CN110895880B - 采用obd数据融合的公交车到达时间预测方法 - Google Patents
采用obd数据融合的公交车到达时间预测方法 Download PDFInfo
- Publication number
- CN110895880B CN110895880B CN201911271631.6A CN201911271631A CN110895880B CN 110895880 B CN110895880 B CN 110895880B CN 201911271631 A CN201911271631 A CN 201911271631A CN 110895880 B CN110895880 B CN 110895880B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- time
- arrival time
- predicted
- 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.)
- Active
Links
Images
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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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(tn,vn,an,Gn,pn,nn),式中的tn,vn,an,Gn,pn,nn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(tABmin≤tB-tA≤tABmax) (1)
tB-tA为被上下游卡口拍到的时间差,tABmin为以路段限速通过的时间,tABmax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。
其中K(X,X)为N阶正定协方差矩阵,如式(4)所示。
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:
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(tn,vn,an,Gn,pn,nn),式中的tn,vn,an,Gn,pn,nn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(tABmin≤tB-tA≤tABmax) (1)
tB-tA为被上下游卡口拍到的时间差,tABmin为以路段限速通过的时间,tABmax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;
其中K(X,X)为N阶正定协方差矩阵,如式(4)所示;
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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271631.6A CN110895880B (zh) | 2019-12-12 | 2019-12-12 | 采用obd数据融合的公交车到达时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271631.6A CN110895880B (zh) | 2019-12-12 | 2019-12-12 | 采用obd数据融合的公交车到达时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895880A CN110895880A (zh) | 2020-03-20 |
CN110895880B true CN110895880B (zh) | 2020-12-25 |
Family
ID=69787174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911271631.6A Active CN110895880B (zh) | 2019-12-12 | 2019-12-12 | 采用obd数据融合的公交车到达时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895880B (zh) |
Family Cites Families (6)
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 |
CN105758450B (zh) * | 2015-12-23 | 2017-11-24 | 西安石油大学 | 基于多传感器应急机器人的消防预警感知系统构建方法 |
CN106652534B (zh) * | 2016-12-14 | 2019-08-16 | 北京工业大学 | 一种预测公交车到站时间的方法 |
CN107451102B (zh) * | 2017-07-28 | 2020-06-30 | 江南大学 | 一种基于改进自训练算法的半监督高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 |
CN109446741B (zh) * | 2018-12-21 | 2023-04-18 | 浙江工业大学 | 一种混输泵泵腔瞬时温度特性的建模与预测方法 |
CN110491158B (zh) * | 2019-09-25 | 2022-04-19 | 西安安邦鼎立智能科技有限公司 | 一种基于多元数据融合的公交车到站时间预测方法及系统 |
-
2019
- 2019-12-12 CN CN201911271631.6A patent/CN110895880B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110895880A (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10345449B2 (en) | Vehicle classification using a recurrent neural network (RNN) | |
Zhao et al. | Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data | |
CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
CN110395245B (zh) | 一种基于固定路线驾驶信息的混动汽车能量管理系统 | |
Liu et al. | Bus arrival time prediction based on the k-nearest neighbor method | |
Hao et al. | Modal activity-based stochastic model for estimating vehicle trajectories from sparse mobile sensor data | |
Yang et al. | Queue estimation in a connected vehicle environment: A convex approach | |
CN110738855A (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
Zhang et al. | Eco-driving for public transit in cyber-physical systems using V2I communication | |
Mukheja et al. | Smartphone‐based crowdsourcing for position estimation of public transport vehicles | |
Kumar et al. | Time series traffic flow prediction with hyper-parameter optimized ARIMA models for intelligent transportation system | |
Sun et al. | Road network metric learning for estimated time of arrival | |
CN109064750B (zh) | 城市路网交通估计方法及系统 | |
Shan et al. | Probabilistic model for vehicle trajectories reconstruction using sparse mobile sensor data on freeways | |
CN110895880B (zh) | 采用obd数据融合的公交车到达时间预测方法 | |
Sheng et al. | Deep spatial-temporal travel time prediction model based on trajectory feature | |
CN107194505B (zh) | 一种基于城市大数据预测公共汽车出行量的方法和系统 | |
Li et al. | An automatic extraction method of coach operation information from historical trajectory data | |
Elleuch et al. | Towards an efficient traffic congestion prediction method based on neural networks and big GPS data | |
Sun et al. | Moving object map analytics: A framework enabling contextual spatial-temporal analytics of Internet of Things applications | |
CN116778715A (zh) | 一种多因素的高速交通流量智能预测方法 | |
Liu et al. | Application of KNN prediction model in urban traffic flow prediction | |
Panovski et al. | Real-time public transportation prediction with machine learning algorithms | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
Weisheit et al. | Prediction of switching times of traffic actuated signal controls using support vector machines |
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 |