CN115063978B - 一种基于数字孪生的公交到站时间预测方法 - Google Patents
一种基于数字孪生的公交到站时间预测方法 Download PDFInfo
- Publication number
- CN115063978B CN115063978B CN202210888828.XA CN202210888828A CN115063978B CN 115063978 B CN115063978 B CN 115063978B CN 202210888828 A CN202210888828 A CN 202210888828A CN 115063978 B CN115063978 B CN 115063978B
- Authority
- CN
- China
- Prior art keywords
- bus
- data
- information
- road
- station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 238000004140 cleaning Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000013439 planning Methods 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- OFPXSFXSNFPTHF-UHFFFAOYSA-N oxaprozin Chemical compound O1C(CCC(=O)O)=NC(C=2C=CC=CC=2)=C1C1=CC=CC=C1 OFPXSFXSNFPTHF-UHFFFAOYSA-N 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000007664 blowing Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G06Q50/40—
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于数字孪生的公交到站时间预测方法,涉及数字孪生技术领域。本发明方法包括:通过感知设备采集车辆实体信息和公交线路信息,并对采集到的实体信息进行清洗;根据实体信息和公交线路信息,通过公交仿真算法得到公交仿真模型;根据站点位置对仿真模型中的公交线路进行划分,划分成站点路段和行驶路段,并对实体信息按所属路段分类;使用公交到站时间预测网络分别预测公交在站点停留的时间和公交在站点间正常行驶的时间。本方法可以更加精确的预测出公交车到站时间,可以构建出真实映射、同步可视化的数字孪生模型,为交通管理、规划、建设等提供了新思路,有助于提高公交服务的总体水平。
Description
技术领域
本发明涉及数字孪生技术领域,并且更具体地,涉及一种基于数字孪生的公交到站时间预测方法。
背景技术
城市公共交通出行方式具有能源消耗低、污染程度低、运输能力高等方面优势,使其成为世界各国共同倡导发展的一种交通出行方式,建设高水平的公共交通出行服务也成为一种必然趋势。虽然公交站点的覆盖率远比地铁要高,但是由于公交系统复杂且受干扰较大,加上当前公交车到站时间预测的研究仍不成熟,导致乘客不能准确把握行程时间,公交潜在优势难以转化成实际优势。
公交企业现有的到站时间预测策略,通常都是根据历史行程数据来估计当前的公交到站时间,然而历史行程数据存在滞后性并且会导致实时预测的响应缓慢,这样并不能有效提升公交整体服务效率和效益。在大数据时代,基于数字孪生基本理论,设计基于数字孪生和人工智能算法的公交车到站时间预测方法,利用感知设备采集到的数据进行公交到站时间滚动式预测,并且考虑到了温湿度、天气、路况等环境因素对到站时间的影响,可以更加准确的预测公交车的到站时间,从而实现公交运行的全周期闭环式动态管控。
公开号为CN 113177377A的中国专利公开了“一种基于数字孪生的智慧城市轨道交通线网管理系统”,将数字孪生技术应用在智慧城市轨道交通线网的建设上,使得智慧城市轨道交通线网的建设更加智能完善,但是由于现实中公交系统比轨道交通复杂的多,不能直接将轨道系统的到站时间预测方法和调度方案应用到公交系统上。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于数字孪生的公交到站时间预测方法,其目的在于使用数字孪生技术和人工智能算法解决公交到站时间预测问题,滚动式预测公交到站时间,优化公交的运营过程,提高整体作业效率。
为实现上述目的,按照本发明的一个方面,提供了一种基于数字孪生的公交到站时间预测方法,包括如下步骤:
步骤(1),通过感知设备采集车辆实体信息和公交线路信息,并对采集到的实体信息进行清洗;
步骤(2),根据实体信息和公交线路信息,通过公交仿真算法得到公交仿真模型;
步骤(3),根据站点位置对公交仿真模型中的公交线路进行划分,划分成站点路段和行驶路段,并对实体信息按所属路段分类;
步骤(4),使用公交到站时间预测网络分别预测公交车在站点停留的时间和公交车在站点间正常行驶的时间;
步骤(5),将预测出的到站时间应用到公交系统实体。
进一步的,步骤(1)中使用到的感知设备包括:公交视频监控、交互式智能站台、公交GPS、公交报站设备和温湿度记录仪,使用感知设备采集车辆实体信息和公交线路信息;
所述实体数据分为物理数据和环境数据,其中物理数据包括:时间戳、发车时间、发车站点编号、目标站点编号、公交编号、GPS数据、车速、车辆的乘客数量、车辆的最大载客量、道路的人口密度;环境数据包括:当前时刻的温湿度、路况和天气情况;
公交线路信息包括公交车的尺寸、公交线路的长度、可通行的车道信息、站点位置信息、公交专用道位置信息,交通信号灯,交通指示标志的位置信息。
进一步的,步骤(1)中对实体信息进行数据清洗的步骤包括:
首先,对物理数据进行清洗;在参考历史公交运行数据的前提下,人工定义采集到的公交车物理数据的容错范围,并根据该范围对物理数据进行清洗,要求只要超出容错范围的数据都算是错误的数据,去除重复、错误的数据,并且使用平均值对不完整的数据进行补充,保证每个路段上的各时刻信息都完整;
然后,对环境数据进行清洗;在充分考虑当地气候特点的前提下,定义可能出现的天气情况,包括弱降水、强降水、雾霾、刮风、晴天、阴天、扬沙和沙尘暴,根据不同天气对公交车运行速度的影响力度不同,将不同天气情况转化成不同大小的数值,要求转化后的数值范围在0到10之间,便于输入到公交到站时间预测网络中进行学习。
进一步的,步骤(2)中公交仿真算法流程具体包括:
首先,根据处理后的公交实体信息和公交线路信息,可以得到公交车编号、目标站点编号、公交车实体的尺寸数据、运行路线距离、可通行的车道信息、站点位置、交通指示标志位置以及公交专用道位置;然后,按照一定的比例对公交实体和公交线路进行缩放,得到缩放后的实体尺寸信息和位置信息,通过仿真软件构建公交仿真模型,能够真实刻画和映射物理车辆的真实运行状态;最后,在动态实时连接技术的支持下,实现实体公交车与虚拟仿真模型的实时信息交互,对仿真模型中的公交到站时间进行校验,修改仿真模型中的逻辑错误,使得仿真模型可以按照预想的状态运行。
进一步的,公交仿真模型是多维度融合的模型Mbus,包含:物理模型m1、几何模型m2、行为模型m3、规则模型m4以及通信服务模型m5,即Mbus={m1,m2,m3,m4,m5}。
其中,物理模型包括:基础路网模块、公交站点模块、公交线路模块和公交车模块;其中,基础路网模块中根据道路航拍数据以及城市道路规划图,建立路段和连接段,并标注出公交专用道;公交站点模块在基础路网模型的基础上,创建路段中的公交站点,以站点为中心10米的范围都属于公交站点区域,公交站点的数据与实际的智能站台的数据相一致;公交线路模块标注了公交车辆的运行路线,可以实时显示路线上的公交车位置,以及事故频发路段;公交车模块记录了当前公交车的发车时间、到站时间、载客量、公交车编号、经纬度;几何模型体现了公交车的外形、交通信号灯的位置以及道路的尺寸,每个组件的尺寸都是按照同样的比例对实体进行缩放得到的;行为模型记录了公交车的运行路线,以及公交车的速度变化过程,相关数据由车辆的GPS设备获得;规则模型包含公交运行状态监控指标,具体由路段平均速度、乘客拥挤比例、线路运行效率参数构成;通讯服务模型通过提供一个适配器与其它模型交流,实现各模型间的信息交互。
进一步的,步骤(3)中按照公交站点位置对公交线路进行划分,首先对路线上的每个站点进行编号1到n,根据站点个数n将公交线路R分成n-1段,对每一段R i (1≤i≤n-1)进行细分得到站点路段和行驶路段,其中站点路段为以站点为中心前后延伸10米的路段,行驶路段为发车站点区域到目标站点区域之间的路段;其中公交总线路表示为:
其中,Rn-1表示编号为n-1的站点到编号为n的站点间的路段,R i stop 表示第i段的站点路段,R i run 表示第i段的行驶路段。
进一步的,步骤(3)中对实体信息按所属路段分类的步骤包括:
步骤3.1,使用采集到的物理数据和环境数据构建预测到站时间模型的数据集,可表示为:
其中,T n 是时间戳,Ts n 是发车时间,S n 是发车站点编号,E n 是目标站点编号,Id n 是公交编号,Lo n 、La n 分别表示公交车当前时刻的经纬度信息,Vel n 是车速,Pa n 是车辆的乘客数量,Den n 是道路的人口密度,C n 是温度,H n 是湿度,Wc n 是天气情况,L n 是路况,n表示数据编号;
步骤3.2,对构建的数据集Data n 按照路段进行细分,可以分为站点停留数据集Stop n 和正常行驶数据集Run n ,这两个数据集中又包括物理数据V n 和环境数据W n ,可表示为:
其中,V n stop 包括:站点路段的时间戳、公交编号、公交车当前时刻的经纬度信息、车辆的乘客数量;W n stop 包括站点路段的温度、湿度、天气情况;V n run 包括:正常行驶路段的时间戳、公交编号、发车时间、发车站点编号、目标站点编号、公交车当前时刻的经纬度信息、车速、车辆的乘客数量;W n run 包括正常行驶路段的人口密度、温度、湿度、天气情况、路况;
步骤3.3,构建数据中心,对Data n 数据进行存储计算,提供高效的数据查询手段,为信息服务提供必要的支撑。
进一步的,步骤(4)中公交车的到站时间的计算公式可表示为:
公交到站时间预测网络的输入是数据集Data n ,输出是预测得到的公交车到达指定站点的时间S i end ,公交到站时间预测网络由上下两个部分组成:
第一部分,由n个时序子单元串联构成,n 的大小与预测的时间长短有关,每个子
单元的结构相同,分别包含三个全连接层和三个激活层;第一个子单元的停留时间为0,之
后的子单元的输入是上个子单元的输出以及对应时刻的数据集信息Stop i ;先通
过全连接层计算出权重α,再经过激活层将α的大小控制在0到1范围内,矩阵相乘得到
;Stop i 中包括物理数据V i 和环境数据W i ,分别将物理数据和环境数据输入到两个全连接层,
先通过全连接层计算出权重β和γ,再经过激活层将β和γ的大小控制在0到1范围内,矩阵
相乘得到βV i 和γW i ;各部分进行矩阵相加和矩阵相乘操作,最后输出,其中;
在网络的最后一层将两部分相加,就能得到公交车到达指定站点的时间S i end ,作为公交到站时间预测网络的输出结果。
进一步的,选择均方误差、均方根误差、平均绝对误差、平均绝对百分比误差作为评价指标对公交到站时间预测网络的预测结果进行评价。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)通过感知设备实时采集公交系统的数据,再利用数据清洗、数据融合、数据建模等技术,辅以主流的可视化渲染技术,则可以构建出真实映射、同步可视化的数字孪生模型,为交通管理、规划、建设等提供了新思路。
(2)公交到站时间预测网络可以根据采集到的物理数据和环境数据,更好的滚动式预测出公交车的到站时间,一方面,便于公交公司实时管理公交系统,提高管理效率,另一方面,结合移动设备通讯技术,实时向乘客反馈公交车到站时间,减少乘客的候车时间,提高乘车体验。
(3)公交到站时间预测网络搭配数字孪生技术,为公交运行模拟仿真提供了广阔的推演空间,为其在公交线路规划、道路拥堵实时预警、线路运营综效评估等应用方向上提供了近乎零成本的试错空间。
附图说明
图1为本发明实施例提供的一种基于数字孪生的公交到站时间预测方法的流程图;
图2为本发明实施例提供的一种基于数字孪生的公交到站时间预测方法的公交到站时间预测网络图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,是实施例提供的一种基于数字孪生的公交到站时间预测方法的流程图;实施例提供的一种基于数字孪生的公交到站时间预测方法包括如下步骤:
(1)通过感知设备采集车辆实体信息和公交线路信息,并对采集到的实体信息进行清洗;
其中,涉及使用到的感知设备包括:公交视频监控、智能站台、公交GPS、公交报站设备和温湿度记录仪等多种设备,公交视频监控、交互式智能站台、公交GPS、公交报站设备和温湿度记录仪,使用感知设备采集公交实体信息和公交线路信息。公交实体信息可以分为物理数据和环境数据,其中物理数据包括:时间戳、发车时间、发车站点编号、目标站点编号、公交编号、GPS数据、车速、车辆的乘客数量、车辆的最大载客量、道路的人口密度等;环境数据包括:当前时刻的温湿度、路况和天气情况。公交线路信息包括公交车的尺寸、公交线路的长度、可通行的车道信息、站点位置信息、公交专用道位置信息,以及交通信号灯等交通指示标志的位置信息。公交实体数据和公交线路信息为后面的预测到站时间和构建仿真模型提供数据支撑。
其中,对实体信息进行数据清洗的步骤包括:
首先,对物理数据进行清洗。在参考历史公交运行数据的前提下,人工定义采集到的公交车物理数据的容错范围,并根据该范围对物理数据进行清洗,要求只要超出容错范围的数据都算是错误的数据,去除重复、错误的数据,并且使用平均值对不完整的数据进行补充,保证每个路段上的各时刻信息都完整;
然后,对环境数据进行清洗。在充分考虑当地气候特点的前提下,定义可能出现的天气情况,包括弱降水、强降水、雾霾、刮风、晴天、阴天、扬沙和沙尘暴,根据不同天气对公交车运行速度的影响力度不同,将不同天气情况转化成不同大小的数值,要求转化后的数值范围在0到10之间,便于输入到公交到站时间预测网络中进行学习。
(2)根据实体信息和公交线路信息,通过公交仿真算法得到公交仿真模型;
其中,公交仿真算法流程具体包括:首先,根据处理后的公交实体信息和公交线路信息,可以得到公交车编号、目标站点编号、公交车实体的尺寸数据、运行路线距离、可通行的车道信息、站点位置、交通指示标志位置以及公交专用道位置;然后,按照一定的比例对公交实体和公交线路进行缩放,得到缩放后的实体尺寸信息和位置信息,通过仿真软件构建公交仿真模型,能够真实刻画和映射物理车辆的真实运行状态;最后,在动态实时连接技术的支持下,实现实体公交车与虚拟仿真模型的实时信息交互,对仿真模型中的公交到站时间进行校验,修改仿真模型中的逻辑错误,使得仿真模型可以按照预想的状态运行。
其中,公交仿真模型是多维度融合的模型Mbus,包含:物理模型m1、几何模型m2、行为模型m3、规则模型m4以及通信服务模型m5,即Mbus={m1,m2,m3,m4,m5}。
其中,物理模型包括:基础路网模块、公交站点模块、公交线路模块和公交车模块;其中,基础路网模块中根据道路航拍数据以及城市道路规划图,建立路段和连接段,并标注出公交专用道;公交站点模块在基础路网模型的基础上,创建路段中的公交站点,以站点为中心10米的范围都属于公交站点区域,公交站点的数据与实际的智能站台的数据相一致;公交线路模块标注了公交车辆的运行路线,可以实时显示路线上的公交车位置,以及事故频发路段;公交车模块记录了当前公交车的发车时间、到站时间、载客量、公交车编号、经纬度;几何模型体现了公交车的外形、交通信号灯的位置以及道路的尺寸,每个组件的尺寸都是按照同样的比例对实体进行缩放得到的;行为模型记录了公交车的运行路线,以及公交车的速度变化过程,相关数据由车辆的GPS设备获得;规则模型包含公交运行状态监控指标具体由路段平均速度、乘客拥挤比例、线路运行效率参数构成;通讯服务模型通过提供一个适配器与其它模型交流,实现各模型间的信息交互。
(3)根据站点位置对公交仿真模型中的公交线路进行划分,划分成站点路段和行驶路段,并对实体信息按所属路段分类;
步骤(3)中按照公交站点位置对公交线路进行划分,首先对路线上的每个站点进行编号1到n,根据站点个数n将公交线路R分成n-1段,对每一段R i (1≤i≤n-1)进行细分得到站点路段和行驶路段,其中站点路段为以站点为中心前后延伸10米的路段,行驶路段为发车站点区域到目标站点区域之间的路段;其中公交总线路表示为:
其中,Rn-1表示编号为n-1的站点到编号为n的站点间的路段,R i stop 表示第i段的站点路段,R i run 表示第i段的行驶路段。
步骤(3)中对实体信息按所属路段的步骤包括:
步骤3.1,使用采集到的物理数据和环境数据构建预测到站时间模型的数据集,可表示为:
其中,T n 是时间戳,Ts n 是发车时间,S n 是发车站点编号,E n 是目标站点编号,Id n 是公交编号,Lo n 、La n 分别表示公交车当前时刻的经纬度信息,Vel n 是车速,Pa n 是车辆的乘客数量,Den n 是道路的人口密度,C n 是温度,H n 是湿度,Wc n 是天气情况,L n 是路况,n表示数据编号;
步骤3.2,对构建的数据集Data n 按照路段进行细分,可以分为站点停留数据集Stop n 和正常行驶数据集Run n ,这两个数据集中又包括物理数据V n 和环境数据W n ,可表示为:
其中,V n stop 包括:站点路段的时间戳、公交编号、公交车当前时刻的经纬度信息、车辆的乘客数量;W n stop 包括站点路段的温度、湿度、天气情况;V n run 包括:正常行驶路段的时间戳、公交编号、发车时间、发车站点编号、目标站点编号、公交车当前时刻的经纬度信息、车速、车辆的乘客数量;W n run 包括正常行驶路段的人口密度、温度、湿度、天气情况、路况;
步骤3.3,构建数据中心,对Data n 数据进行存储计算,提供高效的数据查询手段,为信息服务提供必要的支撑。
(4)使用公交到站时间预测网络分别预测公交车在站点停留的时间和公交车在站点间正常行驶的时间;
步骤(4)中公交车的到站时间的计算公式可表示为:
可以理解为到达i站的时间等于在i-1站停留的时间加上从i-1站到i站的运行时间。
公交到站时间预测网络的输入是数据集Data n ,输出是预测得到的公交车到达指定站点的时间S i end ,公交到站时间预测网络由上下两个部分组成:
第一部分,由n(n=50)个时序子单元串联构成,每个子单元的结构相同,第一个子
单元的停留时间为0,之后的子单元的输入是上个子单元的输出以及对应时刻的数据
集信息Stop i ;先通过全连接层计算出权重α,再经过激活层将α的大小控制在0到1范
围内,矩阵相乘得到;Stop i 中包括物理数据V i 和环境数据W i ,分别将物理数据和环境
数据输入到两个全连接层,先通过全连接层计算出权重β和γ,再经过激活层将β和γ的大
小控制在0到1范围内,矩阵相乘得到βV i 和γW i ;各部分进行矩阵相加和矩阵相乘操作,最后
输出,其中;
在网络的最后一层将两部分相加,就能得到公交车到达指定站点的时间S i end ,作为公交到站时间预测网络的输出结果。
另外,选择均方误差、均方根误差、平均绝对误差、平均绝对百分比误差作为预测的评价指标。
步骤(5),将预测出的到站时间应用到公交系统实体。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (6)
1.一种基于数字孪生的公交到站时间预测方法,其特征在于,包括如下步骤:
步骤(1),通过感知设备采集车辆实体信息和公交线路信息,并对采集到的实体信息进行清洗;
步骤(1)中使用到的感知设备包括:公交视频监控、交互式智能站台、公交GPS、公交报站设备和温湿度记录仪,使用感知设备采集车辆实体信息和公交线路信息;
所述实体数据分为物理数据和环境数据,其中物理数据包括:时间戳、发车时间、发车站点编号、目标站点编号、公交编号、GPS数据、车速、车辆的乘客数量、车辆的最大载客量、道路的人口密度;环境数据包括:当前时刻的温湿度、路况和天气情况;
公交线路信息包括公交车的尺寸、公交线路的长度、可通行的车道信息、站点位置信息、公交专用道位置信息,交通信号灯,交通指示标志的位置信息;
步骤(2),根据实体信息和公交线路信息,通过公交仿真算法得到公交仿真模型;
步骤(3),根据站点位置对公交仿真模型中的公交线路进行划分,划分成站点路段和行驶路段,并对实体信息按所属路段分类;
步骤(3)中对实体信息按所属路段分类的步骤包括:
步骤3.1,使用采集到的物理数据和环境数据构建预测到站时间模型的数据集,可表示为:
其中,T n 是时间戳,Ts n 是发车时间,S n 是发车站点编号,E n 是目标站点编号,Id n 是公交编号,Lo n 、La n 分别表示公交车当前时刻的经纬度信息,Vel n 是车速,Pa n 是车辆的乘客数量,Den n 是道路的人口密度,C n 是温度,H n 是湿度,Wc n 是天气情况,L n 是路况,n表示数据编号;
步骤3.2,对构建的数据集Data n 按照路段进行细分,可以分为站点停留数据集Stop n 和正常行驶数据集Run n ,这两个数据集中又包括物理数据V n 和环境数据W n ,可表示为:
其中,V n stop 包括:站点路段的时间戳、公交编号、公交车当前时刻的经纬度信息、车辆的乘客数量;W n stop 包括站点路段的温度、湿度、天气情况;V n run 包括:正常行驶路段的时间戳、公交编号、发车时间、发车站点编号、目标站点编号、公交车当前时刻的经纬度信息、车速、车辆的乘客数量;W n run 包括正常行驶路段的人口密度、温度、湿度、天气情况、路况;
步骤3.3,构建数据中心,对Data n 数据进行存储计算,提供高效的数据查询手段,为信息服务提供必要的支撑;
步骤(4),使用公交到站时间预测网络分别预测公交车在站点停留的时间和公交车在站点间正常行驶的时间;
步骤(4)中公交车的到站时间的计算公式可表示为:
公交到站时间预测网络的输入是数据集Data n ,输出是预测得到的公交车到达指定站点的时间S i end ,公交到站时间预测网络由上下两个部分组成:
第一部分,由n个时序子单元串联构成,n 的大小与预测的时间长短有关,每个子单元
的结构相同,分别包含三个全连接层和三个激活层;第一个子单元的停留时间为0,之后的
子单元的输入是上个子单元的输出以及对应时刻的数据集信息Stop i ;先通过
全连接层计算出权重α,再经过激活层将α的大小控制在0到1范围内,矩阵相乘得到;Stop i 中包括物理数据V i 和环境数据W i ,分别将物理数据和环境数据输入到两个全连接层,
先通过全连接层计算出权重β和γ,再经过激活层将β和γ的大小控制在0到1范围内,矩阵
相乘得到βV i 和γW i ;各部分进行矩阵相加和矩阵相乘操作,最后输出,其中;
在网络的最后一层将两部分相加,就能得到公交车到达指定站点的时间S i end ,作为公交到站时间预测网络的输出结果;
步骤(5),将预测出的到站时间应用到公交系统实体。
2.根据权利要求1所述的一种基于数字孪生的公交到站时间预测方法,其特征在于:步骤(1)中对实体信息进行数据清洗的步骤包括:
首先,对物理数据进行清洗;在参考历史公交运行数据的前提下,人工定义采集到的公交车物理数据的容错范围,并根据该范围对物理数据进行清洗,要求只要超出容错范围的数据都算是错误的数据,去除重复、错误的数据,并且使用平均值对不完整的数据进行补充,保证每个路段上的各时刻信息都完整;
然后,对环境数据进行清洗;在充分考虑当地气候特点的前提下,定义可能出现的天气情况,包括弱降水、强降水、雾霾、刮风、晴天、阴天、扬沙和沙尘暴,根据不同天气对公交车运行速度的影响力度不同,将不同天气情况转化成不同大小的数值,要求转化后的数值范围在0到10之间,便于输入到公交到站时间预测网络中进行学习。
3.根据权利要求1所述的一种基于数字孪生的公交到站时间预测方法,其特征在于:步骤(2)中公交仿真算法流程具体包括:
首先,根据处理后的公交实体信息和公交线路信息,可以得到公交车编号、目标站点编号、公交车实体的尺寸数据、运行路线距离、可通行的车道信息、站点位置、交通指示标志位置以及公交专用道位置;然后,按照一定的比例对公交实体和公交线路进行缩放,得到缩放后的实体尺寸信息和位置信息,通过仿真软件构建公交仿真模型,能够真实刻画和映射物理车辆的真实运行状态;最后,在动态实时连接技术的支持下,实现实体公交车与虚拟仿真模型的实时信息交互,对仿真模型中的公交到站时间进行校验,修改仿真模型中的逻辑错误,使得仿真模型可以按照预想的状态运行。
4.根据权利要求3所述的一种基于数字孪生的公交到站时间预测方法,其特征在于:公交仿真模型是多维度融合的模型Mbus,包含:物理模型m1、几何模型m2、行为模型m3、规则模型m4以及通信服务模型m5,即Mbus={m1,m2,m3,m4,m5};
其中,物理模型包括:基础路网模块、公交站点模块、公交线路模块和公交车模块;其中,基础路网模块中根据道路航拍数据以及城市道路规划图,建立路段和连接段,并标注出公交专用道;公交站点模块在基础路网模型的基础上,创建路段中的公交站点,以站点为中心10米的范围都属于公交站点区域,公交站点的数据与实际的智能站台的数据相一致;公交线路模块标注了公交车辆的运行路线,可以实时显示路线上的公交车位置,以及事故频发路段;公交车模块记录了当前公交车的发车时间、到站时间、载客量、公交车编号、经纬度;几何模型体现了公交车的外形、交通信号灯的位置以及道路的尺寸,每个组件的尺寸都是按照同样的比例对实体进行缩放得到的;行为模型记录了公交车的运行路线,以及公交车的速度变化过程,相关数据由车辆的GPS设备获得;规则模型包含公交运行状态监控指标,具体由路段平均速度、乘客拥挤比例、线路运行效率参数构成;通讯服务模型通过提供一个适配器与其它模型交流,实现各模型间的信息交互。
6.根据权利要求1所述的一种基于数字孪生的公交到站时间预测方法,其特征在于:选择均方误差、均方根误差、平均绝对误差、平均绝对百分比误差作为评价指标对公交到站时间预测网络的预测结果进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888828.XA CN115063978B (zh) | 2022-07-27 | 2022-07-27 | 一种基于数字孪生的公交到站时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888828.XA CN115063978B (zh) | 2022-07-27 | 2022-07-27 | 一种基于数字孪生的公交到站时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063978A CN115063978A (zh) | 2022-09-16 |
CN115063978B true CN115063978B (zh) | 2022-11-18 |
Family
ID=83206909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210888828.XA Active CN115063978B (zh) | 2022-07-27 | 2022-07-27 | 一种基于数字孪生的公交到站时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063978B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115714629B (zh) * | 2023-01-06 | 2023-05-09 | 广州通达汽车电气股份有限公司 | 一种时间的同步方法、装置、设备及存储介质 |
CN116543586B (zh) * | 2023-07-03 | 2023-09-08 | 深圳市视想科技有限公司 | 基于数字孪生的智能公交信息展示方法及展示设备 |
CN117634051B (zh) * | 2024-01-18 | 2024-04-09 | 中汽研汽车检验中心(天津)有限公司 | 基于真实道路环境的热泵空调系统仿真预测方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295414A (zh) * | 2013-05-31 | 2013-09-11 | 北京建筑工程学院 | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 |
CN103606272A (zh) * | 2013-11-27 | 2014-02-26 | 北京工业大学 | 一种基于客流量的快速公交到站时刻预测系统与方法 |
CN104123841A (zh) * | 2014-08-14 | 2014-10-29 | 苏州大学 | 一种车辆到站时间的获取方法及系统 |
CN105894848A (zh) * | 2016-06-29 | 2016-08-24 | 合肥民众亿兴软件开发有限公司 | 一种基于网络的公交车到站时间预测方法 |
CN109064742A (zh) * | 2018-08-03 | 2018-12-21 | 北京航空航天大学 | 一种基于svm的自适应公交到站时间预测方法 |
CN109544908A (zh) * | 2018-10-24 | 2019-03-29 | 佛山市慧城信息科技有限公司 | 一种实时预测公交到站时间的方法、电子设备及存储介质 |
CN110969269A (zh) * | 2018-09-28 | 2020-04-07 | 福特全球技术公司 | 搭乘请求交互 |
CN112766599A (zh) * | 2021-01-29 | 2021-05-07 | 广州源创动力科技有限公司 | 一种基于深度强化学习的智能运维方法 |
CN112990536A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分位数卷积网络的公交到站时间预测方法 |
CN113177377A (zh) * | 2021-05-24 | 2021-07-27 | 北京交通大学 | 一种基于数字孪生的智慧城市轨道交通线网管理系统 |
WO2021222384A1 (en) * | 2020-04-28 | 2021-11-04 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
CN113642242A (zh) * | 2021-08-17 | 2021-11-12 | 上海电气集团智能交通科技有限公司 | 一种基于数字孪生的智能公交车交通仿真平台 |
CN113905567A (zh) * | 2021-10-21 | 2022-01-07 | 广东工贸职业技术学院 | 城市物联网web3d虚拟技术传输用一体化接入终端 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19944310C2 (de) * | 1999-09-15 | 2002-01-31 | Siemens Ag | Verfahren und System zur Priorisierung des öffentlichen Personennahverkehrs |
CN112766360A (zh) * | 2021-01-15 | 2021-05-07 | 浙江工业大学 | 一种基于时序二维化和宽度学习的时间序列分类方法和系统 |
-
2022
- 2022-07-27 CN CN202210888828.XA patent/CN115063978B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295414A (zh) * | 2013-05-31 | 2013-09-11 | 北京建筑工程学院 | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 |
CN103606272A (zh) * | 2013-11-27 | 2014-02-26 | 北京工业大学 | 一种基于客流量的快速公交到站时刻预测系统与方法 |
CN104123841A (zh) * | 2014-08-14 | 2014-10-29 | 苏州大学 | 一种车辆到站时间的获取方法及系统 |
CN105894848A (zh) * | 2016-06-29 | 2016-08-24 | 合肥民众亿兴软件开发有限公司 | 一种基于网络的公交车到站时间预测方法 |
CN109064742A (zh) * | 2018-08-03 | 2018-12-21 | 北京航空航天大学 | 一种基于svm的自适应公交到站时间预测方法 |
CN110969269A (zh) * | 2018-09-28 | 2020-04-07 | 福特全球技术公司 | 搭乘请求交互 |
CN109544908A (zh) * | 2018-10-24 | 2019-03-29 | 佛山市慧城信息科技有限公司 | 一种实时预测公交到站时间的方法、电子设备及存储介质 |
WO2021222384A1 (en) * | 2020-04-28 | 2021-11-04 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
CN112990536A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分位数卷积网络的公交到站时间预测方法 |
CN112766599A (zh) * | 2021-01-29 | 2021-05-07 | 广州源创动力科技有限公司 | 一种基于深度强化学习的智能运维方法 |
CN113177377A (zh) * | 2021-05-24 | 2021-07-27 | 北京交通大学 | 一种基于数字孪生的智慧城市轨道交通线网管理系统 |
CN113642242A (zh) * | 2021-08-17 | 2021-11-12 | 上海电气集团智能交通科技有限公司 | 一种基于数字孪生的智能公交车交通仿真平台 |
CN113905567A (zh) * | 2021-10-21 | 2022-01-07 | 广东工贸职业技术学院 | 城市物联网web3d虚拟技术传输用一体化接入终端 |
Non-Patent Citations (1)
Title |
---|
基于数字孪生的公交运行状态预测与调度优化;伦嘉铭;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220315(第03期);正文第11-17页,31-53页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115063978A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115063978B (zh) | 一种基于数字孪生的公交到站时间预测方法 | |
CN107229690B (zh) | 基于路侧传感器的高精度动态地图数据处理系统及方法 | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN109688224A (zh) | 一种智能网联汽车云控平台架构 | |
CN102081859B (zh) | 一种公交车到站时间预测模型控制方法 | |
CN111275965B (zh) | 一种基于互联网大数据的实时交通仿真分析系统与方法 | |
CN110766211B (zh) | 一种实时路况下的车辆路径规划问题模型创建方法 | |
CN107564310A (zh) | 一种基于道路交通信息云处理的车路互联系统及方法 | |
CN112734097B (zh) | 无人驾驶列车能耗预测方法、系统及存储介质 | |
CN104200649A (zh) | 基于预先申请的交通高峰期路线资源调度分配系统与方法 | |
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 | |
CN110136457A (zh) | 基于微观交通仿真的城市交叉口群协调优化方法 | |
WO2021115320A1 (zh) | 交通评估方法和系统 | |
CN110990661B (zh) | 一种基于路网约束和密度聚类的兴趣区域出入口提取方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN106251628B (zh) | 一种确定机动车的交通出行量的方法及装置 | |
CN113177742A (zh) | 基于智能交通的公交服务方法、系统、终端及存储介质 | |
CN105513356A (zh) | 一种基于轨迹追踪的od矩阵估计方法与系统 | |
CN107180534A (zh) | 支持向量回归机融合的高速公路路段平均速度估计方法 | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
CN109544967A (zh) | 一种基于低频avl数据的公交线网运行状态监控方法 | |
CN113793500A (zh) | 城市交通道路可计算路网的构建方法及系统 | |
CN113434619A (zh) | 一种4g的高速公路智能交通路况监控系统 | |
CN112100163A (zh) | 一种基于三维卷积神经网络的路网状态时空预测方法 | |
CN116629425A (zh) | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 |
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 |