测，具体过程如下：

1、获取所有路段当前时间段的前12个时间段(包含当前时间段)的特征F_road_base，计算得到其对应12个时间段内的特征F_road(定义同上文所述)。

2、将连续12个时间段内的特征F_road输入到路段运行时长预测模型M_road，输出该路段接下来12个时间段内的时长预估值。

3、将结果保存成格式S_road<时间段、路段编号、预估运行时长>。

每30s进行一次站点停靠时长预测，具体过程如下：

1、获取所有站点当前时间段的前12个时间段(包含当前时间段)的特征F_station_base，计算得到其对应12个时间段内的特征F_station(定义同上文所述)。

2、将连续12个时间段内的特征F_station输入到站点停靠时长预测模型M_station，输出各站点接下来12个时间段内的停靠时长预估值。

3、将结果保存成格式S_station<时间段、站点编号、预估停靠时长>。

最后计算各公交车到达下一站的预测时长，具体流程如下：

1、根据当前公交车的实时GPS上报，获取其到达上一站的时刻t_last,当前时刻t_now.

2、预测到下一站时长R₁＝∑L^j _i-(t_now-t_last)，其中L^j _i表示公交到达下一站经过的路段i对应时间段j的运行时长，时刻j以当前时间段为准，L^j _i从计算好的S_road集合中读取。

3、根据R₁的时长推算出到达下一站的时间段，并从S_station中获取公交车在下一站的停留时长W₁。

4、预测到下两站时长R₂＝∑L^j _i+R₁+W₁，其中L^j _i表示公交从下一站到达下两站时经过的路段i对应时间段j的运行时长，时刻j以预测的公交车从下一站发出为准，L^j _i从计算好的S_road集合中读取。

5、重复步骤c和d，可以得到公交车到达接下来的第n站的时长为

将全网所有公交车按步骤a至e，计算出其后续到达各站的时间，并输出。其中，路段运行时长预测模型M_road和站点停靠时长预测模型M_station输入输出示意图如图2所示，图中，t1,t2,...t12表示输入的前十二个时间段的特征(F_station或F_road)，t13,t14,...t24表示输出的后十二个时间段的运行时长或停靠时长，整个模型由LSTM Encoder和LSTM Decoder两部分组成，内部均使用LSTM实现。

本实施例的实时预测公交到站时间的方法，通过分别预设路段运行时长预测模型及站点停靠时长预测模型，并根据路段运行特征数据获取路段运行时长预估值，根据站点停靠特征数据获取站点停靠时长预估值，根据当前公交车到达上一个站点的时刻，结合当前时刻、各路段运行时长预估值及各站点停靠时长预估值，即可计算出公交车到达对应站点的时间。以此来实现较精确的实时公交到站时间预测，方便市民做好乘车的时间规划。通过对交通网做细粒度的划分，使计算更加精细准确。结合多维特征可以预测出更符合实时交通状况下的公交运行时长。同时使用LSTM序列学习，可以更准确推算出较远位置的公交车到站时间。

实施例二：

实施例二公开了一种电子设备，该电子设备包括处理器、存储器以及程序，其中处理器和存储器均可采用一个或多个，程序被存储在存储器中，并且被配置成由处理器执行，处理器执行该程序时，实现实施例一的一种实时预测公交到站时间的方法，该电子设备可以是手机、平板电脑等等一系列的电子设备。

实施例三：

实施例三公开了一种可读的计算机存储介质，该存储介质用于存储程序，并且该程序被处理器执行时，实现实施例一的一种实时预测公交到站时间的方法。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种实时预测公交到站时间的方法，其特征在于：

输入模型预估步骤，获取相同时间段、相同路段当前时间点之前若干个时间段的路段运行特征数据，输入预设的路段运行时长预测模型得到当前时间点之后对应个数时间段内的路段运行时长预估值；获取相同时间段、相同公交线路当前时间点之前若干个时间段的站点停靠特征数据，输入预设的站点停靠时长预测模型得到当前时间点之后对应个数时间段内的站点停靠时长预估值；

预测时长计算步骤，根据公交车实时GPS上报数据，获取当前公交车到达上一个站点的时刻，结合当前时刻、各路段运行时长预估值及各站点停靠时长预估值，计算出公交车到达对应站点的时间。

2.如权利要求1所述的实时预测公交到站时间的方法，其特征在于，在输入模型预估步骤之前，还包括：

预测模型生成步骤，获取公交线路网各公交车历史运行数据，根据历史路段运行数据通过LSTM模型训练生成路段运行时长预测模型，根据历史站点停靠数据通过LSTM模型训练生成站点停靠时长预测模型。

3.如权利要求2所述的实时预测公交到站时间的方法，其特征在于：在所述预测模型生成步骤中，以各公交站点、十字路口为路段始末点对所有公交线路进行路段切分，切分后按始末点表示为“站点编号，站点编号”、“站点编号，路口编号”、“路口编号，路口编号”、“路口编号，站点编号”，并将一天24小时每5分钟进行分隔表示成0-288的时间段编号，以此根据获取到的公交线路网各公交车历史运行数据形成历史路段运行数据及历史站点运行数据；历史路段运行数据表示为“公交线路编号、公交车编号、时间段、运行时长、是否为节假日、星期几、天气、路段编号”，历史站点运行数据表示为“公交线路编号、公交车编号、时间段、停留时长、是否为节假日、星期几、天气、站点编号”。

4.如权利要求3所述的实时预测公交到站时间的方法，其特征在于：在所述预测模型生成步骤中，根据历史路段运行数据，对相同时间段、相同路段编号的数据合并至同一集合并生成路段运行特征数据，表示为“时间段、路段编号、经过的公交车数量、运行时长最大值、运行时长最小值、运行时长平均值、运行时长方差、是否为节假日、星期几、天气”；根据历史站点运行数据，对相同时间段、相同公交线路编号的数据合并至同一集合并生成站点停靠特征数据，表示为“时间段、站点编号、停靠的公交车数量、停靠时长最大值、停靠时长最小值、停靠时长平均值、停靠时长方差、是否为节假日、星期几、天气”。

5.如权利要求3所述的实时预测公交到站时间的方法，其特征在于：在所述预测模型生成步骤中，将连续若干个时间段的路段运行特征数据作为模型的输入值X将后续对应个数的时间段的平均运行时长作为模型的输出值Y，将“X，Y”输入LSTM模型中训练，得到路段运行时长预测模型；将连续若干个时间段的站点停靠特征数据作为模型的输入值X，将后续对应个数的时间段的平均停靠时长作为模型的输出值Y；将“X，Y”输入LSTM模型中训练，得到站点停靠时长预测模型。

6.如权利要求1所述的实时预测公交到站时间的方法，其特征在于，在所述输入模型预估步骤中，通过实时获取当天公交线路网的运行数据，根据当前时间点之前若干个时间段的路段运行数据，获取当前时间点之前对应个数时间段的路段运行特征数据；根据当前时间点之前若干个时间段的站点停靠数据，获取当前时间点之前对应个数时间段的站点停靠特征数据。

7.如权利要求1所述的实时预测公交到站时间的方法，其特征在于：在所述预测时长计算步骤中，根据当前公交车的实时GPS上报信息，获取当前公交车到达上一站的时刻t_last以及当前时刻t_now；预测到下一站时长R₁＝∑L^j _i-(t_now-t_last)，其中L^j _i表示公交到达下一站经过的路段i对应时间段j的运行时长，时刻j以当前时间段为准，L^j _i根据运行时长预估值获取，根据R₁的时长推算出到达下一站的时间。

8.如权利要求7所述的实时预测公交到站时间的方法，其特征在于：在所述预测时长计算步骤中：根据站点停靠时长预估值获取公交车在下一站的停留时长W₁，预测到下两站时长R₂＝∑L^j _i+R₁+W₁，其中L^j _i表示公交从下一站到达下两站时经过的路段i对应时间段j的运行时长，时刻j以预测的公交车从下一站发出为准，L^j _i根据运行时长预估值获取；并以此得到公交车到达接下来的第n站的时长

9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现如权利要求1-8任意一项所述的一种实时预测公交到站时间的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-8任意一项所述的一种实时预测公交到站时间的方法。