CN111681410A - 一种基于深度学习的公交车辆在线路站点停靠时间的预测方法 - Google Patents

Abstract

本发明提供一种基于深度学习的公交车辆在线路站点停靠时间的预测方法。包括：收集待预测公交线路的路网信息、GPS信息、乘车信息与行驶信息；对收集到的信息进行预处理操作，得到预测集；将得到的预测集输入到预测网络模型，得到公交车停靠时间预测值。本发明融合了长短时网络与图卷积网络，长短时网络对交通数据的时间序列的挖掘较为充分，图卷积网络则能有效地提取各个停靠站点间的空间关系。混合部分将三部分数据进行加权融合，能够较好地发掘数据的时间周期性特征。本发明结合图卷积网络与长短时网络，能够更好的挖掘交通数据的时间特征与空间特征，预测更加准确的公交停靠时间。

Description

一种基于深度学习的公交车辆在线路站点停靠时间的预测 方法

技术领域

本发明涉及公交车辆在线路站点停靠时间的预测技术领域，具体而言，尤其涉及一种基于深度学习的公交车辆在线路站点停靠时间的预测方法。

背景技术

近年来，我国经济高速发展，城市化进程也在不断加快。作为经济发展的重要支撑，交通运输业正经历着重重考验，如交通拥堵、交通事故与交通排放等。城市公共交通具有高效与节能的突出特点，在有效缓解交通问题的同时，也仍然存在不少缺点，其中公交运行效率亟待提高。公交停靠站作为公交线路的节点，广泛地分布在城市道路的各处，是乘客上下车与换乘的地点。公交车在站点的停靠时间占车辆运行时间的很大部分，所以公交站点停靠时间的预测对提升公交运行效率起着积极作用。

现有的技术大多将停靠时间作为运行时间的一部分进行预测，没有将停靠时间独立出来的预测技术。目前大多数的预测方法对停靠站延误的因果分析较为充分，但对数据的分析还不够详尽，没能挖掘出足够的数据间的关系。深度学习以其强大的学习能力，能够更加有效地提取特征、对时间做出更准确的预测。

发明内容

根据上述提出的技术问题，而提供一种基于深度学习的公交车辆在线路站点停靠时间的预测方法。本发明考虑到交通数据的时间性与空间性特征，本发明将长短时网络与图卷积网络融合，设计出一种新的预测网络模型。

本发明采用的技术手段如下：

一种基于深度学习的公交车辆在线路站点停靠时间的预测方法，包括如下步骤：

S1、收集待预测公交线路的路网信息、GPS信息、乘车信息与行驶信息；

S2、对上述收集到的信息进行预处理操作，得到预测集；

S3、将步骤S2中得到的预测集输入到预测网络模型，得到公交车停靠时间预测值。

进一步地，所述步骤S1中收集的信息具体为：

所述待预测公交线路的路网信息，包括路网图、公交线路站点间的道路形态(站点间交通信号灯个数)、站点间行程；

所述待预测公交线路的乘车信息，包括在各站点刷卡上车的人数；

所述待预测公交线路的行驶信息，包括在每一个班次内，车辆在各站点的停靠时间。

进一步地，所述步骤S1收集信息的时间跨度为待预测时间段前三个月。

进一步地，所述步骤S2中的预处理操作过程如下：

S21、根据站点间交通信号灯的个数，将道路形态划分为三类，具体的，将各路段的交通信号灯个数从小到大进行排列，形成个数序列，将序列的前30％的路段定义为A类道路形态，将序列中间的40％的路段定义为B类道路形态，将序列尾部的30％的路段定义为C类道路形态；

S22、将各路段的行程从大到小进行排列，形成行程序列，将序列的前30％的路段定义为A类行程，将序列中间的40％的路段定义为B类行程，将序列尾部的30％的路段定义为C类行程；

S23、将刷卡上车人数采用如下公式进行归一化处理为[0,1]上的数据：

其中，α为归一化后的数据，x为原始数据，x_min为原始数据中的最小值，x_max为原始数据中的最大值；

S24、生成图结构数据，每一个班次分别生成原始图、道路形态图与路段行程图，具体如下：

原始图表示为

其中，b表示第b次班车，t表示为预测时间前t天，V表示原始图上节点集合，E表示原始图上连边集合，A表示邻接矩阵；

道路形态图表示为G2_k(V,E,A_r)；其中，k表示第k幅道路形态图，k∈{1,2,3,4,5,6,7,8}；V表示图上节点集合；E表示图上连边集合；A_r表示邻接矩阵；

路段行程图表示为G3_k(V,E,A_l)；其中，k表示第k幅路段行程图，k∈{1,2,3,4,5,6,7,8}；V表示图上节点集合；E表示图上连边集合；A_l表示邻接矩阵；

S25、得到预测集，预测集由月预测集、周预测集与临近预测集构成，具体如下：

X_m＝{X_m,1,X_m,2,X_m,3}

X_m,2＝{G2₁,G2₂,G2₃,…,G2₇,G2₈}

X_m,3＝{G3₁,G3₂,G3₃,…,G3₇,G3₈}

其中，X_m表示月预测集，X_m,1表示待预测班次i前一个月内的原始图集合，X_m,₂表示道路形态图集合，X_m,3表示路段行程图集合；

X_w＝{X_w,1,X_w,2,X_w,3}

X_w,2＝{G2₁,G2₂,G2₃,G2₄}

X_w,3＝{G3₁,G3₂,G3₃,G3₄}

其中，X_w表示周预测集，X_w,1表示待预测班次i前一个星体内的原始图集合，X_w,₂表示道路形态图集合，X_w,3表示路段行程图集合；

X_r＝{X_r,1,X_r,2,X_r,3}

X_r,2＝{G2₁,G2₂}

X_r,3＝{G3₁,G3₂}

其中，X_r表示临近预测集，X_r,1表示待预测班次i前三天内的原始图集合，X_r,2表示道路形态图集合，X_r,3表示路段行程图集合。

进一步地，所述步骤S24具体为：

所述原始图上的节点即为公交线路停靠站，原始图节点间连接关系与现实路网图相同；节点的特征向量为(节点对应停靠站上车刷卡人数，节点对应停靠站停靠时间)^T；邻接矩阵A由节点间连接关系确定；

所述道路形态图上的节点对应为公交线路停靠站点，节点的特征向量为(1,1)^T；A_r邻接矩阵的元素值由下列公式确定：

其中，A_r,ij表示邻接矩阵上第i行第j列的元素值，M_ij表示站点i与站点j之间的道路形态类别；

所述路段行程图上的节点对应为公交线路停靠站点，节点的特征向量为(1,1)^T；A_l邻接矩阵的元素值由下列公式确定：

其中，A_l,ij表示邻接矩阵上第i行第j列的元素值，N_ij表示站点i与站点j之间的行程类别。

进一步地，所述步骤S3中的预测网络模型包括头部长短时网络部分、图卷积网络部分、尾部长短时网络部分与混合部分，具体如下：

所述头部长短时网络部分，由月处理单元、周处理单元与日处理单元组成；其中，

月处理单元：输入为X_m,1，长短时神经细胞个数为(30×原始图节点个数)，输入长度为(30×原始图节点个数)；

周处理单元：输入为X_w,1，长短时神经细胞个数为(7×原始图节点个数)，输入长度为(7×原始图节点个数)；

日处理单元：输入为X_r,1，长短时神经细胞个数为(3×原始图节点个数)，输入长度为(3×原始图节点个数)；

所述图卷积网络部分也由上述月处理单元、周处理单元与日处理单元组成；在每一个处理单元中，道路形态图与路段行程图首先根据头部长短时网络的输出结果进行更新，度矩阵更新公式为：

其中，

为更新后道路形态图的度矩阵，D2_k为更新前的道路形态图的度矩阵，Y_k为头部长短时网络部分对应的第k个输出矩阵；每个处理单元对更新后的道路形态图与路段行程图分别进行图卷积；

所述尾部长短时网络部分由上述月处理单元、周处理单元与日处理单元组成；

所述混合部分将尾部长短时网络三个处理单元的输出进行加权平均，公式如下：

T_i＝0.2t_m,i+0.5t_w,i+0.3t_r,i

其中，T_i表示第i个站点的预测停靠时间，t_m,i为尾部长短时网络月处理单元对应第i个站点的输出，t_w,i为尾部长短时网络周处理单元对应第i个站点的输出，t_r,i为尾部长短时网络日处理单元对应第i个站点的输出。

较现有技术相比，本发明具有以下优点：

本发明提供的基于深度学习的公交车辆在线路站点停靠时间的预测方法，融合了长短时网络与图卷积网络，长短时网络对交通数据的时间序列的挖掘较为充分，图卷积网络则能有效地提取各个停靠站点间的空间关系。混合部分将三部分数据进行加权融合，能够较好地发掘数据的时间周期性特征。

基于上述理由本发明可在公交车辆在线路站点停靠时间的预测等领域广泛推广。

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，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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为本发明方法流程图。

图2为本发明预测网络模型框架图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明提供了一种基于深度学习的公交车辆在线路站点停靠时间的预测方法，包括如下步骤：

S1、收集待预测公交线路的路网信息、GPS信息、乘车信息与行驶信息；

步骤S1中收集的信息具体为：

所述待预测公交线路的路网信息，包括路网图、公交线路站点间的道路形态(站点间交通信号灯个数)、站点间行程；

所述待预测公交线路的乘车信息，包括在各站点刷卡上车的人数；

所述待预测公交线路的行驶信息，包括在每一个班次内，车辆在各站点的停靠时间。

S2、对上述收集到的信息进行预处理操作，得到预测集；步骤S2中的预处理操作过程如下：

S21、根据站点间交通信号灯的个数，将道路形态划分为三类，具体的，将各路段的交通信号灯个数从小到大进行排列，形成个数序列，将序列的前30％的路段定义为A类道路形态，将序列中间的40％的路段定义为B类道路形态，将序列尾部的30％的路段定义为C类道路形态；

S22、将各路段的行程从大到小进行排列，形成行程序列，将序列的前30％的路段定义为A类行程，将序列中间的40％的路段定义为B类行程，将序列尾部的30％的路段定义为C类行程；

S23、将刷卡上车人数采用如下公式进行归一化处理为[0,1]上的数据：

其中，α为归一化后的数据，x为原始数据，x_min为原始数据中的最小值，x_max为原始数据中的最大值；

S24、生成图结构数据，每一个班次分别生成原始图、道路形态图与路段行程图，具体如下：

原始图表示为

其中，b表示第b次班车，t表示为预测时间前t天，V表示原始图上节点集合，E表示原始图上连边集合，A表示邻接矩阵；所述原始图上的节点即为公交线路停靠站，原始图节点间连接关系与现实路网图相同；节点的特征向量为(节点对应停靠站上车刷卡人数，节点对应停靠站停靠时间)^T；邻接矩阵A由节点间连接关系确定；

道路形态图表示为G2_k(V,E,A_r)；其中，k表示第k幅道路形态图，k∈{1,2,3,4,5,6,7,8}；V表示图上节点集合；E表示图上连边集合；A_r表示邻接矩阵；所述道路形态图上的节点对应为公交线路停靠站点，节点的特征向量为(1,1)^T；A_r邻接矩阵的元素值由下列公式确定：

其中，A_r,ij表示邻接矩阵上第i行第j列的元素值，M_ij表示站点i与站点j之间的道路形态类别；

路段行程图表示为G3_k(V,E,A_l)；其中，k表示第k幅路段行程图，k∈{1,2,3,4,5,6,7,8}；V表示图上节点集合；E表示图上连边集合；A_l表示邻接矩阵；所述路段行程图上的节点对应为公交线路停靠站点，节点的特征向量为(1,1)^T；A_l邻接矩阵的元素值由下列公式确定：

其中，A_l,ij表示邻接矩阵上第i行第j列的元素值，N_ij表示站点i与站点j之间的行程类别。

S25、得到预测集，预测集由月预测集、周预测集与临近预测集构成，具体如下：

X_m＝{X_m,1,X_m,2,X_m,3}

X_m,2＝{G2₁,G2₂,G2₃,…,G2₇,G2₈}

X_m,3＝{G3₁,G3₂,G3₃,…,G3₇,G3₈}

其中，X_m表示月预测集，X_m,1表示待预测班次i前一个月内的原始图集合，X_m,2表示道路形态图集合，X_m,3表示路段行程图集合；

X_w＝{X_w,1,X_w,2,X_w,3}

X_w,2＝{G2₁,G2₂,G2₃,G2₄}

X_w,3＝{G3₁,G3₂,G3₃,G3₄}

其中，X_w表示周预测集，X_w,1表示待预测班次i前一个星体内的原始图集合，X_w,2表示道路形态图集合，X_w,3表示路段行程图集合；

X_r＝{X_r,1,X_r,2,X_r,3}

X_r,2＝{G2₁,G2₂}

X_r,3＝{G3₁,G3₂}

其中，X_r表示临近预测集，X_r,1表示待预测班次i前三天内的原始图集合，X_r,2表示道路形态图集合，X_r,3表示路段行程图集合。

S3、将步骤S2中得到的预测集输入到预测网络模型，得到公交车停靠时间预测值。步骤S3中的预测网络模型包括头部长短时网络部分、图卷积网络部分、尾部长短时网络部分与混合部分，具体如下：

所述头部长短时网络部分，由月处理单元、周处理单元与日处理单元组成；其中，

月处理单元：输入为X_m,1，长短时神经细胞个数为(30×原始图节点个数)，输入长度为(30×原始图节点个数)；

周处理单元：输入为X_w,1，长短时神经细胞个数为(7×原始图节点个数)，输入长度为(7×原始图节点个数)；

日处理单元：输入为X_r,1，长短时神经细胞个数为(3×原始图节点个数)，输入长度为(3×原始图节点个数)；

所述图卷积网络部分也由上述月处理单元、周处理单元与日处理单元组成；在每一个处理单元中，道路形态图与路段行程图首先根据头部长短时网络的输出结果进行更新，度矩阵更新公式为：

其中，

为更新后道路形态图的度矩阵，D2_k为更新前的道路形态图的度矩阵，Y_k为头部长短时网络部分对应的第k个输出矩阵；每个处理单元对更新后的道路形态图与路段行程图分别进行图卷积；

所述尾部长短时网络部分由上述月处理单元、周处理单元与日处理单元组成；

所述混合部分将尾部长短时网络三个处理单元的输出进行加权平均，公式如下：

T_i＝0.2t_m,i+0.5t_w,i+0.3t_r,i

其中，T_i表示第i个站点的预测停靠时间，t_m,i为尾部长短时网络月处理单元对应第i个站点的输出，t_w,i为尾部长短时网络周处理单元对应第i个站点的输出，t_r,i为尾部长短时网络日处理单元对应第i个站点的输出。

实施例

下面结合附图与实施例对本发明做进一步说明，假设需要预测2019年7月1日A市公交线路甲的第2班次在各站点的停靠时间。

步骤S1、收集公交线路甲的路线图，重点获取线路甲各站点间交通信号灯个数与各站点间行程；收集2019年4月、5月与6月线路甲的乘车信息与行驶信息。

步骤S2：对收集到的信息进行数据预处理，得到预测集：

X_m＝{X_m,1,X_m,2,X_m,3}

X_m,2＝{G2₁,G2₂,G2₃,…,G2₇,G2₈}

X_m,3＝{G3₁,G3₂,G3₃,…,G3₇,G3₈}

X_w＝{X_w,1,X_w,2,X_w,3}

X_w,2＝{G2₁,G2₂,G2₃,G2₄}

X_w,3＝{G3₁,G3₂,G3₃,G3₄}

X_r＝{X_r,1,X_r,2,X_r,3}

X_r,2＝{G2₁,G2₂}

X_r,3＝{G3₁,G3₂}

步骤S3：将预测集输入到预测网络模型中。

预测集首先进入头部长短时网络部分。月处理单元：输入为X_m,1，长短时神经细胞个数为(30×原始图节点个数)，输入长度为(30×原始图节点个数)；周处理单元：输入为X_w,1，长短时神经细胞个数为(7×原始图节点个数)，输入长度为(7×原始图节点个数)；日处理单元：输入为X_r,1，长短时神经细胞个数为(3×原始图节点个数)，输入长度为(3×原始图节点个数)；

头部长短时网络部分的输出进入图卷积网络部分。道路形态图与路段行程进行更新，度矩阵更新公式为：

其中，

为更新后道路形态图的度矩阵，D2_k为更新前的道路形态图的度矩阵，Y_k为头部长短时网络部分对应的第k个输出矩阵；每个处理单元对更新后的道路形态图与路段行程图分别进行图卷积；

图卷积部分的输出进入尾部长短时网络部分。

混合部分将尾部长短时网络三个单元的输出进行加权平均，公式如下：

T_i＝0.2t_m,i+0.5t_w,i+0.3t_r,i

其中，T_i表示第i个站点的预测停靠时间，t_m,i为尾部长短时网络月处理单元对应第i个站点的输出，t_w,i为尾部长短时网络周处理单元对应第i个站点的输出，t_r,i为尾部长短时网络日处理单元对应第i个站点的输出。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，包括如下步骤：

S1、收集待预测公交线路的路网信息、GPS信息、乘车信息与行驶信息；

S2、对上述收集到的信息进行预处理操作，得到预测集；

S3、将步骤S2中得到的预测集输入到预测网络模型，得到公交车停靠时间预测值。

2.根据权利要求1所述的基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，所述步骤S1中收集的信息具体为：

所述待预测公交线路的路网信息，包括路网图、公交线路站点间的道路形态(站点间交通信号灯个数)、站点间行程；

所述待预测公交线路的乘车信息，包括在各站点刷卡上车的人数；

所述待预测公交线路的行驶信息，包括在每一个班次内，车辆在各站点的停靠时间。

3.根据权利要求1或2所述的基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，所述步骤S1收集信息的时间跨度为待预测时间段前三个月。

4.根据权利要求1所述的基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，所述步骤S2中的预处理操作过程如下：

S21、根据站点间交通信号灯的个数，将道路形态划分为三类，具体的，将各路段的交通信号灯个数从小到大进行排列，形成个数序列，将序列的前30％的路段定义为A类道路形态，将序列中间的40％的路段定义为B类道路形态，将序列尾部的30％的路段定义为C类道路形态；

S22、将各路段的行程从大到小进行排列，形成行程序列，将序列的前30％的路段定义为A类行程，将序列中间的40％的路段定义为B类行程，将序列尾部的30％的路段定义为C类行程；

S23、将刷卡上车人数采用如下公式进行归一化处理为[0,1]上的数据：

其中，α为归一化后的数据，x为原始数据，x_min为原始数据中的最小值，x_max为原始数据中的最大值；

S24、生成图结构数据，每一个班次分别生成原始图、道路形态图与路段行程图，具体如下：

原始图表示为

其中，b表示第b次班车，t表示为预测时间前t天，V表示原始图上节点集合，E表示原始图上连边集合，A表示邻接矩阵；

道路形态图表示为G2_k(V,E,A_r)；其中，k表示第k幅道路形态图，k∈{1,2,3,4,5,6,7,8}；V表示图上节点集合；E表示图上连边集合；A_r表示邻接矩阵；

路段行程图表示为G3_k(V,E,A_l)；其中，k表示第k幅路段行程图，k∈{1,2,3,4,5,6,7,8}；V表示图上节点集合；E表示图上连边集合；A_l表示邻接矩阵；

S25、得到预测集，预测集由月预测集、周预测集与临近预测集构成，具体如下：

X_m＝{X_m,1,X_m,2,X_m,3}

X_m,2＝{G2₁,G2₂,G2₃,…,G2₇,G2₈}

X_m,3＝{G3₁,G3₂,G3₃,…,G3₇,G3₈}

其中，X_m表示月预测集，X_m,1表示待预测班次i前一个月内的原始图集合，X_m，2表示道路形态图集合，X_m，3表示路段行程图集合；

X_w＝{X_w,1,X_w,2,X_w,3}

X_w,2＝{G2₁,G2₂,G2₃,G2₄}

X_w,3＝{G3₁,G3₂,G3₃,G3₄}

其中，X_w表示周预测集，X_w,1表示待预测班次i前一个星体内的原始图集合，X_w,₂表示道路形态图集合，X_w,3表示路段行程图集合；

X_r＝{X_r,1,X_r,2,X_r,3}

X_r,2＝{G2₁,G2₂}

X_r,3＝{G3₁,G3₂}

其中，X_r表示临近预测集，X_r,1表示待预测班次i前三天内的原始图集合，X_r,2表示道路形态图集合，X_r,3表示路段行程图集合。

5.根据权利要求4所述的基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，所述步骤S24具体为：

所述原始图上的节点即为公交线路停靠站，原始图节点间连接关系与现实路网图相同；节点的特征向量为(节点对应停靠站上车刷卡人数，节点对应停靠站停靠时间)^T；邻接矩阵A由节点间连接关系确定；

所述道路形态图上的节点对应为公交线路停靠站点，节点的特征向量为(1,1)^T；A_r邻接矩阵的元素值由下列公式确定：

其中，A_r,ij表示邻接矩阵上第i行第j列的元素值，M_ij表示站点i与站点j之间的道路形态类别；

所述路段行程图上的节点对应为公交线路停靠站点，节点的特征向量为(1,1)^T；A_l邻接矩阵的元素值由下列公式确定：

其中，A_l,ij表示邻接矩阵上第i行第j列的元素值，N_ij表示站点i与站点j之间的行程类别。

6.根据权利要求1所述的基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，所述步骤S3中的预测网络模型包括头部长短时网络部分、图卷积网络部分、尾部长短时网络部分与混合部分，具体如下：

所述头部长短时网络部分，由月处理单元、周处理单元与日处理单元组成；其中，

月处理单元：输入为X_m,1，长短时神经细胞个数为(30×原始图节点个数)，输入长度为(30×原始图节点个数)；

周处理单元：输入为X_w,1，长短时神经细胞个数为(7×原始图节点个数)，输入长度为(7×原始图节点个数)；

日处理单元：输入为X_r,1，长短时神经细胞个数为(3×原始图节点个数)，输入长度为(3×原始图节点个数)；

所述图卷积网络部分也由上述月处理单元、周处理单元与日处理单元组成；在每一个处理单元中，道路形态图与路段行程图首先根据头部长短时网络的输出结果进行更新，度矩阵更新公式为：

其中，

为更新后道路形态图的度矩阵，D2_k为更新前的道路形态图的度矩阵，Y_k为头部长短时网络部分对应的第k个输出矩阵；每个处理单元对更新后的道路形态图与路段行程图分别进行图卷积；

所述尾部长短时网络部分由上述月处理单元、周处理单元与日处理单元组成；

所述混合部分将尾部长短时网络三个处理单元的输出进行加权平均，公式如下：

T_i＝0.2t_m,i+0.5t_w,i+0.3t_r,i

其中，T_i表示第i个站点的预测停靠时间，t_m,i为尾部长短时网络月处理单元对应第i个站点的输出，t_w,i为尾部长短时网络周处理单元对应第i个站点的输出，t_r,i为尾部长短时网络日处理单元对应第i个站点的输出。

Images