CN111554118B - 一种公交车到站时间的动态预测方法及系统 - Google Patents

Abstract

本发明涉及一种公交车到站时间的动态预测方法及系统。所述动态预测方法，包括：获取公交车的离散数据以及连续数据；利用嵌入层Embedding对所述离散数据进行特征提取，确定离散特征向量；利用深度神经网络DNN对所述连续数据进行特征提取，确定连续特征向量；对所述加权后的特征向量进行融合处理，确定融合后的特征向量；基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；根据所述融合后的特征向量建立公交车到站时间动态预测模型；根据所述公交车到站时间动态预测模型预测公交车的到站时间。采用本发明所提供的能够动态预测方法及系统提高公交车到站时间预测准确率。

Description

一种公交车到站时间的动态预测方法及系统

技术领域

本发明涉及公交车到站时间预测领域，特别是涉及一种公交车到站时间的动态预测方法及系统。

背景技术

行程时间数据是衡量运输系统性能的重要因素。就时间和空间而言，公共交通工具的旅行时间是动态的。然而，海量交通数据与其浅层特征之间的矛盾，以及全连接和丰富特征之间的矛盾使得难以从具有丰富特征的数据集中获得代表性特征。由于潜在的交通状态和交通事件属于隐藏模式，因此进行时间预测是智能交通系统(ITS)中一个具有挑战性的问题，开发能够充分反映公共交通出行时间特征的深层结构尤为重要。

发明内容

本发明的目的是提供一种公交车到站时间的动态预测方法及系统，以解决现有的公交车到站的时间预测方法预测的到站时间精准度低的问题。

为实现上述目的，本发明提供了如下方案：

一种公交车到站时间的动态预测方法，所述动态预测方法应用于一种公交车到站时间的动态预测系统，所述动态预测系统包括多源异构时空数据、特征提取框架以及行程时间预测架构；所述多源异构时空数据包括离散数据以及连续数据获取模块；所述特征提取框架包括Wide&Deep模块以及Attention模块；所述Wide&Deep模块包括Embedding模块以及连续数据特征提取模块；所述Attention模块包括注意力特征加权模块；所述行程时间预测架构包括特征融合模块；

所述动态预测方法包括：

获取公交车的离散数据以及连续数据；所述离散数据包括站点编号、一周内的任一天以及一天内的任一小时；所述连续数据包括30分钟内公交车的平均停留时间、上周30分钟内公交车平均停留时间、上周同一天30分钟内公共汽车平均停留时间、30分钟内公共汽车平均行程时间、上周30分钟内的公交车平均行程时间、上周同一天30分钟内公交车平均行程时间、出租车在5分钟内的平均速度、上周5分钟内出租车的平均速度、上周同日5分钟内出租车平均速度、公交专用道上公交车的实时速度以及站点之间的距离除以公交车的实时速度获得的行程时间；

利用嵌入层Embedding对所述离散数据进行特征提取，确定离散特征向量；

利用深度神经网络DNN对所述连续数据进行特征提取，确定连续特征向量；

基于wide&deep机制，将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；

基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；

对所述加权后的特征向量进行融合处理，确定融合后的特征向量；

根据所述融合后的特征向量建立公交车到站时间动态预测模型；

根据所述公交车到站时间动态预测模型预测公交车的到站时间。

可选的，所述基于wide&deep机制，将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集，具体包括：

利用公式

将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；其中，feature_t为新的特征向量集；feature_d为离散特征向量；feature_c为连续特征向量。

可选的，所述基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量，具体包括：

利用

利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；其中，attn_feature_t为加权后的特征向量；σ为激活函数；b为RNN中的偏置；W^T为循环神经网络RNN学习参数；h_t为循环神经网络RNN中t时刻的隐层状态；f_t为t时刻融合后的特征向量feature_t。

可选的，所述根据所述融合后的特征向量建立公交车到站时间动态预测模型，具体包括：

利用

建立公交车到站时间动态预测模型；其中，

为公交车到站时间动态预测模型；W_m为深度神经网络DNN学习参数；output_t为t时刻RNN输出的特征向量；b_m为DNN中的偏置。

可选的，所述根据所述公交车到站时间动态预测模型预测公交车的到站时间之后，还包括：

利用损失函数优化所述公交车到站时间动态预测模型。

一种公交车到站时间的动态预测系统，包括：多源异构时空数据、特征提取框架以及行程时间预测架构；

所述多源异构时空数据包括离散数据以及连续数据获取模块；所述离散数据以及连续数据获取模块用于获取公交车的离散数据以及连续数据；所述离散数据包括站点编号、一周内的任一天以及一天内的任一小时；所述连续数据包括30分钟内公交车的平均停留时间、上周30分钟内公交车平均停留时间、上周同一天30分钟内公共汽车平均停留时间、30分钟内公共汽车平均行程时间、上周30分钟内的公交车平均行程时间、上周同一天30分钟内公交车平均行程时间、出租车在5分钟内的平均速度、上周5分钟内出租车的平均速度、上周同日5分钟内出租车平均速度、公交专用道上公交车的实时速度以及站点之间的距离除以公交车的实时速度获得的行程时间；

所述特征提取框架包括Wide&Deep模块以及Attention模块；所述Wide&Deep模块包括Embedding模块以及连续数据特征提取模块；所述Embedding模块用于利用嵌入层Embedding对所述离散数据进行特征提取，确定离散特征向量；所述连续数据特征提取模块用于利用深度神经网络DNN对所述连续数据进行特征提取，确定连续特征向量；

特征拼接模块，用于基于wide&deep机制，将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；

所述Attention模块包括注意力特征加权模块，所述注意力特征加权模块，用于基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；

所述行程时间预测架构包括特征融合模块，所述特征融合模块用于对所述加权后的特征向量进行融合处理，确定融合后的特征向量；

公交车到站时间动态预测模型建立模块，用于根据所述融合后的特征向量建立公交车到站时间动态预测模型；

预测模块，用于根据所述公交车到站时间动态预测模型预测公交车的到站时间。

可选的，所述特征拼接模块具体包括：

特征拼接单元，用于利用公式

将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；其中，feature_t为新的特征向量集；feature_d为离散特征向量；feature_c为连续特征向量。

可选的，所述注意力特征加权模块具体包括：

特征加权单元，用于利用

利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；其中，attn_feature_t为加权后的特征向量；σ为激活函数；b为RNN中的偏置；W^T为循环神经网络RNN学习参数；h_t为循环神经网络RNN中t时刻的隐层状态；f_t为t时刻融合后的特征向量feature_t。

可选的，所述公交车到站时间动态预测模型建立模块具体包括：

公交车到站时间动态预测模型建立单元，

用于利用

建立公交车到站时间动态预测模型；其中，

为公交车到站时间动态预测模型；W_m为深度神经网络DNN学习参数；output_t为t时刻RNN输出的特征向量；b_m为DNN中的偏置。

可选的，还包括：

优化模块，用于利用损失函数优化所述公交车到站时间动态预测模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种公交车到站时间的动态预测方法及系统，通过利用多个连续数据以及离散数据构建公交车到站时间动态预测模型，其中，将公交车的实时速度信息添加到公交车到站时间动态预测模型中，不完全依赖于历史到站时间，利用公交车到站时间动态预测模型，根据公交车的实时信息对公交车到站时间进行实时调整，从而提高了公交车到站时间的预测准确率，便于公交管理中的公交调度和候车人员合理安排候车时间。

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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的公交车到站时间的动态预测方法流程图；

图2为本发明所提供的公交车到站时间动态预测模型构建框图；

图3为本发明所提供的注意力特征加权模块示意图；

图4为本发明所提供的公交车到站时间的动态预测系统结构图；

图5为本发明所提供的具有公交停车时间，行驶时间，公交车速度和出租车速度的公交车行驶时间预测的示意图；

图6为本发明所提供的Embedding模块示意图；

图7为本发明所提供的Attention模块示意图。

具体实施方式

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，所描述的实施例仅仅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做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。

本发明的目的是提供一种公交车到站时间的动态预测方法及系统，能够提高公交车到站时间预测准确率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的公交车到站时间的动态预测方法流程图，如图1所示，一种公交车到站时间的动态预测方法，所述动态预测方法应用于一种公交车到站时间的动态预测系统，所述动态预测系统包括多源异构时空数据、特征提取框架以及行程时间预测架构；所述多源异构时空数据包括离散数据以及连续数据获取模块；所述特征提取框架包括所述Wide&Deep模块包括Embedding模块以及连续数据特征提取模块；Wide&Deep模块以及Attention模块；所述Attention模块包括注意力特征加权模块；所述行程时间预测架构包括特征融合模块；

所述动态预测方法包括：

一条线路会有T个站点，下面以其中一个时刻t为例，如图2所示。

步骤101：获取公交车的离散数据以及连续数据；所述离散数据包括站点编号、一周内的任一天以及一天内的任一小时；所述连续数据包括30分钟内公交车的平均停留时间、上周30分钟内公交车平均停留时间、上周同一天30分钟内公共汽车平均停留时间、30分钟内公共汽车平均行程时间、上周30分钟内的公交车平均行程时间、上周同一天30分钟内公交车平均行程时间、出租车在5分钟内的平均速度、上周5分钟内出租车的平均速度、上周同日5分钟内出租车平均速度、公交专用道上公交车的实时速度以及站点之间的距离除以公交车的实时速度获得的行程时间；表1为本发明所提供的14个特征表，如表1所示。

表1

步骤102：利用嵌入层Embedding对所述离散数据进行特征提取，确定离散特征向量。

对离散数据使用Embedding网络提取特征；最后每个离散数据，可以转化成一个向量：

feature_d＝embedding(d)

步骤103：利用深度神经网络(Deep Neural Networks，DNN)对所述连续数据进行特征提取，确定连续特征向量。

将连续数据组合成一个向量，即data_c；使用深度神经网络进行特征提取，得到一个向量：

feature_c＝dnn(data_c)

步骤104：基于wide&deep机制，将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；

所述步骤104具体包括：利用公式

将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；其中，feature_t为新的特征向量集；feature_d为离散特征向量；feature_c为连续特征向量。

对离散特征feature_d以及连续特征feature_c进行特征拼接。

举例来说：

feature_d＝[1，2，3，4]

feature_c＝[5，6，7，8]

feature_t＝[1,2,3,4,5,6,7,8]

步骤105：基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量。

如图3所示，在将注意力机制应用到模型之后，每个状态加权后的特征向量可以表示为：

其中，f_t为t时刻中特征feature_t，W^T为循环神经网络RNN学习参数；h_t为循环神经网络(Recurrent Neural Network，RNN)中的t时刻的隐层状态。

以长短期记忆网络(Long Short-Term Memory，LSTM)单元为例用feature_t表示特征提取阶段融合的特征，h_t的计算方法为：

forgot_t＝σ_g(W_f*feature_t+U_f*h_t-1+b_f)

input_t＝σ_g(W_i*feature_t+U_ih_t-1+b_i)

output_t＝σ_g(W_o*feature_t+U_oh_t-1+b_o)

h_t＝output_t*tanh(C_t)

其中，forgot_t为遗忘门；σ_g为；U_f、U_i、U_o、U_c为权重；h_t-1为t-1时刻的隐层状态；C_t为t时刻的输出门；C_t-1为t-1时刻的输出门；所有的W_f、W_i、W_o、W_c为模型学习参数，b_f、b_i、b_o、b_c为偏置；W和b的下角标的不同仅表示在不同的层或者不同的模型的学习参数。

为按位加权，举例来说：

v₁＝[1，2，3，4]

v₂＝[5，6，7，8]

att_v＝[5，12，21，32]

步骤106：对所述加权后的特征向量进行融合处理，确定融合后的特征向量。

步骤107：根据所述融合后的特征向量建立公交车到站时间动态预测模型。

在对公交车行程时间预测的问题上，通过上述步骤101-105的特征提取以及注意力加权，此时公交车每个运行状态已经形成了一系列特征表示，将特征进行拼接，最后使用多隐层的DNN网络对运行时间进行预测。

利用预测结果与真实结果的均方差MSE作为损失函数训练模型。

loss_t为损失函数；target_t为t时刻到站的真实值。

步骤108：根据所述公交车到站时间动态预测模型预测公交车的到站时间。

首先，引入了不同历史阶段的公交车行程时间和出租车速度，反应空间特征的站点ID和实时可能到达的时间，一共14时空特征值。

然后，提出一种利用宽而深(wide&deep模块)的结构来解决空间数据的嵌入网络，为了满足时间依赖性，为RNN设计了一种捕获时间信息的注意力机制；利用注意力模型对历史数据和实时速度数据进行加权和编码，得到不同时空数据对动态出行时间预测的影响，然后关注不同状态下的不同特征，从而形成特征提取框架。

最后，使用DNN将提出的方法融合在一起，以进行动态公交车出行时间预测，并测试广州和深圳主要道路上的公交线路。

本发明在预测公交出行时间的基础上，提出了一种基于嵌入Embedding，广度和深度模型和注意力机制的新的异质特征提取框架，以深入了解公交车的时空特征和内在联系。与公交车旅行时间相关的特征，并将其可视化；引入了14种历史时空特征，包括作为特殊特征的站点ID，不同历史级别的公交停留时间，实时GPS公交车速以及基于实时公交车速作为时空特征获得的实时可能行程时间等等，这些在以前的研究中并未一起进行分析。最后，通过采用RNN和DNNS的多重叠加来减少残差，实现了异构数据融合和实时动态公交车出行时间的预测，提供了一种用于实时动态公共汽车行驶时间预测的新颖系统。

为了验证模型的稳定性和泛化能力，分别对广州226公交和深圳113公交的数据集进行了测试，这些数据沿着大城市中心的主要道路行驶，两项实验均取得了良好的结果。图5为本发明所提供的具有公交停车时间，行驶时间，公交车速度和出租车速度的公交车行驶时间预测的示意图，如图5所示。

图4为本发明所提供的公交车到站时间的动态预测系统结构图，如图4所示，一种公交车到站时间的动态预测系统，包括：

离散数据以及连续数据获取模块401，用于获取公交车的离散数据以及连续数据；所述离散数据包括站点编号、历史到站时间以及离散间隔时间；所述连续数据包括实时速度、历史运行时间以及停留时间。

如图6所示，Embedding模块402，用于利用嵌入层Embedding对所述离散数据进行特征提取，确定离散特征向量。

连续数据特征提取模块403，用于利用深度神经网络DNN对所述连续数据进行特征提取，确定连续特征向量。

特征拼接模块404，用于基于wide&deep机制，将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；

所述特征拼接模块404具体包括：特征拼接单元，用于利用公式

将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；其中，feature_t为新的特征向量集；feature_d为离散特征向量；feature_c为连续特征向量。

如图7所示，注意力特征加权模块405，用于基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量。

所述注意力特征加权模块405具体包括：

特征加权单元，用于利用

利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；其中，attn_feature_t为加权后的特征向量；σ为激活函数；b为RNN中的偏置；W^T为循环神经网络RNN学习参数；h_t为循环神经网络RNN中t时刻的隐层状态；f_t为t时刻融合后的特征向量feature_t。

特征融合模块406，用于对所述加权后的特征向量进行融合处理，确定融合后的特征向量。

公交车到站时间动态预测模型建立模块407，用于根据所述融合后的特征向量建立公交车到站时间动态预测模型。

所述公交车到站时间动态预测模型建立模块407具体包括：

公交车到站时间动态预测模型建立单元，用于利用

建立公交车到站时间动态预测模型；其中，

为公交车到站时间动态预测模型；W_m为深度神经网络DNN学习参数；output_t为t时刻RNN输出的特征向量；b_m为DNN中的偏置。

预测模块408，用于根据所述公交车到站时间动态预测模型预测公交车的到站时间。

本发明还包括：优化模块，用于利用损失函数优化所述公交车到站时间动态预测模型。

本发明在广州226路公交28个站点和深圳113路公交23个站点的运行路线上进行实验，实验研究发现，基于本发明所提出的公交车到站时间动态预测模型，使用广州226路公交历史数据的情况下，绝对百分比误差是8.43％，使用深圳113路公交历史数据的情况下平均绝对误差为7.9％；将公交实时速度数据的纳入到模型当中可以将平均绝对误差降低到3.3％。引入注意力机制后，误差得到进一步下降。说明此公交车到站时间动态预测模型拥有良好的预测精度和泛化能力，通过引入实时速度数据为公交车的动态行程时间预测提供了广阔的应用前景。

结果表明，该算法的性能比传统的机器学习模型要好得多，比应用初始特征空间的深度神经网络要好4分钟，并且泛化性能很稳定。并且，将在特定运行状态下巴士的行驶时间特征的注意力权重可视化，它演示了所提出的模型如何理解公交行程时间预测中的时空特征数据。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种公交车到站时间的动态预测方法，其特征在于，所述动态预测方法应用于一种公交车到站时间的动态预测系统，所述动态预测系统包括多源异构时空数据、特征提取框架以及行程时间预测架构；所述多源异构时空数据包括离散数据以及连续数据获取模块；所述特征提取框架包括Wide&Deep模块以及Attention模块；所述Wide&Deep模块包括Embedding模块以及连续数据特征提取模块；所述Attention模块包括注意力特征加权模块；所述行程时间预测架构包括特征融合模块；

所述动态预测方法包括：

获取公交车的离散数据以及连续数据；所述离散数据包括站点编号、一周内的任一天以及一天内的任一小时；所述连续数据包括30分钟内公交车的平均停留时间、上周30分钟内公交车平均停留时间、上周同一天30分钟内公交车平均停留时间、30分钟内公交车平均行程时间、上周30分钟内的公交车平均行程时间、上周同一天30分钟内公交车平均行程时间、公交专用道上公交车的实时速度以及站点之间的距离除以公交车的实时速度获得的行程时间；并引入出租车在5分钟内的平均速度、上周5分钟内出租车的平均速度和上周同日5分钟内出租车平均速度；

利用嵌入层Embedding对所述离散数据进行特征提取，确定离散特征向量；

利用深度神经网络DNN对所述连续数据进行特征提取，确定连续特征向量；

基于wide&deep机制，将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；具体包括：利用公式

将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；其中，feature _t 为新的特征向量集；

为离散特征向量；

为连续特征向量；

基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；

对所述加权后的特征向量进行融合处理，确定融合后的特征向量；

根据所述融合后的特征向量建立公交车到站时间动态预测模型；将公交车的实时速度信息添加到公交车到站时间动态预测模型中，利用公交车到站时间动态预测模型，根据公交车的实时信息对公交车到站时间进行实时调整；

根据所述公交车到站时间动态预测模型预测公交车的到站时间。

2.根据权利要求1所述的公交车到站时间的动态预测方法，其特征在于，所述基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量，具体包括：

利用

利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；其中，attn_feature_t为加权后的特征向量；

为激活函数；b为RNN中的偏置；

为循环神经网络RNN学习参数；

为循环神经网络RNN中t时刻的隐层状态；

为t时刻新的特征向量集

_t 。

3.根据权利要求2所述的公交车到站时间的动态预测方法，其特征在于，所述根据所述融合后的特征向量建立公交车到站时间动态预测模型，具体包括：

利用

建立公交车到站时间动态预测模型；其中，

为公交车到站时间动态预测模型；W _m 为深度神经网络DNN学习参数；output _t 为t时刻RNN输出的特征向量；b _m 为DNN中的偏置。

4.根据权利要求3所述的公交车到站时间的动态预测方法，其特征在于，所述根据所述公交车到站时间动态预测模型预测公交车的到站时间之后，还包括：

利用损失函数优化所述公交车到站时间动态预测模型。

5.一种公交车到站时间的动态预测系统，其特征在于，包括：多源异构时空数据、特征提取框架以及行程时间预测架构；

所述多源异构时空数据包括离散数据以及连续数据获取模块；所述离散数据以及连续数据获取模块用于获取公交车的离散数据以及连续数据；所述离散数据包括站点编号、一周内的任一天以及一天内的任一小时；所述连续数据包括30分钟内公交车的平均停留时间、上周30分钟内公交车平均停留时间、上周同一天30分钟内公交车平均停留时间、30分钟内公交车平均行程时间、上周30分钟内的公交车平均行程时间、上周同一天30分钟内公交车平均行程时间、公交专用道上公交车的实时速度以及站点之间的距离除以公交车的实时速度获得的行程时间；并引入出租车在5分钟内的平均速度、上周5分钟内出租车的平均速度和上周同日5分钟内出租车平均速度；

所述特征提取框架包括Wide&Deep模块以及Attention模块；所述Wide&Deep模块包括Embedding模块以及连续数据特征提取模块；所述Embedding模块用于利用嵌入层Embedding对所述离散数据进行特征提取，确定离散特征向量；所述连续数据特征提取模块用于利用深度神经网络DNN对所述连续数据进行特征提取，确定连续特征向量；

特征拼接模块，用于基于wide&deep机制，将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；所述特征拼接模块具体包括：特征拼接单元，用于利用公式

将所述离散特征向量和所述连续特征向量进行拼接，形成新的特征向量集；其中，feature _t 为新的特征向量集；

为离散特征向量；

为连续特征向量；

所述Attention模块包括注意力特征加权模块，所述注意力特征加权模块，用于基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；

所述行程时间预测架构包括特征融合模块，所述特征融合模块用于对所述加权后的特征向量进行融合处理，确定融合后的特征向量；

公交车到站时间动态预测模型建立模块，用于根据所述融合后的特征向量建立公交车到站时间动态预测模型；将公交车的实时速度信息添加到公交车到站时间动态预测模型中，利用公交车到站时间动态预测模型，根据公交车的实时信息对公交车到站时间进行实时调整；

预测模块，用于根据所述公交车到站时间动态预测模型预测公交车的到站时间。

6.根据权利要求5所述的公交车到站时间的动态预测系统，其特征在于，所述注意力特征加权模块具体包括：

特征加权单元，用于利用

利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向量；其中，attn_feature_t为加权后的特征向量；

为激活函数；b为RNN中的偏置；

为循环神经网络RNN学习参数；

为循环神经网络RNN中t时刻的隐层状态；

为t时刻新的特征向量集

_t 。

7.根据权利要求6所述的公交车到站时间的动态预测系统，其特征在于，所述公交车到站时间动态预测模型建立模块具体包括：

公交车到站时间动态预测模型建立单元，

用于利用

建立公交车到站时间动态预测模型；其中，

为公交车到站时间动态预测模型；W _m 为深度神经网络DNN学习参数；output _t 为t时刻RNN输出的特征向量；b _m 为DNN中的偏置。

8.根据权利要求7所述的公交车到站时间的动态预测系统，其特征在于，还包括：

优化模块，用于利用损失函数优化所述公交车到站时间动态预测模型。

Images