CN111341096B - 一种基于gps数据的公交运行状态评估方法 - Google Patents

一种基于gps数据的公交运行状态评估方法 Download PDF

Info

Publication number
CN111341096B
CN111341096B CN202010081991.6A CN202010081991A CN111341096B CN 111341096 B CN111341096 B CN 111341096B CN 202010081991 A CN202010081991 A CN 202010081991A CN 111341096 B CN111341096 B CN 111341096B
Authority
CN
China
Prior art keywords
bus
state
time
cluster
probability
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
Application number
CN202010081991.6A
Other languages
English (en)
Other versions
CN111341096A (zh
Inventor
邓亚娟
宋明洋
王玥骄
罗鑫
马艳锋
张学宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanggu Zhizao Shandong Intelligent Equipment Co ltd
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202010081991.6A priority Critical patent/CN111341096B/zh
Publication of CN111341096A publication Critical patent/CN111341096A/zh
Application granted granted Critical
Publication of CN111341096B publication Critical patent/CN111341096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于GPS数据的公交运行状态评估方法，包括公交运行状态划分为集结态、集结过渡态、常态、大间隔过渡态和大间隔状态；运行状态阈值确定：将特征值车头时距的数据集划分为不同的类别，各类别聚类中心从小到大排序，相邻类别聚类中心平均值即为各状态阈值。确定指标、建立公交时空集簇概率模型、空间概率分布拟合和时间概率分布拟合；最后建立多分类Logistic公交集簇预测模型，根据所建立的预测模型判定公交运行状态在线路上的状态转移概率，作出公交运行状态评估。本发明方便快捷，提升公交服务水平；具有较高预测精度，使乘客能够更好地了解公交运行情况，合理调控出行时间。

Description

一种基于GPS数据的公交运行状态评估方法
技术领域
本发明涉及智能公共交通领域，尤其是一种基于GPS数据的公交运行状态评估方法。
背景技术
目前许多大城市的公交站点已经出现对公交车辆到站的预测，采用的方法基本为结合车载GPS系统，给乘客提供下一辆车与站点的距离及预计到站时间。但没有对公交车运行状态的预测方法。地面公交的行驶总是会受到各种随机因素的干扰，使得公交运行时常出现若干辆同线路车同时到达的集簇现象，造成公交服务可靠性降低，部分乘客等待时间延长，公交分担率下降等问题。因此，建立公交运行状态评估平台具有较好的理论价值和现实意义。
一般公交车辆在道路上行驶时，从微观层面分析它的运行特征，其运行状态的识别指标有该车辆的运行速度、加速度等指标，而公交系统的运行状态则不能简单的以公交车辆的速度、加速度等指标来划分公交车辆的运行状态由其状态特征值决定，车头时距作为状态特征值可以准确的反映出两辆车之间的运行状态。分析的角度不同，公交运行状态的划分也不同。如根据车辆是否发生了集簇，可以将车辆划分为：集簇状态和非集簇状态。
为了考虑既定发车间隔的影响，已有研究利用车头时距偏差，即实际车头时距与既定发车间隔之间的绝对值，描述公交车集簇现象。车头时距偏差考虑了既定发车间隔对实际车头时距的影响，但它是一个绝对值，不利于不同线路之间的比较，而且既定的发车间隔具有很强的不确定性。CN 105206040 A一种基于IC卡数据的公交串车预测方法中结合最小二乘支持向量机算法，通过分析车头时距的正负来检测公交车到达下一个站点的公交集簇情况，仅考虑了“集簇”这一种情况，没有对公交车到达下一站产生的其他运行状态进行评估。
发明内容
为解决目前公交车运行可靠性指标不合理，运行状态分类不明确的问题，针对研究某一公交线路发生集簇的时空概率分布以及公交集簇状态的预测，提供一种基于GPS数据的公交运行状态评估方法。
本发明是通过下述技术方案来实现的。
一种基于GPS数据的公交运行状态评估方法，包括以下步骤：
步骤1，公交运行状态划分：
11)结合公交运行状态特征值车头时距的大小，划分为集簇态、集簇过渡态、常态、大间隔过渡态和大间隔状态五个状态；
12)运行状态阈值确定：
通过K-means聚类算法迭代将特征值车头时距的数据集划分为不同的类别；
13)将利用K-means聚类算法得到的各类别的聚类中心从小到大排序，相邻类别聚类中心的平均值即为各状态阈值；
步骤2，公交运行状态时空概率分布：
21)确定指标：通过公交GPS数据信息采集与处理系统获取公交车ID以及到站时刻，计算车头时距与车头时距遵守比率HAR；
22)建立公交时空集簇概率模型：集簇概率定义为同一线路上前后连续两辆公交车辆在一个时间阈值内相继到达同一站点的概率；
23)空间概率分布拟合：
利用步骤21)计算得到的车头时距与车头时距遵守比率HAR，筛选出步骤22)中空间所有可能的概率分布形式，然后利用单样本K-S检验对其进行概率分布检验；
24)时间概率分布拟合：
对于集簇概率在时间上的变化规律，将公交车一天运行时间划分为若干个时间间隔，分别计算每个时间间隔内的车头时距和HAR；筛选出步骤22)中时间所有可能的概率分布形式，然后利用单样本K-S检验对其进行概率分布检验；
步骤3，建立多分类Logistic公交集簇预测模型；根据所建立的预测模型判定下一时刻公交运行状态在线路上的状态概率，作出公交运行状态评估。
对于上述技术方案，本发明还有进一步优选的方案：
优选的，所述步骤11)中，五个状态分别表示为集簇态(0,hb)、集簇过渡态(hb,hbn)、常态(hbn,hnd)、大间隔过渡态(hbn,hd)和大间隔状态(hd,+∞)。
优选的，所述步骤12)中，K-means聚类算法迭代步骤如下：
a，每个聚类确定一个初始聚类中心，K个聚类对应有K个初始聚类中心；
b，按照最小距离原则，将每一个样本分配到最邻近聚类；每个样本均为一维数据，两个样本之间的距离即为样本值差的绝对值；样本之间距离越小，两个样本的相似度越高，距离越大两个样本的相似度越低；
c，取b步骤每个聚类中的样本均值作为新的聚类中心；
d，重复步骤b和步骤c直到聚类中心不再变化，结束聚类，得到K个聚类。
优选的，采用欧式距离计算样本之间的距离d(xi,xj)。
优选的，Logistic由反应变量中的不重复类别对的对比形成；若反应变量有J个类别，多项Logistic模型中就有J-1个多项式；采用SPSS统计分析软件对公交集簇预测模型中的未知参数进行标定，并对模型整体的拟合效果以及自变量的统计学意义进行检验，得到车头时距与各个状态选择概率的关系式。
车头时距与各个状态选择概率的关系式包括：下一时刻运行状态为集簇态的概率、下一时刻运行状态为集簇过渡态(P1)、下一时刻运行状态为常态(P2)、下一时刻运行状态为大间隔过渡态(P3)和下一时刻运行状态为大间隔状态(P4)。
本发明由于采取以上技术方案，其具有以下有益效果：
1、本发明结合公交GPS系统获取公交车运行时的车头时距，不需要专门设置其他监测系统，方便快捷；
2、本发明采用K-means聚类方法将运行状态准确划分为五类并对这五类的时空概率分布进行拟合，使公交运营部门能够提前对易发生公交集簇的时间和地点采取应对措施，提升公交服务水平；
3、本发明计算了公交车下一站运行状态转变的概率，实现了公交车运行状态的评估，具有较高预测精度，使乘客能够更好地了解公交运行情况，合理调控出行时间。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：
图1是公交运行状态划分示意图；
图2是公交车辆在各个站点的集簇概率图；
图3是各个时间间隔内的集簇概率图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。
本发明基于GPS数据的公交运行状态评估方法，包括：
S1.公交运行状态划分
(1)结合公交运行状态特征值车头时距的大小，从公交的运行状态是否正常的角度，将公交运行状态划分为五个状态，如图1。五个状态分别表示为集簇态(0,hb)、集簇过渡态(hb,hbn)、常态(hbn,hnd)、大间隔过渡态(hbn,hd)和大间隔状态(hd,+∞)。其中：hb表示公交车辆的车头时距；hd表示公交车辆发生集簇时的车头时距阈值；hbn表示公交车辆常态车头时距的下限；hnd表示公交车辆常态车头时距的上限；hd表示公交车辆发生大间隔时的阈值。
(2)运行状态阈值确定
K-means聚类算法通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类别之间相互独立。
该算法的流程为：
步骤一：为每个聚类确定一个初始聚类中心，这样就有K个初始聚类中心。
步骤二：按照最小距离原则，将每一个样本分配到最邻近聚类。
在计算样本之间的距离时，常用的距离有欧氏距离、曼哈顿距离、余弦距离等。本发明在实际计算时选择的是欧式距离d(xi,xj)，如下所示。
Figure GDA0002759287950000041
式中：xi＝(xi1,xi2,…,xim),m为每一个样本的属性个数；d(xi,xj)为两样本之间的距离，xik为第i个样本的第k个属性值，xjk为第j个样本的第k个属性值。
在本发明数据中，每个样本均为一维数据，两个样本之间的距离即为样本值差的绝对值。样本之间距离越小，两个样本的相似度越高，距离越大两个样本的相似度越低。
步骤三：使用每个聚类中的样本均值作为新的聚类中心。
步骤四：重复步骤二和步骤三直到聚类中心不再变化。
步骤五：结束聚类，得到K个聚类。
最后，将利用K-means均值算法得到的各类别的聚类中心从小到大排序，相邻类别聚类中心的平均值即为各状态阈值。设得到排序后的类别中心分别为h1,h2,h3,h4,h5，则各状态阈值如下式所示：
Figure GDA0002759287950000051
以西安市600路公交车某一日内运营时间的GPS数据为例，利用SPSS统计软件，设定初始聚类值为5并随机给定5个初始聚类中心，将采集到的车头时距数据输入，通过不断迭代循环即可得到最终五个聚类中心的值，根据各类别聚类中心的均值可以确定各状态对应的阈值，如表1。
表1公交运行状态阈值
Figure GDA0002759287950000052
表1中集簇状态阈值为3.785分钟，即当某公交车的车头时距小于3.785分钟的时候，则认为其接下来的运行状态为集簇状态。
S2.公交运行状态时空概率分布
步骤一：确定指标：通过公交GPS数据信息采集与处理系统获取公交车ID以及到站时刻，计算车头时距与车头时距遵守比率HAR，具体包括：
(1)获取GPS数据：通过公交车内部的自动车辆定位(AVL)设备以及GPS数据信息采集与处理系统，获取一天中运营时间内公交车ID以及公交到站时刻。
(2)计算第i辆车的既定发车间隔。通过公交车ID码确定一天内公交车的发车数量以及发车次序，第i-1辆车在第一个车站的到站时刻与第i辆车在第一个车站的到站时刻的差值为第i辆车的既定发车间隔hi。
(3)计算第i辆车的车头时距与车头时距遵守比率HAR：hi,j＝Ti+1,j-Ti,j
Figure GDA0002759287950000061
其中，hi,j为第i辆公交车在第j个车站的车头时距，单位s；Ti+1,j为第i+1辆公交车到达第j个车站的时间，单位s；Ti,j为第i辆公交车到达第j个车站的时间，单位s；HARi,j为第i辆公交车在第j个车站的车头时距遵守比率；hi为第i辆公交车的既定发车间隔，单位s。
根据车头时距偏差遵守系数的定义可以看出，其值域为[-1,+∞)。HAR小于0表示公交车辆提前到达，大于0表示公交车辆延后到达，等于0表示公交车辆正点到达。HAR越接近-1，表明相邻两辆公交车的车头时距越接近。
步骤二：建立公交时空集簇概率模型：
公交车发生集簇的概率可定义为同一线路上前后连续两辆公交车辆在一个很短的时间间隔内相继到达同一站点的概率。集簇阈值定义为：
Figure GDA0002759287950000062
其中，βi为第i辆公交车发生集簇的最大车头时距；
Figure GDA0002759287950000063
为集簇阈值系数；
集簇概率PB定义为：
Figure GDA0002759287950000064
若HAR的概率分布函数为f(x)，则集簇概率PB为：
Figure GDA0002759287950000065
步骤三：f(x)概率分布拟合：
由于HAR存在负值，最小值为-1，最大为正无穷大，比较常用的概率分布有Logistic分布、正态分布、截断正态分布、广义极值分布。因此用HAR样本数据和假设检验的方法对这四个可能的概率分布进行拟合优度检验。概率分布拟合优度最常用的检验方法有卡方检验和单样本K-S检验。卡方检验可以用于连续或者离散的随机变量的检验，但是其实用的前提是将样本空间划分为不同的区间，而区间的划分具有很强的主观性，区间划分的不同可能导致检验结果的不同。而且卡方检验适用于样本容量足够大的情况。若获取的GPS数据只有一天，样本容量达不到卡方检验的样本容量的要求。因此可采用单样本K-S检验对可能的概率分布进行拟合优度检验。
取置信水平为0.05，对每个站点的HAR样本进行单样本K-S检验，得到每种分布的被拒绝次数，选择被拒绝比例最小的分布为公交车集簇概率在空间站点上的最优拟合分布，如图2。
步骤四：时间概率分布拟合：
对于集簇概率在时间上变化规律的分析，HAR样本在站点上的概率分布并不适用。根据公交车的运营时间等特性，可将公交车一天运行运营时间划分为若干个时间间隔，分别获取每个时间段内的车头时距，再计算出不同时间段内的车头时距遵守系数HAR。利用单样本K-S检验，取显著性水平为0.05，分别用正态分布、截断正态分布、Logistic分布以及广义极值分布进行分布拟合，得到每种分布的被拒绝次数，选择被拒绝比例最小的分布为公交车集簇概率在时间上的最优拟合分布，如图3。
通过对集簇概率计算模型以及HAR样本的概率分布拟合优度检验，可得到某一线路的公交车在每个站点以及每个时间段内的集簇概率。
S3.建立多分类Logistic公交集簇预测模型：
Figure GDA0002759287950000071
式中：P(y＝j|x)为选择第j类的概率；xk为第k类的解释变量；βjk为第k类的系数；αj为常数项。
从上式可以看出，在多项Logistic回归模型中，Logistic是由反应变量中的不重复类别对的对比所形成的，然后对每一对Logistic进行建模。若反应变量有J个类别，多项Logistic模型中就有J-1个Logistic。以第J个类别作为参照，在J个类别的多项logistic模型中，J-1个Logistic可用如下公式进行表述：
Figure GDA0002759287950000072
采用SPSS统计分析软件可以对公交集簇预测模型中的未知参数进行标定并对模型整体的拟合效果以及自变量的统计学意义进行检验，得到车头时距与各个状态选择概率的关系式。
其中J大于等于3，且最后一个类别(即第J个类别)作为参照物。所有类别的概率满足以下公式：
P(y＝1|x)+P(y＝2|x)+......+P(y＝J|x)＝1
由此可以推导出：
Figure GDA0002759287950000081
然后可以推导出各个类别的选择条件概率，如下所示：
Figure GDA0002759287950000082
Figure GDA0002759287950000083
……
Figure GDA0002759287950000084
因此，对于J个类别的因变量，各个类别的条件选择概率公式归纳总结为下列形式：
Figure GDA0002759287950000085
借助SPSS等统计分析软件，可以对模型中的未知参数进行标定并对模型整体的拟合效果以及自变量的统计学意义进行检验。
以西安市600路公交为例，在SPSS软件中输入某一日内运营时间的GP S数据，结果如下所述：
下表2所示反映的事对模型进行的似然比检验，可以看出其显著性水平小于0.05表示模型具有统计学意义。
表2模型似然比检验
Figure GDA0002759287950000086
Figure GDA0002759287950000091
下表3所示反映的是模型的拟合优度检验以及模型的三种伪决定系数。拟合优度检验分别为Person卡方检验和Deviance卡方检验，两个拟合优度检验的显著性均大于0.05，表示所建立的模型拟合效果较好。而对于分类变量而言，一般伪决定系数不会太高，大于0.2表明模型整体而言是可接受的。
表3模型拟合优度检验与伪决定系数
Figure GDA0002759287950000092
模型未知参数标定结果见下表，从表3中可以看出，对每一个状态而言，其自变量的显著性水平均小于0.05，表明自变量具有显著的统计学意义，可以被纳入到多项Logistic模型之中。
表4模型未知参数标定结果
Figure GDA0002759287950000093
根据上表4，建立的多项Logistic回归模型如下所示下一时刻运行状态为集簇态的概率(P0)：
Logit(P0)＝-9.714H+76.881
下一时刻运行状态为集簇过渡态(P1)：
Logit(P1)＝-6.849H+66.051
下一时刻运行状态为常态(P2)：
Logit(P2)＝-4.324H+48.783
下一时刻运行状态为大间隔过渡态(P3)：
Logit(P3)＝-1.793H+24.146
下一时刻运行状态为大间隔状态(P4)：
Logit(P4)＝1-Logit(P3)-Logit(P2)-Logit(P1)-Logit(P0)。
式中：H为车头时距。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (9)

1.一种基于GPS数据的公交运行状态评估方法，其特征在于，包括以下步骤：
步骤1，公交运行状态划分：
11)结合公交运行状态特征值车头时距的大小，划分为集簇态、集簇过渡态、常态、大间隔过渡态和大间隔状态五个状态；
12)运行状态阈值确定：
通过K-means聚类算法迭代将特征值车头时距的数据集划分为不同的类别；
13)将利用K-means聚类算法得到的各类别的聚类中心从小到大排序，相邻类别聚类中心的平均值即为各状态阈值；
步骤2，公交运行状态时空概率分布：
21)确定指标：通过公交GPS数据信息采集与处理系统获取公交车ID以及到站时刻，计算车头时距与车头时距遵守比率HAR；
22)建立公交时空集簇概率模型：集簇概率定义为同一线路上前后连续两辆公交车辆在一个时间阈值内相继到达同一站点的概率；
23)空间概率分布拟合：
利用步骤21)计算得到的车头时距与车头时距遵守比率HAR，筛选出步骤22)中空间所有可能的概率分布形式，然后利用单样本K-S检验对其进行概率分布检验；
24)时间概率分布拟合：
对于集簇概率在时间上的变化规律，将公交车一天运行时间划分为若干个时间间隔，分别计算每个时间间隔内的车头时距和HAR；筛选出步骤22)中时间所有可能的概率分布形式，然后利用单样本K-S检验对其进行概率分布检验；
步骤3，建立多分类Logistic公交集簇预测模型；根据所建立的预测模型判定下一时刻公交运行状态在线路上的状态概率，作出公交运行状态评估；
采用SPSS统计分析软件对公交集簇预测模型中的未知参数进行标定，并对模型整体的拟合效果以及自变量的统计学意义进行检验，得到车头时距与各个状态选择概率的关系式：
下一时刻运行状态为集簇态的概率(P0)：
Logit(P0)＝-9.714H+76.881
下一时刻运行状态为集簇过渡态(P1)：
Logit(P1)＝-6.849H+66.051
下一时刻运行状态为常态(P2)：
Logit(P2)＝-4.324H+48.783
下一时刻运行状态为大间隔过渡态(P3)：
Logit(P3)＝-1.793H+24.146
下一时刻运行状态为大间隔状态(P4)：
Logit(P4)＝1-Logit(P3)-Logit(P2)-Logit(P1)-Logit(P0)
式中，H为车头时距。
2.根据权利要求1所述的一种基于GPS数据的公交运行状态评估方法，其特征在于，所述步骤11)中，五个状态分别表示为集簇态(0,hb)、集簇过渡态(hb,hbn)、常态(hbn,hnd)、大间隔过渡态(hbn,hd)和大间隔状态(hd,+∞)；
其中：hb表示公交车辆的车头时距；hd表示公交车辆发生集簇时的车头时距阈值；hbn表示公交车辆常态车头时距的下限；hnd表示公交车辆常态车头时距的上限；hd表示公交车辆发生大间隔时的阈值。
3.根据权利要求1所述的一种基于GPS数据的公交运行状态评估方法，其特征在于，所述步骤12)中，K-means聚类算法迭代步骤如下：
a，每个聚类确定一个初始聚类中心，K个聚类对应有K个初始聚类中心；
b，按照最小距离原则，将每一个样本分配到最邻近聚类；每个样本均为一维数据，两个样本之间的距离即为样本值差的绝对值；样本之间距离越小，两个样本的相似度越高，距离越大两个样本的相似度越低；
c，取b步骤每个聚类中的样本均值作为新的聚类中心；
d，重复步骤b和步骤c直到聚类中心不再变化，结束聚类，得到K个聚类。
4.根据权利要求3所述的一种基于GPS数据的公交运行状态评估方法，其特征在于，所述步骤b中，采用欧式距离计算样本之间的距离d(xi,xj)：
Figure FDA0002759287940000021
式中：xi＝(xi1,xi2,…,xim),m为每一个样本的属性个数；d(xi,xj)为两样本之间的距离，xik为第i个样本的第k个属性值，xjk为第j个样本的第k个属性值。
5.根据权利要求2所述的一种基于GPS数据的公交运行状态评估方法，其特征在于，所述步骤13)中，设得到排序后的聚类中心分别为h1,h2,h3,h4,h5，则各状态阈值如下式所示：
Figure FDA0002759287940000031
6.根据权利要求1所述的一种基于GPS数据的公交运行状态评估方法，其特征在于，所述步骤21)中，车头时距与车头时距遵守比率HAR计算公式如下：
hi,j＝Ti+1,j-Ti,j
Figure FDA0002759287940000032
其中，hi,j为第i辆公交车在第j个车站的车头时距，单位s；Ti+1,j为第i+1辆公交车到达第j个车站的时间，单位s；Ti,j为第i辆公交车到达第j个车站的时间，单位s；HARi,j为第i辆公交车在第j个车站的车头时距遵守比率；hi为第i辆公交车的既定发车间隔，单位s。
7.根据权利要求6所述的一种基于GPS数据的公交运行状态评估方法，其特征在于，所述步骤22)中，集簇阈值定义为：
Figure FDA0002759287940000033
其中，βi为第i辆公交车发生集簇的最大车头时距；
Figure FDA0002759287940000034
为集簇阈值系数；
集簇概率PB定义为：
Figure FDA0002759287940000035
若HAR的概率分布函数为f(x)，则集簇概率PB为：
Figure FDA0002759287940000036
8.根据权利要求1所述的一种基于GPS数据的公交运行状态评估方法，其特征在于，所述步骤3中，多分类Logistic公交集簇预测模型如下：
Figure FDA0002759287940000037
式中：P(y＝j|x)为选择第j类的概率；xk为第k类的解释变量；βjk为第k类的系数；αj为常数项。
9.根据权利要求8所述的一种基于GPS数据的公交运行状态评估方法，其特征在于，Logistic由反应变量中的不重复类别对的对比形成；若反应变量有J个类别，多项Logistic模型中就有J-1个多项式；所述多分类Logistic公交集簇预测模型中各个类别的条件选择概率为：
Figure FDA0002759287940000041
CN202010081991.6A 2020-02-06 2020-02-06 一种基于gps数据的公交运行状态评估方法 Active CN111341096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010081991.6A CN111341096B (zh) 2020-02-06 2020-02-06 一种基于gps数据的公交运行状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010081991.6A CN111341096B (zh) 2020-02-06 2020-02-06 一种基于gps数据的公交运行状态评估方法

Publications (2)

Publication Number Publication Date
CN111341096A CN111341096A (zh) 2020-06-26
CN111341096B true CN111341096B (zh) 2020-12-18

Family

ID=71186797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010081991.6A Active CN111341096B (zh) 2020-02-06 2020-02-06 一种基于gps数据的公交运行状态评估方法

Country Status (1)

Country Link
CN (1) CN111341096B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113353083B (zh) * 2021-08-10 2021-10-29 所托(杭州)汽车智能设备有限公司 车辆行为识别方法
CN115512544B (zh) * 2022-09-22 2023-08-29 同济大学 一种基于状态识别的公交运行评估方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105206040A (zh) * 2015-08-07 2015-12-30 北京航空航天大学 一种基于ic卡数据的公交串车预测方法
CN105427002A (zh) * 2015-12-29 2016-03-23 上海仪电物联技术股份有限公司 一种基于Logistic模型的客流预测方法
CN105930872A (zh) * 2016-04-28 2016-09-07 上海应用技术学院 一种基于类别相似的二叉树支持向量机的公交行驶状态分类方法
US9880557B1 (en) * 2013-07-24 2018-01-30 Waymo Llc Detecting and responding to tailgaters
CN108399468A (zh) * 2018-01-31 2018-08-14 华南理工大学 一种基于车时成本优化的运营时段划分方法
CN109389240A (zh) * 2017-08-14 2019-02-26 南京理工大学 基于大数据机器学习的出行方式辨识方法
CN109409563A (zh) * 2018-09-07 2019-03-01 北明软件有限公司 一种公交运营车辆实时人数的分析方法、系统和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
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
CN101930670B (zh) * 2010-08-12 2012-08-15 东南大学 公交行驶路段社会车辆运行时间预测方法
CN110168559A (zh) * 2017-12-11 2019-08-23 北京嘀嘀无限科技发展有限公司 用于识别和定位车辆周围物体的系统和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9880557B1 (en) * 2013-07-24 2018-01-30 Waymo Llc Detecting and responding to tailgaters
CN105206040A (zh) * 2015-08-07 2015-12-30 北京航空航天大学 一种基于ic卡数据的公交串车预测方法
CN105427002A (zh) * 2015-12-29 2016-03-23 上海仪电物联技术股份有限公司 一种基于Logistic模型的客流预测方法
CN105930872A (zh) * 2016-04-28 2016-09-07 上海应用技术学院 一种基于类别相似的二叉树支持向量机的公交行驶状态分类方法
CN109389240A (zh) * 2017-08-14 2019-02-26 南京理工大学 基于大数据机器学习的出行方式辨识方法
CN108399468A (zh) * 2018-01-31 2018-08-14 华南理工大学 一种基于车时成本优化的运营时段划分方法
CN109409563A (zh) * 2018-09-07 2019-03-01 北明软件有限公司 一种公交运营车辆实时人数的分析方法、系统和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Goodness of fit tests for the;Hosmer, D. W. 等;《Comm. Stat.–Theory Methods》;19801231;正文全文 *
Probability-based bus headway;J. (J.) Lin 等;《IET Intell. Transp. Syst. 》;20090728;正文全文 *
公交线路车头时距特征分析及运行状态研究;张建 等;《交通运输系统工程与信息》;20151231;正文第4页-第5页 *
基于 GPS 数据的公交运行状态判别算法研究;袁腾飞 等;《道路交通与安全》;20150430;正文全文 *

Also Published As

Publication number Publication date
CN111341096A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111462488B (zh) 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法
CN112508392A (zh) 一种山区双车道公路隐患路段交通冲突风险动态评估方法
CN106919957B (zh) 处理数据的方法及装置
CN112101278A (zh) 基于k近邻特征提取和深度学习的宅基地点云分类方法
EP1191459A1 (en) Data clustering methods and applications
CN111341096B (zh) 一种基于gps数据的公交运行状态评估方法
CN112668172B (zh) 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型
CN107679734A (zh) 一种用于无标签数据分类预测的方法和系统
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
CN111179592B (zh) 基于时空数据流融合分析的城市交通预测方法和系统
CN112507624B (zh) 一种城际公路出行方式识别模型构建、识别方法及装置
CN112183605A (zh) 一种基于运行特征的民航管制扇区分类方法
CN112149922A (zh) 高速公路隧道下行线出入口区域事故严重程度预测方法
CN115311858A (zh) 基于交通流韧性的城市路段分级管制方法
CN113284369B (zh) 一种基于ads-b实测航路数据的预测方法
CN114565031A (zh) 基于经纬度的车队识别方法、装置及计算机设备
CN109447306B (zh) 基于最大似然回归树的地铁事故延误时间预测方法
CN110619422A (zh) 一种智能车站客流状况预测方法和系统
CN112232607B (zh) 一种地铁客流量预测方法及装置
CN112926809B (zh) 一种基于聚类和改进的xgboost的航班流量预测方法及系统
CN114419894A (zh) 一种路内停车泊位设置与使用监测的方法与系统
CN113569902A (zh) 一种基于李克特量表分析航空企业满意度评价质量的方法及系统
CN114066288A (zh) 一种基于智慧数据中心的营运道路应急检测方法及系统
CN110704789A (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
CN117575542B (zh) 一种基于模块化装配的建筑工程数据控制系统及方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210108

Address after: Block a, Rongjin Plaza, No.88 Qiliang Road, Danyang Development Zone, Zhenjiang City, Jiangsu Province

Patentee after: JIANGSU XINZHONG INTELLECTUAL PROPERTY OPERATION MANAGEMENT Co.,Ltd.

Address before: 710064 middle section, south two ring road, Shaanxi, Xi'an

Patentee before: CHANG'AN University

CP03 Change of name, title or address

Address after: 212300 block D2, science and Innovation Park, No. 19, Qiliang Road, Danyang Development Zone, Zhenjiang City, Jiangsu Province

Patentee after: Jiangsu Xinzhong Enterprise Management Co.,Ltd.

Address before: Block a, Rongjin Plaza, No.88 Qiliang Road, Danyang Development Zone, Zhenjiang City, Jiangsu Province

Patentee before: JIANGSU XINZHONG INTELLECTUAL PROPERTY OPERATION MANAGEMENT Co.,Ltd.

CP03 Change of name, title or address
TR01 Transfer of patent right

Effective date of registration: 20220601

Address after: 252000 shop 4, building 13, xingguangheyuan, GuangYue Road, Dongcheng Street, Liaocheng Economic and Technological Development Zone, Shandong Province

Patentee after: Liaocheng miyue Intelligent Technology Co.,Ltd.

Address before: 212300 block D2, science and Innovation Park, No. 19, Qiliang Road, Danyang Development Zone, Zhenjiang City, Jiangsu Province

Patentee before: Jiangsu Xinzhong Enterprise Management Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231103

Address after: 252000 Room 215, North building, Kechuang building, No. 16, Huanghe Road, Jiuzhou street, high tech Zone, Liaocheng City, Shandong Province

Patentee after: Shanggu Zhizao (Shandong) Intelligent Equipment Co.,Ltd.

Address before: 252000 shop 4, building 13, xingguangheyuan, GuangYue Road, Dongcheng Street, Liaocheng Economic and Technological Development Zone, Shandong Province

Patentee before: Liaocheng miyue Intelligent Technology Co.,Ltd.

TR01 Transfer of patent right