CN110895880B - 采用obd数据融合的公交车到达时间预测方法 - Google Patents

Abstract

采用OBD数据融合的公交车到达时间预测方法，包括：1.获取OBD数据，通过车载OBD采取t时刻车辆n行驶数据；2.获取视频卡口数据，通过上下游视频卡口抓拍数据得到当前路段车流量，即同时被上下游卡口拍摄且行程时间在有效范围内的车辆数；3.数据融合处理，利用OBD采集的数据、视频卡口数据结合实际道路信息，通过时间序列和空间序列的匹配，得到同一时间序列、采样频率的融合数据；4.构建预测模型(DS‑GPR)，模型中，输入数据为车辆历史行驶状态信息，输出为之后某一点的到达时间，预测分布中全局信任分配函数最优值点表示认知框架中所有数据对其值支持度最大，即认为该点预测值最接近真实值，输出该点的取值，即为预测的公交车到达时间。

Description

采用OBD数据融合的公交车到达时间预测方法

技术领域

本发明涉及一种采用OBD数据融合的公交车到达时间预测方法，属于智能交通领域。

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。公共交通具有载运大、耗能少等特点，对于我国严峻的交通形势来说是最有效的缓解方案。所以实现智能公交，对于优化城市交通，推进智慧城市的建设都有重要的意义。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。精确的公交到站时间预测是实现智能化公交信息服务的基础，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。

现有预测方法均不能很好的满足公交车到达时间预测的实时性和精确性的要求。但随着信息采集技术的发展，车辆OBD可以实现当前车辆行驶数据的实时采集、道路视频卡口可以实现对采集道路车流量信息的实时采集，多源的数据信息使数据融合实时预测到达时间成为可能。利用多种检测器对数据进行全方位采集处理，获得更可靠、全面的数据，利用多源数据得到更精确的时间预测结果。

为精确的预测公交车的到达时间，实现公交系统管理的智能化。因此，发明一种采用OBD数据融合的公交车到达时间预测方法具有重要的社会价值和工程意义。

发明内容

本发明要解决上述技术问题，提供一种采用OBD数据融合的公交车到达时间预测方法。

本发明首先利用车道中实时采集的车辆OBD数据、视频卡口数据以及道路信息数据进行融合处理，得到车辆实时的运动姿态和道路车流量信息，随后利用融合数据带入算法模型(DS-GPR)得到实时预测的到达时间。

本发明的采用OBD数据融合的公交车到达时间预测方法，具体如下：

1.获取OBD数据。

通过车载OBD采取t时刻车辆n行驶数据：On(t_n，v_n，a_n，G_n，p_n，n_n)，式中的t_n，v_n，a_n，G_n，p_n，n_n分别表示车辆的时刻、速度、加速度、位置、发动机工况、启停次数。

2.获取视频卡口数据。

通过上下游视频卡口抓拍数据得到当前路段车流量，即同时被上下游卡口拍摄且行程时间在有效范围内的车辆数：

N(t_ABmin≤t_B-t_A≤t_ABmax) (1)

t_B-t_A为被上下游卡口拍到的时间差，t_ABmin为以路段限速通过的时间，t_ABmax为以20％路段限速通过的时间。

3.数据融合处理。

如图1所示，利用OBD采集的数据、视频卡口数据结合实际道路信息，通过时间序列和空间序列的匹配，得到同一时间序列、采样频率的融合数据。

4.构建预测模型(DS-GPR)。

模型中，输入数据为车辆历史行驶状态信息，输出为之后某一点的到达时间，具体描述如下：

输入数据：最新20条动态数据，其中每一条动态数据包括路径、交叉口位置、公交站位置、车流量、发车时段、发车日期、车辆经纬度、速度、加速度、方向角。

输出数据：之后某一点的到达时间。

算法目标：得到实时更新的、可靠的到达时间信息。

样本值y的先验分布如式(2)所示。

X为输入训练集。

进一步可得到样本值y与预测值

的分布为：

其中K(X,X)为N阶正定协方差矩阵，如式(4)所示。

为测试集

与训练集X的协方差矩阵，如式(5)所示。

为测试集自身协方差矩阵，I_n为N阶单位矩阵。

由此得到到达时间的预测值

的后验分布为：

为测试点对应的到达时间的预测分布均值，如式(7)所示。

为测试点对应的到达时间预测分布方差，如式(8)所示。

将样本Γ＝{τ₁,τ₂,…,τ_i}作为认知框架，其每一个样本数据视为认知框架上的一个证据，根据预测的后验分布取得预测值集合为

令数据源可信度为1，预测值信任度向量为M＝{m₁,m₂,…m_i}。

假设各样本值提供错误预测的概率符合均匀分布，如式(9)所示。

并且认为各样本对预测值的信任度相互独立，用后验概率最大值作为标准值，得到预测值成立的后验概率为：

由于各样本值独立提供预测成立后验概率，则其成立的条件概率如式(11)所示：

则基于式(12)可以建立该预测值在认知框架Γ中的基本信任分配函数：

由式可知m_i(Γ)∈[0,1]，

且

满足D-S信任分配函数的特征。

预测分布中全局信任分配函数最优值点表示认知框架中所有数据对其值支持度最大，即认为该点预测值最接近真实值。输出该点的取值，即为预测的公交车到达时间。

本发明的优点是：对多源交通数据(OBD、GPS、视频卡口等)进行时间和空间序列的数据融合处理，得到更综合、精确、实时的数据，利用实时的多源融合数据带入DS-GPR模型，实时得到预测结果，大幅增加预测结果的稳定性、实时性、准确性。

附图说明

图1是本发明的数据融合示意图。

图2是本发明的DS-GPR模型运行流程图。

图3是本发明方法的流程图。

具体实施方式

以下结合附图对本发明作进一步描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明的采用OBD数据融合的公交车到达时间预测方法，对可开放的密度窗口进行估计分析，流程如图3所示，执行以下步骤：

步骤1，获取车辆OBD，视频卡口以及道路数据。

步骤2，如图1所示，根据时间序列，空间序列，对数据进行融合计算，得出同样采样频率，同样时序的融合数据。

步骤3，提取最新20条融合数据，作为预测窗口数据集。

步骤4，将融合数据带入到DS-GPR模型中，计算得到时间预测结果。

步骤5，更新预测窗口数据集，返回步骤1。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.采用OBD数据融合的公交车到达时间预测方法，包括如下步骤：

步骤1.获取OBD数据；

通过车载OBD采集t时刻车辆n行驶数据：On(t_n，v_n，a_n，G_n，p_n，n_n)，式中的t_n，v_n，a_n，G_n，p_n，n_n分别表示车辆的时刻、速度、加速度、位置、发动机工况、启停次数；

步骤2.获取视频卡口数据；

通过上下游视频卡口抓拍数据得到当前路段车流量，即同时被上下游卡口拍摄且行程时间在有效范围内的车辆数：

N(t_ABmin≤t_B-t_A≤t_ABmax) (1)

t_B-t_A为被上下游卡口拍到的时间差，t_ABmin为以路段限速通过的时间，t_ABmax为以20％路段限速通过的时间；

步骤3.数据融合处理；

利用OBD采集的数据、获取的视频卡口数据结合实际道路信息，通过时间序列和空间序列的匹配，得到同一时间序列、采样频率的融合数据；

步骤4.构建预测模型(DS-GPR)；

模型中，输入数据为车辆历史行驶状态信息，输出为之后某一点的到达时间，具体描述如下：

输入数据：最新20条动态数据，其中每一条动态数据包括路径、交叉口位置、公交站位置、车流量、发车时段、发车日期、车辆经纬度、速度、加速度、方向角；

输出数据：之后某一点的到达时间；

算法目标：得到实时更新的、可靠的到达时间信息；

样本值y的先验分布如式(2)所示；

X为输入训练集；

进一步得到样本值y与预测值

的分布为：

其中K(X,X)为N阶正定协方差矩阵，如式(4)所示；

为测试集

与训练集X的协方差矩阵，如式(5)所示；

为测试集自身协方差矩阵，I_n为N阶单位矩阵；

由此得到到达时间的预测值

的后验分布为：

为测试点对应的到达时间的预测分布均值，如式(7)所示；

为测试点对应的到达时间预测分布方差，如式(8)所示；

将样本Γ＝{τ₁,τ₂,…,τ_i}作为认知框架，其每一个样本数据视为认知框架上的一个证据，根据预测的后验分布取得预测值集合为

令数据源可信度为1，预测值信任度向量为M＝{m₁,m₂,…m_i}；

假设各样本值提供错误预测的概率符合均匀分布，如式(9)所示；

并且认为各样本对预测值的信任度相互独立，用后验概率最大值作为标准值，得到预测值成立的后验概率为：

由于各样本值之间独立提供预测成立的后验概率，则其成立的条件概率如式(11)所示；

则基于式(12)建立该预测值在认知框架Γ中的基本信任分配函数：

由式可知m_i(Γ)∈[0,1]，

且

满足D-S信任分配函数的特征；

预测分布中全局信任分配函数最优值点表示认知框架中所有数据对其值支持度最大，即认为该点预测值最接近真实值；输出该点的取值，即为预测的公交车到达时间。

Images