CN114492161A - 一种公交车到站预测方法及装置 - Google Patents
一种公交车到站预测方法及装置 Download PDFInfo
- Publication number
- CN114492161A CN114492161A CN202111586606.4A CN202111586606A CN114492161A CN 114492161 A CN114492161 A CN 114492161A CN 202111586606 A CN202111586606 A CN 202111586606A CN 114492161 A CN114492161 A CN 114492161A
- Authority
- CN
- China
- Prior art keywords
- target
- user
- station
- vehicle
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及公交线路监控技术领域，尤其涉及一种公交到站预测方法及装置，包括：获取用户输入的乘车信息，基于用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得用户乘车线路中相邻站点之间的站间耗时；获取公交运行信息，基于公交运行信息和用户输入的乘车信息，确定目标车辆的位置，该目标车辆的位置与用户当前所处目标站点之间的距离满足预设条件；基于站间耗时、目标车辆的位置以及用户输入的乘车信息，确定目标耗时，该目标耗时为目标车辆到目标站点的耗时，结合线路的路况以及站间耗时的特征，根据目标车辆的位置，得到该目标车辆到达目标站点的目标耗时，因而提高了对运行中的车辆到站预测的准确性。
Description
技术领域
本发明涉及公交线路监控技术领域，尤其涉及一种公交车到站预测方法及装置。
背景技术
城市道路的建设受城市空间和土地资源等多方面的限制，城市的可持续发展需要“多模式、多类型、优品质、高效率”的公共交通体系和出行服务，从而提高城市地面公交系统的吸引力、竞争力和承载能力。
城市公交信息随着科学技术的不断发展有了长足进步，用户可以在站牌上看到所需乘坐的车辆距离当前站点的站点数量，不仅提高了公交出行的竞争力和吸引力，而且，这种出行方式也是交通所鼓励的出行方式，有助于解决交通拥堵和环境污染的问题。
但是，现有的公交到站预测的准确性较低，会影响用户交通出行方式的选择。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的公交车到站预测方法及装置。
第一方面，本发明提供了一种公交到站预测方法，包括：
获取用户输入的乘车信息；
基于所述用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得所述用户乘车线路中相邻站点之间的站间耗时；
获取公交运行信息；
基于所述公交运行信息和所述用户输入的乘车信息，确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间的距离满足预设条件；
基于所述站间耗时、所述目标车辆的位置以及所述用户输入的乘车信息，确定目标耗时，所述目标耗时为所述目标车辆到所述目标站点的耗时。
进一步地，所述用户输入的乘车信息，包括：
车辆所处的城市，用户查询的线路，用户当前所处的目标站点以及所述用户查询的线路上的路况。
进一步地，所述预测模型通过如下方式获得：
获取历史N组样本数据，每组样本数据包括：车辆所处的城市、车辆的线路、每条线路所对应的路况、每条线路中的车辆的车牌号、每个车牌号的车辆到各个站点的时刻以及每个车牌号的车辆在相邻站点之间的站间耗时，N为正整数；
从所述历史N组样本数据中提取所述车辆所处的城市、车辆的线路、每条线路所对应的路况、每条线路中的车辆的车牌号以及每个车牌号到各个站点的时刻，作为输入数据，将所述每个车牌号的车辆在相邻站点之间的站间耗时作为输出数据；
将所述输入数据和所述输出数据输入神经网络模型中，以对所述神经网络模型进行训练，得到用于对车辆在相邻站点之间的站间耗时进行预测的预测模型。
进一步地，所述基于所述公交运行信息和所述用户输入的乘车信息，确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间满足预设条件，包括：
获取所述用户输入的乘车信息中用户当前所处的目标站点，以及所述用户查询的线路；
基于所述公交运行信息，获取所述用户查询的线路中运行的车辆的位置；
从所述运行的车辆的位置中确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间的距离满足预设条件。
进一步地，所述预设条件为所述距离由小到大的排序位在第一位、第二位以及第三位中的任意一种或多种。
进一步地，所述基于所述站间耗时、所述目标车辆的位置以及所述用户输入的乘车信息，确定所述目标耗时，所述目标耗时为所述目标车辆到所述目标站点的耗时，包括：
基于所述目标车辆的位置和用户当前所处的目标站点，确定所述目标车辆到所述目标站点之间的途径站点；
基于所述站间耗时和途径站点，获得所述目标车辆的位置、所述途径站点以及所述目标站点之间的耗时总和，得到所述目标耗时。
进一步地，所述基于所述站间耗时、所述目标车辆的位置以及所述用户输入的乘车信息，确定所述目标耗时，所述目标耗时为所述目标车辆到所述目标站点的耗时之后，还包括：
将所述目标耗时推送至用户的终端设备或者所述目标站点的站牌显示屏中。
第二方面，本发明还提供了一种公交到站预测装置，包括：
第一获取模块，用于获取用户输入的乘车信息；
获得模块，用于基于用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得所述用户乘车线路中车辆在相邻站点之间的站间耗时；
第二获取模块，用于获取公交运行信息；
第一确定模块，用于基于所述公交运行信息和所述用户输入的乘车信息，确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间的距离满足预设条件；
第二确定模块，用于基于所述站间耗时、所述目标车辆的位置以及所述用户输入的乘车信息，确定目标耗时，所述目标耗时为所述目标车辆到所述目标站点的耗时。
第三方面，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述述的方法步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上法步骤。
本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
本发明提供了一种公交到站预测方法，包括：获取用户输入的乘车信息，基于用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得用户乘车线路中相邻站点之间的站间耗时；获取公交运行信息，基于公交运行信息和用户输入的乘车信息，确定目标车辆的位置，该目标车辆的位置与用户当前所处目标站点之间的距离满足预设条件；基于站间耗时、目标车辆的位置以及用户输入的乘车信息，确定目标耗时，该目标耗时为目标车辆到目标站点的耗时，通过利用预测模型对运行线路中相邻站点之间的站间耗时进行预测，结合线路的路况以及站间耗时的特征，能够根据目标车辆的位置，得到该目标车辆到达目标站点的目标耗时，因而提高了对运行中的车辆到站预测的准确性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：
图1示出了本发明实施例中公交到站预测方法的步骤流程示意图；
图2示出了本发明实施例中确定目标耗时的示意图；
图3示出了本发明实施例中公交到站预测装置的结构示意图；
图4示出了本发明实施例中实现公交到站预测方法的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
本发明的实施例提供了一种公交到站预测方法，如图1所示，包括：
S101，获取用户输入的乘车信息；
S102，基于用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得用户乘车线路中相邻站点之间的站间耗时；
S103，获取公交运行信息；
S104，基于公交运行信息和用户输入的乘车信息，确定目标车辆的位置，目标车辆的位置与用户当前所处目标站点之间的距离满足预设条件；
S105，基于站间耗时、目标车辆的位置以及用户输入的乘车信息，确定目标耗时，目标耗时为目标车辆到目标站点的耗时。
在具体的实施方式中，先获取用户输入的乘车信息。
该用户输入的乘车信息可以从两种渠道获得，第一种渠道，用户通过终端设备输入搜索的内容，比如，用户想查找11路公交车的信息，则会在输入栏输入11路等等；第二种渠道，在得到用户查询的线路之后，根据用户查询的线路信息，得到地图软件提供的路况信息，所处的城市信息以及用户当前所处的目标站点信息。
该用户输入的乘车信息包括：车辆所处的城市、用户查询的线路，用户当前所处的目标站点以及用户查询的线路上的路况。
在获得用户输入的乘车信息之后，执行S102，基于用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得该用户乘车线路中相邻站点之间的站间耗时。
该步骤中，首先，需要获得该预测模型，该预测模型的获取方式如下：
获取历史N组样本数据，每组样本数据包括：车辆所处的城市、车辆的线路、每条线路所对应的路况、每条线路中的车辆的车牌号、每个车牌号的车辆到各个站点的时刻以及每个车牌号的车辆在相邻站点之间的站间耗时，N为正整数。
从该历史N组样本数据中提取车辆所处的城市、车辆的线路、每条线路所对应的路况、每条线路中的车辆的车牌号以及每个车牌号到各个站点的时刻，作为输入数据，将每个车牌号的车辆在相邻站点之间的站间耗时作为输出数据。
将输入数据和输出输入输入神经网络模型中，以对神经网络模型进行训练，得到用于对车辆在相邻站点之间的耗时进行预测的预测模型。
通过上述的方式获得该预测模型，包括模型训练以及模型测试。
其中，模型训练中会根据历史数据进行训练，该历史数据包括一段时间内采集的车辆运行中的数据，比如，11路公交车所处的城市、11路公交车在对应的线路上的路况，该11路公交车对应有5辆车在同时运行，每辆公交车的车牌号信息，以及每辆公交车在该线路上到各个站点的时刻，以及每辆公交车在该线路中相邻站点之间的站间耗时。
当然，该一段时间内的数据包括了所有线路上的所有车辆的数据，在此就不一一列举。
在根据历史数据进行模型训练的过程中，由于历史数据中的行驶特征能够反应一条公交线路统计上大概率出现、具有普遍性的行驶情况；而实时特征(比如半个小时内的行驶环境信息)将一些特例或临时性变化反映在该决策结果中，比如，天气、交通事故、社会性事件等等环境信息都会实时地影响到道路拥塞情况。
下面，对实时特征所影响的情况进行描述：
首先，到目标站点的总耗时由车辆的行驶时间和在沿途站点的经停时间构成。
其中，一般情况下，在不出意外时，公交车的行驶路线是不会频繁变动的，因此，公交车辆从当前位置到目标站点行程中的站点由一个单增数列S＝{i|s≤i≤d,i∈N}表示。在第i-1站点和第i站点间的行驶时间用twi表示，在第i站的经停时间用ti表示。
针对一条公交线路，对于该线路上的第一个经停站点，需要额外删除其在预测调用发生前的行驶时间份额，其中，若以li表示按照固定线路行驶的公交车在第i-1站和第i站间的行驶路程，用lleft表示公交车辆在预测调用发生时到下一站点的行驶路程。那么，则有tlrft＝lleft/s×t。
因此，线上预测SDK会将首站剩余行驶时间lleft、沿途经站点的经停时间ti和站点间行驶时间tw,i相加，得到在对调用发生时公交车辆到达目标查询站点总耗时的计算：t＝tleft+∑ti,i∈S/{s}+∑twi,i∈S/{d}，从整体上看，这是一个固定路径的粗粒度到达时间预测问题。
具体在每一站的站间行驶时间预测过程中，站间行驶时间预测第i-1站到第i站的站间行驶时间预测ti由一个关于历史行驶特征信息和实时信息的函数F计算得到，包括：站点si，星期几wdi，当天分钟级的调用时刻mi，第i-1站到第i站的行车里程li，站间路况评估值rci和节假日信息hi。因此，有ti＝F(<si,li,rci＞,＜wdi,mi,hi>)。其中，F是此次需要拟合的函数，这里的参数主要有三类，变化周期较长的道路模式信息、时间信息与变化周期较短的实时行驶环境信息。训练数据中，历史道路信息(si,li)和时间信息(wdi，mi,hi)为模型提供了基础的预测能力，而实时行驶环境信息(rci)提高了预测模型应对动态环境变化的能力。
对于所有城市的每一条线路，都会使用调用预测功能时当天的前一周数据作为训练数据来拟合函数F。在训练过程中，设置增减性约束，其中，规定预测值ti应随li和rci在训练数据中单调增，有时，拟合得到的统计模型会得出一些不合常理的结果，比如，站间行驶时间过大或为负值，特别是在输入数据与训练特征差别过大的情况下，若出现这些情况，对预测结果做截断。
在训练过程中采用的神经网络模型可以是卷积神经网络模型、递归神经网络模型、迭代的决策树算法模型中的任意一种，当然，还可以采用其他的机器学习模型，在本发明实施例中就不再详细赘述了。
将上述历史数据划分为输入数据和输出数据，其中，输入数据包括：车辆所处的城市、车辆的线路、每条线路所对应的路况、每条线路中的车辆的车牌号以及每个车牌号到各个站点的时刻；输出数据包括：每个车牌号的车辆在相邻站点之间的站间耗时作为输出数据。
接着，将输入数据和输出数据都输入该神经网络模型中，来训练该神经网络模型，从而得到用于对车辆在相邻站点之间的站间耗时进行预测的预测模型。
在得到该预设模型之后，将该用户输入的乘车信息，输入该预测模型中，获得用户乘车线路中相邻站点之间的站间耗时。
然后，执行S103，获取公交运行信息，该公交运行信息，是当前时刻，在运行中的车辆的信息，比如，当前时刻，用户查询的线路中，所有车牌号的车辆当前的位置等等。
因此，基于该公交运行信息和用户输入的乘车信息，确定距离用户当前所处目标站点最近的目标车辆的位置。
在S104中，基于公交运行信息和用户输入的乘车信息，确定目标车辆的位置，目标车辆的位置与用户当前所处目标站点之间的距离满足预设条件。
在一种可选的实施方式中，获取用户输入的乘车信息中用户当前所处的目标站点，以及用户查询的线路；
接着，基于该公交运输信息，获取用户查询的线路中运行的车辆的位置；
最后，从该运行的车辆的位置中确定目标车辆的位置，该目标车辆的位置与用户当前所处目标站点之间的距离满足预设条件。
通过找到与当前用户所处目标站点的距离满足预设条件的目标车辆的位置，接下来，对目标车辆到站的时间进行预测。
其中，该预设条件为距离由小到大的排序为的第一位、第二位以及第三位中的任意一种或多种。
当然，在本发明中，仅提供了一种最近的目标车辆到站的预测手段，当然，还可以对排在第二位的最近的目标车辆到站的时间进行预测，对排在第三位的最近的目标车辆到站的时间进行预测，依次类推。
具体得到该目标耗时的方式如下：
S105，基于该站间耗时、目标车辆的位置以及用户输入的乘车信息，确定目标耗时，该目标耗时为目标车辆到目标站点的耗时。
具体地，基于目标车辆的的位置和用户当前所处的目标站点，确定目标车辆到目标站点之间的途径站点；
基于站间耗时和途径站点，获得目标车辆的位置、途径站点以及目标站点之间的耗时总和，得到目标耗时。
在一种可选的实施方式中，在确定了目标车辆的位置以及用户当前所处的目标站点之后，可以从中确定出该目标车辆到目标站点之间的途径站点，如图2所示，目标车辆的位置为O，用户当前所处的目标站点为A，从图上得知，该目标车辆沿着预定的线路到目标站点A时需要经过B、C、D三个站点，即途径站点。
该途径站点的信息可以通过将公交信息以及地图信息结合来获取。
若目标车辆的位置在B站点与之前的E站点之间，首先预测E站点与B站点之间的站间耗时T1，再根据目标车辆的位置O与B站点之间的第一距离与E站点与B站点之间的第二距离的比值，得到目标车辆的位置O到B站点的耗时t，接着，预测B站点到C站点之间的站间耗时T2，C站点到D站点之间的站间耗时T3,D站点到目标站点之间的站间耗时T4。由此得到该目标车辆的位置O、途径站点B、C、D以及目标站点之间的耗时总和，即t+T2+T3+T4。
由此，得到该目标车辆到目标站点的目标耗时，即为该耗时总和。
当然，上述是获得到该目标站点的第一辆车(排序位为第一位)的目标耗时，还可以得到到该目标站点的第二辆车(排序位为第二位)的目标耗时，第三辆车(排序为为第三位)的目标耗时等等，在此不再详细赘述。
在得到该目标耗时之后，还包括：
将该目标车辆到目标站点的目标耗时推送至用户的终端设备或者目标站点的站牌显示屏中，以供用户参考。
用户可以根据该目标耗时，选择乘坐的目标车辆，也可以根据站牌显示屏中的显示内容，选择最快的目标车辆。
本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
本发明提供了一种公交到站预测方法，包括：获取用户输入的乘车信息，基于用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得用户乘车线路中相邻站点之间的站间耗时；获取公交运行信息，基于公交运行信息和用户输入的乘车信息，确定目标车辆的位置，该目标车辆的位置与用户当前所处目标站点之间的距离满足预设条件；基于站间耗时、目标车辆的位置以及用户输入的乘车信息，确定目标耗时，该目标耗时为目标车辆到目标站点的耗时，通过利用预测模型对运行线路中相邻站点之间的站间耗时进行预测，结合线路的路况以及站间耗时的特征，能够根据目标车辆的位置，得到该目标车辆到达目标站点的目标耗时，因而提高了对运行中的车辆到站预测的准确性。
实施例二
基于相同的发明构思，本发明实施例还提供了一种公交到站预测装置，如图3所示，包括：
第一获取模块301，用于获取用户输入的乘车信息；
获得模块302，用于基于用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得所述用户乘车线路中车辆在相邻站点之间的站间耗时；
第二获取模块303，用于获取公交运行信息；
第一确定模块304，用于基于所述公交运行信息和所述用户输入的乘车信息，确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间的距离满足预设条件；
第二确定模块305，用于基于所述站间耗时、所述目标车辆的位置以及所述用户输入的乘车信息，确定目标耗时，所述目标耗时为所述目标车辆到所述目标站点的耗时。
在一种可选的实施方式中，所述用户输入的乘车信息，包括：
车辆所处的城市，用户查询的线路，用户当前所处的目标站点以及所述用户查询的线路上的路况。
在一种可选的实施方式中，还包括：预测模型获得模块，包括：
样本数据获取单元，用于获取历史N组样本数据，每组样本数据包括：车辆所处的城市、车辆的线路、每条线路所对应的路况、每条线路中的车辆的车牌号、每个车牌号的车辆到各个站点的时刻以及每个车牌号的车辆在相邻站点之间的站间耗时，N为正整数；
数据分类单元，用于从所述历史N组样本数据中提取所述车辆所处的城市、车辆的线路、每条线路所对应的路况、每条线路中的车辆的车牌号以及每个车牌号到各个站点的时刻，作为输入数据，将所述每个车牌号的车辆在相邻站点之间的站间耗时作为输出数据；
训练模块，用于将所述输入数据和所述输出数据输入神经网络模型中，以对所述神经网络模型进行训练，得到用于对车辆在相邻站点之间的站间耗时进行预测的预测模型。
在一种可选的实施方式中，第一确定模块304，包括：
第一获取单元，用于获取所述用户输入的乘车信息中用户当前所处的目标站点，以及所述用户查询的线路；
第二获取单元，用于基于所述公交运行信息，获取所述用户查询的线路中运行的车辆的位置；
获得单元，用于从所述运行的车辆的位置中确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间的距离满足预设条件。
在一种可选的实施方式中，所述预设条件为所述距离由小到大的排序位在第一位、第二位以及第三位中的任意一种或多种。
在一种可选的实施方式中，第二确定模块305，包括：
第一确定子单元，用于基于所述目标车辆的位置和用户当前所处的目标站点，确定所述目标车辆到所述目标站点之间的途径站点；
得到单元，用于基于所述站间耗时和途径站点，获得所述目标车辆的位置、所述途径站点以及所述目标站点之间的耗时总和，得到所述目标耗时。
在一种可选的实施方式中，还包括：
推送模块，用于将所述目标车辆到所述目标站点的目标耗时推送至用户的终端设备或者所述目标站点的站牌显示屏中。
实施例三
基于相同的发明构思，本发明实施例提供了一种计算机设备，如图4所示，包括存储器404、处理器402及存储在存储器404上并可在处理器402上运行的计算机程序，所述处理器402执行所述程序时实现上述公交到站预测方法的步骤。
其中，在图4中，总线架构(用总线400来代表)，总线400可以包括任意数量的互联的总线和桥，总线400将包括由处理器402代表的一个或多个处理器和存储器404代表的存储器的各种电路链接在一起。总线400还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口406在总线400和接收器401和发送器403之间提供接口。接收器401和发送器403可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器402负责管理总线400和通常的处理，而存储器404可以被用于存储处理器402在执行操作时所使用的数据。
实施例四
基于相同的发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述公交到站预测方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的公交到站预测装置、计算机设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种公交到站预测方法，其特征在于，包括：
获取用户输入的乘车信息；
基于所述用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得所述用户乘车线路中相邻站点之间的站间耗时；
获取公交运行信息；
基于所述公交运行信息和所述用户输入的乘车信息，确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间的距离满足预设条件；
基于所述站间耗时、所述目标车辆的位置以及所述用户输入的乘车信息，确定目标耗时，所述目标耗时为所述目标车辆到所述目标站点的耗时。
2.如权利要求1所述的方法，其特征在于，所述用户输入的乘车信息，包括：
车辆所处的城市，用户查询的线路，用户当前所处的目标站点以及所述用户查询的线路上的路况。
3.如权利要求1所述的方法，其特征在于，所述预测模型通过如下方式获得：
获取历史N组样本数据，每组样本数据包括：车辆所处的城市、车辆的线路、每条线路所对应的路况、每条线路中的车辆的车牌号、每个车牌号的车辆到各个站点的时刻以及每个车牌号的车辆在相邻站点之间的站间耗时，N为正整数；
从所述历史N组样本数据中提取所述车辆所处的城市、车辆的线路、每条线路所对应的路况、每条线路中的车辆的车牌号以及每个车牌号到各个站点的时刻，作为输入数据，将所述每个车牌号的车辆在相邻站点之间的站间耗时作为输出数据；
将所述输入数据和所述输出数据输入神经网络模型中，以对所述神经网络模型进行训练，得到用于对车辆在相邻站点之间的站间耗时进行预测的预测模型。
4.如权利要求1所述的方法，其特征在于，所述基于所述公交运行信息和所述用户输入的乘车信息，确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间满足预设条件，包括：
获取所述用户输入的乘车信息中用户当前所处的目标站点，以及所述用户查询的线路；
基于所述公交运行信息，获取所述用户查询的线路中运行的车辆的位置；
从所述运行的车辆的位置中确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间的距离满足预设条件。
5.如权利要求1所述的方法，其特征在于，所述预设条件为所述距离由小到大的排序位在第一位、第二位以及第三位中的任意一种或多种。
6.如权利要求2所述的方法，其特征在于，所述基于所述站间耗时、所述目标车辆的位置以及所述用户输入的乘车信息，确定所述目标耗时，所述目标耗时为所述目标车辆到所述目标站点的耗时，包括：
基于所述目标车辆的位置和用户当前所处的目标站点，确定所述目标车辆到所述目标站点之间的途径站点；
基于所述站间耗时和途径站点，获得所述目标车辆的位置、所述途径站点以及所述目标站点之间的耗时总和，得到所述目标耗时。
7.如权利要求1所述的方法，其特征在于，所述基于所述站间耗时、所述目标车辆的位置以及所述用户输入的乘车信息，确定所述目标耗时，所述目标耗时为所述目标车辆到所述目标站点的耗时之后，还包括：
将所述目标耗时推送至用户的终端设备或者所述目标站点的站牌显示屏中。
8.一种公交到站预测装置，其特征在于，包括：
第一获取模块，用于获取用户输入的乘车信息；
获得模块，用于基于用户输入的乘车信息，利用用于对车辆在相邻站点之间的耗时进行预测的预测模型，获得所述用户乘车线路中车辆在相邻站点之间的站间耗时；
第二获取模块，用于获取公交运行信息；
第一确定模块，用于基于所述公交运行信息和所述用户输入的乘车信息，确定目标车辆的位置，所述目标车辆的位置与所述用户当前所处目标站点之间的距离满足预设条件；
第二确定模块，用于基于所述站间耗时、所述目标车辆的位置以及所述用户输入的乘车信息，确定目标耗时，所述目标耗时为所述目标车辆到所述目标站点的耗时。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一权利要求所述的方法步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一权利要求所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111586606.4A CN114492161A (zh) | 2021-12-21 | 2021-12-21 | 一种公交车到站预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111586606.4A CN114492161A (zh) | 2021-12-21 | 2021-12-21 | 一种公交车到站预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114492161A true CN114492161A (zh) | 2022-05-13 |
Family
ID=81494941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111586606.4A Pending CN114492161A (zh) | 2021-12-21 | 2021-12-21 | 一种公交车到站预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114492161A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117874372A (zh) * | 2024-03-13 | 2024-04-12 | 天津公交易通科技有限公司 | 公交语音播报方法、装置、设备及介质 |
-
2021
- 2021-12-21 CN CN202111586606.4A patent/CN114492161A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117874372A (zh) * | 2024-03-13 | 2024-04-12 | 天津公交易通科技有限公司 | 公交语音播报方法、装置、设备及介质 |
| CN117874372B (zh) * | 2024-03-13 | 2024-05-24 | 天津公交易通科技有限公司 | 公交语音播报方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110361024B (zh) | 用于利用车辆组标识的动态车道级车辆导航的方法和系统 | |
| US9043151B2 (en) | Large scale demand responsive transit framework | |
| CN110222907B (zh) | 电动汽车充电站规划方法及终端设备 | |
| Chen et al. | A fuel-saving and pollution-reducing dynamic taxi-sharing protocol in vanets | |
| CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
| CN109544929A (zh) | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 | |
| Ram et al. | SMARTBUS: A web application for smart urban mobility and transportation | |
| CN112735129B (zh) | 货车停车调度的方法及装置 | |
| CN105632222A (zh) | 预报到站时间的方法及其系统 | |
| Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
| CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
| Jomrich et al. | Dynamic Map Update Protocol for Highly Automated Driving Vehicles. | |
| CN111815095A (zh) | 共享汽车调度方法、电子设备及存储介质 | |
| Sierpiński et al. | Equalising the levels of electromobility implementation in cities | |
| CN114492161A (zh) | 一种公交车到站预测方法及装置 | |
| CN111931079A (zh) | 推荐网约车上车点的方法及系统 | |
| CN110696627A (zh) | 一种车辆可达范围的反馈方法及装置、汽车、存储介质 | |
| CN114036411A (zh) | 一种路线规划方法、装置、设备及介质 | |
| CN114078322B (zh) | 一种公交运行状态评价方法、装置、设备及存储介质 | |
| CN111582527A (zh) | 行程时间的预估方法、装置、电子设备和存储介质 | |
| Tafidis et al. | Interregional European Cooperation platform to promote sustainable transport through ICT: an overview of best practices | |
| CN115083198B (zh) | 一种多车运力资源调度方法及装置 | |
| CN114676867A (zh) | 车辆路线预测方法和装置 | |
| CN114973745B (zh) | 停车场推荐方法及汽车 | |
| CN106127350A (zh) | 一种线路规划的方法及终端 |
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 |