CN116153125A - 一种基于ida-rnn模型的空间维度公交到达时间预测方法 - Google Patents

Abstract

本发明公开了一种基于IDA‑RNN模型的空间维度公交到达时间预测方法，利用IDA‑RNN模型在双重注意力递归神经网络的空间维度下进行对公交到达时间预测，利用时间域中空间变化特征的影响，同时考虑公交运行前后车跟驰关系制定了空间域中的预测问题，从空间维度对公交到达时间进行准确、可靠的预测，为实现智能主动公交管控提供重要技术支撑，依据公交到达时间预测结果，交通管理者和组织者可据此制定完善交通运营与管理措施以提升公交系统运行效率，科学安排出行计划，从而有效增强城市公交的吸引力，减轻城市道路交通压力，提高居民出行体验，提升公交出行分担率。

Description

一种基于IDA-RNN模型的空间维度公交到达时间预测方法

技术领域

本发明涉及公交管理与控制领域，具体是一种基于IDA-RNN模型的空间维度公交到达时间预测方法。

背景技术

公共交通能够比私家车更有效地运送乘客，尤其是在人口密集、拥挤的城市地区。公交车为乘客提供了一种具有良好适应性、安全性、环境友好性和经济性的出行方式。公交站点到达时间实时预测是交通预测的一个重要部分，在智能交通系统领域得到了广泛关注，并且在公交信息系统中发挥着关键作用，为乘客选择其出行交通方式提供了重要信息。然而，估计或预测的公交车辆到达时间通常存在不精确的误差。如果能够获得准确的公交车辆到达时间，公交出行者可以更有效和方便地改变他们的出行路线，减少因等待而产生的焦虑。同时，准确的公交车辆到达时间预测可以进一步促进公交车辆控制方法的发展。

在过去十年中，公交车辆到达时间预测方法得到了广泛的研究。这些方法通常可分为基于历史信息的方法、基于统计回归的方法和基于机器学习的方法。基于历史信息的方法假设公交车辆到达时间是重复的，因为交通通常表现出季节性，然而当交通状况因意外交通事件而发生重大变化时，预测结果通常不令人满意。基于统计回归的方法主要依赖于自相关模型，例如自回归模型，但由于非线性拥堵模式和多变的公交运营环境，仍然存在准确性不足的问题。

公交车辆到达时间预测侧重于使用历史时间序列数据，因为基于GPS的位置和速度数据通常是时间相关的。然而，交叉口或瓶颈处的交通状况除了在时间上变化外，还在空间上变化，而既有研究对于公交运行的空间相关性缺乏充分考量。此外，通常忽略了公交车辆的跟驰交互，跟驰交互的建模非常重要，因为它们可以直接影响站台停留时间。这些交互作用会进一步引发公交串车现象。

本申请旨在利用IDA-RNN模型在双重注意力递归神经网络的空间维度下进行对公交到达时间预测，利用时间域中空间变化特征的影响，同时考虑公交运行前后车跟驰关系制定了空间域中的预测问题，从空间维度对公交到达时间进行准确、可靠的预测，为实现智能主动公交管控提供重要技术支撑。

发明内容

本发明的目的在于提供一种基于IDA-RNN模型的空间维度公交到达时间预测方法，以解决现有技术中的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于IDA-RNN模型的空间维度公交到达时间预测方法：

S1：将研究路网内部的公交站台位置坐标与公交运行轨迹信息进行匹配，根据公交轨迹数据映射获得一维公交运行数据，即公交行驶距离，对公交运行轨迹数据进行空间序列转换，基于转换后的空间序列数据进行分析；

S2：将公交车的运行状态特征与公交车到达时间定量关联，分别对预测目标公交和后车跟驰公交的运行特征进行选择，以获得能够反映公交车运行状态的部分特征，然后将获取的公交运行的相关特征进行合并，预测不同空间位置的公交运行状态空间；

S3：分别使用基于输入注意力的编码器和基于空间注意力的解码器，基于输入注意力编码器构建一个基于LSTM的编码器以选择性地关注特定的空间序列，基于空间注意力解码器构建另一个基于LSTM的解码器来解码所编码的输入信息；

S4：构建集成公交到达时间预测模型，将相关序列用作集成公交到达时间预测模型内部的不同模块的输入，分别捕获输入注意力编码器和空间注意力解码器解码预测的目标公交估计到达时间；

S5：结合公交运行的历史信息，采用前一天的到达时间作为参考目标序列，结合构建的公交到达时间预测模型学习获得公交车到达时间的非线性映射，输入至公交到达时间预测模型对公交到达时间结果进行预测。

进一步设置：步骤S1中，将研究路网内部的公交站台位置坐标与公交运行轨迹信息进行匹配，根据公交轨迹数据映射获得一维公交运行数据，即公交行驶距离，对公交运行轨迹数据进行空间序列转换，基于转换后的空间序列数据进行分析，还包括以下步骤：

S11：提取研究路网内部公交站台的经纬度坐标数据和公交运行轨迹信息，将公交站台的经纬度坐标和公交运行轨迹信息进行匹配，根据公交站台匹配结果，提取公交到站时间与公交离站时间，进一步计算路段行程时间、站台停靠时间与车头时距信息；

S12：基于公交运行时空图将二维公交站台经纬度运行数据映射到一维公交行程，得到一维公交运行数据，即公交行驶距离，其中，公交车辆的行驶距离通过累加每两个连续公交运行轨迹定位记录之间的欧氏距离进行计算，设定每两条连续定位记录数据之间的欧式距离为d，根据公式：

其中，R为地球半径，α₁与α₂分别为前后两条连续公交运行定位数据的纬度，β₁与β₂分别为前后两条连续公交运行定位数据的经度；

S13：对公交运行轨迹数据空间序列转换，通过将沿时间轴的公交行驶距离转换为沿距离轴的公交行程时间，对于目标公交车辆前后跟驰公交车辆，根据研究路网内部目标公交车辆在所运营线路全部站点的到达情况，将公交车辆行程数据根据站点数量分为多个部分，每个部分将公交运行轨迹数据从时间序列数据转换为空间序列数据，两个连续公交站点之间的空间间隔均匀划分。

进一步设置：S2中将公交车的运行状态特征与公交车到达时间定量关联，分别对预测目标公交和后车跟驰公交的运行特征进行选择，以获得能够反映公交车运行状态的部分特征，然后将获取的公交运行的相关特征进行合并，预测不同空间位置的公交运行状态空间，还包括以下步骤：

S21：挑选预测目标公交运行特征与公交车到达时间进行关联，选择预测目标公交不同的特征综合表征预测目标公交车辆运行状态特性，预测目标公交的特征包括目标公交从当前空间位置到下一公交站点的剩余距离、目标公交从前一站点驶出时到当前时刻的行驶时间、目标公交从上一空间位置到当前空间位置的行程时间、目标公交在当前空间位置时的行驶速度；

其中，设定目标公交当前空间位置为p，上一空间位置为p-1；目标公交当前空间位置的下一站点为q，前一站点为q-1，设定目标公交从当前空间位置到下一公交站点的剩余距离为d_tar(p)，根据公式进行定义：

设定目标公交从前一站点驶出时到当前时刻的行驶时间为t_tar(p)，根据公式进行定义：

设定目标公交从上一空间位置到当前空间位置的行程时间为

根据公式进行定义：

设定目标公交在当前空间位置时的行驶速度为

根据公式进行定义：

其中，D^q为目标公交运行前方下一站点q的绝对位置，D^q(p)为目标公交在当前空间p的绝对位置，

为目标公交到达当前运行空间位置p时的时间戳，

为目标公交到达站点q-1时的时间戳，

为目标公交到达运行空间位置p-1时的时间戳，Δp为空间位置p-1至空间位置p的距离长度；

S22：挑选重要的后车跟驰公交运行特征与公交车到达时间进行关联，对后车跟驰公交不同运行特征进行选择，选择不同特征综合考虑对预测目标公交运行中站台停留时间产生间接影响的后车跟驰公交运行状态特性，包括目标公交与后车跟驰公交之间的车头时距、目标公交与后车跟驰公交之间的空间车头时距；

设定目标公交与后车跟驰公交之间的车头时距为H^q(p)，根据公式进行定义：

设定目标公交与后车跟驰公交之间的空间车头时距为SH^q(p)，根据公式进行定义：

其中，

为目标公交到达位置p时跟驰公交的空间位置，

为目标公交到达运行空间位置

时的时间戳，

为跟驰公交在当前空间位置

时的行驶速度；

S23：对预测目标公交运行状态进行空间构造，将步骤S21～S22提取的公交运行空间相关特征进行合并，同时采用前一天位于空间位置的目标公交到达站点的时间作为参考目标，设定前一天位于空间位置p的目标公交到达站点q的时间为

根据公式进行定义：

其中，

为于始发站预定发车时间相同的同一班次公交车在前一天到达下一站点q的时间戳，

为于始发站预定发车时间相同的同一班次公交车在前一天到达当前空间位置p的时间戳，

根据上述定义公式，设定各空间位置p处的目标公交运行状态空间构造为p(p)，根据公式：

其中，x¹,x²,x³,x⁴,x⁵,x⁶,r分别为各个变量所对应的特征变量。

进一步设置：S3中，基于输入注意力编码器构建一个基于LSTM的编码器以选择性地关注特定的空间序列，还包括以下步骤：

构建输入注意力编码器，给定输入序列X＝(x₁,x₂,…,x_P)，x_p∈Rⁿ，编码器在所有空间位置中从输入序列学习到隐藏状态的映射，设定空间位置为p∈[1,P]，输入序列为x₁,…,x_p，隐藏状态为h₁,…,h_P，根据公式表示如下：

h₁,…,h_P＝Encoder(h₀,…,h_p-1,x₁,…,x_P)

其中，h_p∈R^m为编码器在空间位置p处的隐藏状态，m为隐藏状态的大小；

给定k个输入序列

参考前一隐藏状态和编码器LSTM单元中的单元状态，设定前一隐藏状态为h_p-1，码器LSTM单元中的单元状态为s_p-1，通过确定性注意力模型构建输入注意力机制，根据公式：

其中，v_e∈R^p,W_e∈R^P×2m,U_e∈R^P×P为学习参数，

为衡量在空间位置p处第k个输入特征重要性的注意力权重，在

表达式中应用softmax函数以确保所有注意力权重总和为1，基于注意力权重自适应地提取输入，根据公式：

使用LSTM单元来捕获长期空间依赖性，其中空间位置p处公共LSTM单元包括三个由神经网络组成的门，分别是遗忘门，输入门和输出门，LSTM单元跟踪包含长期信息的单元状态和表示基于三个门的记忆的隐藏状态，设定遗忘门为f_p、输入门为i_p、输出门为o_p，设定期信息的单元状态为s_p和表示基于三个门的记忆的隐藏状态为h_p，根据公式对空间位置p处空间序列的LSTM单元的更新函数为：

h_p＝LSTM(h_p-1,x_p)

其中，更新一个LSTM单元综合公式为：

f_p＝σ(W_f[h_p-1；x_p]+b_f)

i_p＝σ(W_i[h_p-1；x_p]+b_i)

o_p＝σ(W_o[h_p-1；x_p]+b_o)

s_p＝f⊙s_p-1+i_p⊙tanh(W_s[h_p-1；x_p]+b_s)

h_p＝o_p⊙tanh(s_p)

其中，[h_p-1；x_p]∈R^m+n为前一隐藏状态h_p-1和当前输入x_p拼接，对应着维数增加，W_f,W_i,E_o,W_s∈R^m×(m+n)和b_f,b_i,b_o,b_s∈R^m为学习参数，σ(·)为sigmoid函数，tanh是双曲正切函数；

根据新的加权输入

空间位置p的隐藏状态可以通过LSTM单元更新为：

进一步设置：S3中，基于空间注意力解码器构建另一个基于LSTM的解码器来解码所编码的输入信息，还包括以下步骤：

构建空间注意力解码器，解码所编码的输入信息，在空间位置P预测输出，输出值为y^P，根据公式：：

在空间注意力解码器中采用空间注意力机制，在所有空间位置中自适应选择相关的编码器隐藏状态，基于前一空间位置的解码器隐藏状态和LSTM单元的单元状态计算空间位置p每个编码器隐藏状态的注意力权重，设定前一空间位置的解码器隐藏状态为d_p-1∈R^m′，LSTM单元的单元状态为s′_p-1∈R^m′，根据公式：

其中，[d_p-1；s′_p-1]∈R^2m是前一个隐藏状态d_p-1和LSTM单元的单元状态s′_p-1拼接，对应着维数增加，v_d∈R^P,W_e∈R^P×2m,U_e∈R^P×P为学习参数，注意力权重

表示第i个编码器隐藏状态对于预测的重要性，注意力机制提供了上下文向量c_p作为所有编码器隐藏状态{h₁,h₂,…,h_P}的加权和：

根据上述函数得到加权求和的上下文向量，将它们与给定的参考目标序列结合起来，设定参考目标序列为r₁,r₂,…,r_P-1，根据公式：

其中，[y_p-1；c_p-1]∈R^m+1为解码器输入r_p-1和计算得出的上下文向量c_p拼接，对应着维数增加，

与

为算法参数将拼接映射为解码器输入的大小，新计算得出的

用于更新空间位置p处的解码器隐藏状态，设定当前解码器隐藏状态为d_p，根据公式：

通过所有观察到的输入序列和参考目标序列，获得估计的当前输出，设定当前输出为

根据公式：

其中，F为使用算法模型逼近的函数，[d_P；c_P]∈R^m+m′为解码器隐藏状态和上下文向量的拼接，W_y∈R^{m′×(m′+m)}与b_w∈R^m′为算法参数将拼接映射为解码器输入的大小，v_y∈R^m′为线性函数的权重，b_v∈R为线性函数的偏差。

进一步设置：S4中，构建集成公交到达时间预测模型，将相关序列用作集成公交到达时间预测模型内部的不同模块的输入，分别捕获输入注意力编码器和空间注意力解码器解码预测的目标公交估计到达时间，还包括以下步骤：

构建集成公交到达时间预测模型，其中集成公交到达时间预测模型包含两个模块，分别用于输出目标公交的估计到达时间的到达时间预测器模块和用于输出后车跟驰公交是否超过目标公交的指示符的指示符预测器模块；

到达时间预测器模块中到达时间预测器采用输入注意力编码器和空间注意力解码器，指示符预测器模块中指示符预测器采用输入注意力编码器和全连接层，将指示符预测器模块中输入注意力编码器的输出值加到到达时间预测器模块中的输入注意力编码器输出值上，将相同的序列用作到达时间预测器模块和指示符预测器模块的输入，设定序列为X＝(x₁,x₂,…,x_P)＝x_1…P，根据公式两个输入注意力编码器的映射函数定义为：

其中，

为到达时间预测器模块中输入注意力编码器输出的隐藏状态，

为指示符预测器模块中输入注意力编码器输出的隐藏状态；

在指示符预测器模块中应用一个全连接层将隐藏状态映射到超车的0-1指标，根据公式：

考虑参数优化过程中超车条件的影响，将指示符预测器模块中的隐藏状态添加到到达时间预测器模块中的隐藏状态，设定新的隐藏状态为

根据公式：

将新的隐藏状态和参考目标序列映射到预测到达时间的空间注意力解码器进行定义为

设定参考目标序列r_1…P-1，根据公式：

进一步设置：S5中，结合公交运行的历史信息，采用前一天的到达时间作为参考目标序列，结合构建的公交到达时间预测模型学习获得公交车到达时间的非线性映射，输入至公交到达时间预测模型对公交到达时间结果进行预测，还包括以下步骤：

S51：结合给定目标公交运行的历史信息，采用前一天的目标到达时间作为参考目标序列，结合构建的集成公交到达时间预测模型学习获得公交车到达时间的非线性映射，将筛选好关键特征的标准化数据输入至集成公交到达时间预测模型；

S52：预测目标公交从上一站到下一站的行程中到下一站的剩余行程时间，设定剩余行程时间为

根据公式：

依据不同不规则交通状况，判定目标公交车是否被后续公交车超越，引入一个0-1指标来表示目标公交车是否被后续公交车超越，定义0-1指标为y_ind；

若当前空间位置p到目标公交车下一站站点q的剩余距离和当前位置p到目标公交车下一站站点q的剩余行程时间大于后面的总线，即y_ind＝1；

通过引入指标，将输出y定义更新为下一班车在空间位置p停靠下一站站点q的到达时间，设定当前空间位置p到目标公交车下一站站点q的剩余距离为

当前位置p到目标公交车下一站站点q的剩余行程时间为

根据公式：

给定一个输入特征矩阵，设定为

其中n是特征数量，P是空间窗口大小的长度，

表示长度为P的特征k∈[1,n]的空间序列，

表示在空间位置p处所有n个输入特征的向量；

S53：预测公交车从上一站到下一站的行程中到下一站的剩余行程时间，对连续的两个停靠点q-1和停靠点q之间的空间以间隔Δp均匀划分；

采用前一天的到达时间作为参考目标序列，设定前一天的到达时间为

设定给定空间范围为[1,P-1]，空间范围中参考目标序列的值r＝(r₁,r₂,…,r_P-1)∈R^p-1，以及当前和先前空间范围[1,P]中的n个输入空间序列，依据构建的预测模型学习在当前位置P处公交车到达时间y_P的非线性映射，根据公式：

其中，F(·)为是训练学习的非线性映射函数。

与现有技术相比，本发明的有益效果是：旨在利用IDA-RNN模型在双重注意力递归神经网络的空间维度下进行对公交到达时间预测，利用时间域中空间变化特征的影响，同时考虑公交运行前后车跟驰关系制定了空间域中的预测问题，从空间维度对公交到达时间进行准确、可靠的预测，为实现智能主动公交管控提供重要技术支撑；

本技术可以较好的识别同一条线路公交车在规定运营线路和时刻表条件下的超车情况，并且能够提供较好的接近到达时间的变化，以便于交通管理者根据公交车辆的实时运行情况，对公交运行过程进行主动管理和控制，提升公交运营管理的科学性。本技术即使在公交车串车问题发生时也能提供准确的预测。依据公交到达时间预测结果，交通管理者和组织者可据此制定完善交通运营与管理措施以提升公交系统运行效率，科学安排出行计划，从而有效增强城市公交的吸引力，减轻城市道路交通压力，提高居民出行体验，提升公交出行分担率。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。

图1为本发明一种基于IDA-RNN模型的空间维度公交到达时间预测方法的整体步骤示意图；

图2为本发明一种基于IDA-RNN模型的空间维度公交到达时间预测方法的步骤S1具体示意图；

图3为本发明一种基于IDA-RNN模型的空间维度公交到达时间预测方法的步骤S2具体示意图；

图4为本发明一种基于IDA-RNN模型的空间维度公交到达时间预测方法的步骤S5具体示意图。

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。

请参阅图1～4，本发明实施例中，一种基于IDA-RNN模型的空间维度公交到达时间预测方法：

S1：将研究路网内部的公交站台位置坐标与公交运行轨迹信息进行匹配，根据公交轨迹数据映射获得一维公交运行数据，即公交行驶距离，对公交运行轨迹数据进行空间序列转换，基于转换后的空间序列数据进行分析；

参照图2具体说明，步骤S1中，还包括以下步骤：

S11：提取研究路网内部公交站台的经纬度坐标数据和公交运行轨迹信息，将公交站台的经纬度坐标和公交运行轨迹信息进行匹配，根据公交站台匹配结果，提取公交到站时间与公交离站时间，进一步计算路段行程时间、站台停靠时间与车头时距信息；

S12：基于公交运行时空图将二维公交站台经纬度运行数据映射到一维公交行程，得到一维公交运行数据，即公交行驶距离，其中，公交车辆的行驶距离通过累加每两个连续公交运行轨迹定位记录之间的欧氏距离进行计算，设定每两条连续定位记录数据之间的欧式距离为d，根据公式：

其中，R为地球半径，α₁与α₂分别为前后两条连续公交运行定位数据的纬度，β₁与β₂分别为前后两条连续公交运行定位数据的经度；

S13：对公交运行轨迹数据空间序列转换，通过将沿时间轴的公交行驶距离转换为沿距离轴的公交行程时间，对于目标公交车辆前后跟驰公交车辆，根据研究路网内部目标公交车辆在所运营线路全部站点的到达情况，将公交车辆行程数据根据站点数量分为多个部分，每个部分将公交运行轨迹数据从时间序列数据转换为空间序列数据，两个连续公交站点之间的空间间隔均匀划分。

S2：将公交车的运行状态特征与公交车到达时间定量关联，分别对预测目标公交和后车跟驰公交的运行特征进行选择，以获得能够反映公交车运行状态的部分特征，然后将获取的公交运行的相关特征进行合并，预测不同空间位置的公交运行状态空间；

参照图3具体说明，步骤S2中，还包括以下步骤：

S21：挑选预测目标公交运行特征与公交车到达时间进行关联，选择预测目标公交不同的特征综合表征预测目标公交车辆运行状态特性，预测目标公交的特征包括目标公交从当前空间位置到下一公交站点的剩余距离、目标公交从前一站点驶出时到当前时刻的行驶时间、目标公交从上一空间位置到当前空间位置的行程时间、目标公交在当前空间位置时的行驶速度；

其中，设定目标公交当前空间位置为p，上一空间位置为p-1；目标公交当前空间位置的下一站点为q，前一站点为q-1，设定目标公交从当前空间位置到下一公交站点的剩余距离为d_tar(p)，根据公式进行定义：

设定目标公交从前一站点驶出时到当前时刻的行驶时间为t_tar(p)，根据公式进行定义：

设定目标公交从上一空间位置到当前空间位置的行程时间为

根据公式进行定义：

设定目标公交在当前空间位置时的行驶速度为

根据公式进行定义：

其中，D^q为目标公交运行前方下一站点q的绝对位置，D^q(p)为目标公交在当前空间p的绝对位置，

为目标公交到达当前运行空间位置p时的时间戳，

为目标公交到达站点q-1时的时间戳，

为目标公交到达运行空间位置p-1时的时间戳，Δp为空间位置p-1至空间位置p的距离长度；

S22：挑选重要的后车跟驰公交运行特征与公交车到达时间进行关联，对后车跟驰公交不同运行特征进行选择，选择不同特征综合考虑对预测目标公交运行中站台停留时间产生间接影响的后车跟驰公交运行状态特性，包括目标公交与后车跟驰公交之间的车头时距、目标公交与后车跟驰公交之间的空间车头时距；

设定目标公交与后车跟驰公交之间的车头时距为H^q(p)，根据公式进行定义：

设定目标公交与后车跟驰公交之间的空间车头时距为SH^q(p)，根据公式进行定义：

其中，

为目标公交到达位置p时跟驰公交的空间位置，

为目标公交到达运行空间位置

时的时间戳，

为跟驰公交在当前空间位置

时的行驶速度；

S23：对预测目标公交运行状态进行空间构造，将步骤S21～S22提取的公交运行空间相关特征进行合并，同时采用前一天位于空间位置的目标公交到达站点的时间作为参考目标，设定前一天位于空间位置p的目标公交到达站点q的时间为

根据公式进行定义：

其中，

为于始发站预定发车时间相同的同一班次公交车在前一天到达下一站点q的时间戳，

为于始发站预定发车时间相同的同一班次公交车在前一天到达当前空间位置p的时间戳，

根据上述定义公式，设定各空间位置p处的目标公交运行状态空间构造为p(p)，根据公式：

其中，x¹,x²,x³,x⁴,x⁵,x⁶,r分别为各个变量所对应的特征变量。

S3：分别使用基于输入注意力的编码器和基于空间注意力的解码器，基于输入注意力编码器构建一个基于LSTM的编码器以选择性地关注特定的空间序列，基于空间注意力解码器构建另一个基于LSTM的解码器来解码所编码的输入信息；

需要进一步说明S3中，基于输入注意力编码器构建一个基于LSTM的编码器以选择性地关注特定的空间序列，还包括以下步骤：

构建输入注意力编码器，给定输入序列X＝(x₁,x₂,…,x_P)，x_P∈Rⁿ，编码器在所有空间位置中从输入序列学习到隐藏状态的映射，设定空间位置为p∈[1,P]，输入序列为x₁,…,x_p，隐藏状态为h₁,…,h_P，根据公式表示如下：

h₁,…,h_P＝Encoder(h₀,…,h_p-1,x₁,…,x_P)

其中，h_p∈R^m为编码器在空间位置p处的隐藏状态，m为隐藏状态的大小；

给定k个输入序列

参考前一隐藏状态和编码器LSTM单元中的单元状态，设定前一隐藏状态为h_p-1，码器LSTM单元中的单元状态为s_p-1，通过确定性注意力模型构建输入注意力机制，根据公式：

其中，v_e∈R^P,W_e∈R^P×2m,U_e∈R^P×P为学习参数，

为衡量在空间位置p处第k个输入特征重要性的注意力权重，在

表达式中应用softmax函数以确保所有注意力权重总和为1，基于注意力权重自适应地提取输入，根据公式：

使用LSTM单元来捕获长期空间依赖性，其中空间位置p处公共LSTM单元包括三个由神经网络组成的门，分别是遗忘门，输入门和输出门，LSTM单元跟踪包含长期信息的单元状态和表示基于三个门的记忆的隐藏状态，设定遗忘门为f_p、输入门为i_p、输出门为o_p，设定期信息的单元状态为s_p和表示基于三个门的记忆的隐藏状态为h_p，根据公式对空间位置p处空间序列的LSTM单元的更新函数为：

h_p＝LSTM(h_p-1,x_p)

其中，更新一个LSTM单元综合公式为：

f_p＝σ(W_f[h_p-1；x_p]+b_f)

i_p＝σ(W_i[h_p-1；x_p]+b_i)

o_p＝σ(W_o[h_p-1；x_p]+b_o)

s_p＝f⊙s_p-1+i_p⊙tanh(W_s[h_p-1；x_p]+b_s)

h_p＝o_p⊙tanh(s_p)

其中，[h_p-1；x_p]∈R^m+n为前一隐藏状态h_p-1和当前输入x_p拼接，对应着维数增加，W_f,W_i,W_o,W_s∈R^m×(m+n)和b_f,b_i,b_o,b_s∈R^m为学习参数，σ(·)为sigmoid函数，tanh是双曲正切函数；

根据新的加权输入

空间位置p的隐藏状态可以通过LSTM单元更新为：

需要进一步说明S3中，基于空间注意力解码器构建另一个基于LSTM的解码器来解码所编码的输入信息，还包括以下步骤：

构建空间注意力解码器，解码所编码的输入信息，在空间位置P预测输出，输出值为y^P，根据公式：：

在空间注意力解码器中采用空间注意力机制，在所有空间位置中自适应选择相关的编码器隐藏状态，基于前一空间位置的解码器隐藏状态和LSTM单元的单元状态计算空间位置p每个编码器隐藏状态的注意力权重，设定前一空间位置的解码器隐藏状态为d_p-1∈R^m′，LSTM单元的单元状态为s′_p-1∈R^m′，根据公式：

其中，[d_p-1；s′_p-1]∈R^2m是前一个隐藏状态d_p-1和LSTM单元的单元状态s′_p-1拼接，对应着维数增加，v_d∈R^P,W_e∈R^P×2m,U_e∈R^P×P为学习参数，注意力权重

表示第i个编码器隐藏状态对于预测的重要性，注意力机制提供了上下文向量c_p作为所有编码器隐藏状态{h₁,h₂,…,h_P}的加权和：

根据上述函数得到加权求和的上下文向量，将它们与给定的参考目标序列结合起来，设定参考目标序列为r₁,r₂,…,r_P-1，根据公式：

其中，[y_p-1；c_p-1]∈R^m+1为解码器输入r_p-1和计算得出的上下文向量c_p拼接，对应着维数增加，

与

为算法参数将拼接映射为解码器输入的大小，新计算得出的

用于更新空间位置p处的解码器隐藏状态，设定当前解码器隐藏状态为d_p，根据公式：

通过所有观察到的输入序列和参考目标序列，获得估计的当前输出，设定当前输出为

根据公式：

其中，F为使用算法模型逼近的函数，[d_P；c_P]∈R^m+m′为解码器隐藏状态和上下文向量的拼接，W_y∈R^{m′×(m′+m)}与b_w∈R^m′为算法参数将拼接映射为解码器输入的大小，v_y∈R^m′为线性函数的权重，b_v∈R为线性函数的偏差。

S4：构建集成公交到达时间预测模型，将相关序列用作集成公交到达时间预测模型内部的不同模块的输入，分别捕获输入注意力编码器和空间注意力解码器解码预测的目标公交估计到达时间；

需要具体说明S4中，包括以下步骤：

构建集成公交到达时间预测模型，其中集成公交到达时间预测模型包含两个模块，分别用于输出目标公交的估计到达时间的到达时间预测器模块和用于输出后车跟驰公交是否超过目标公交的指示符的指示符预测器模块；

到达时间预测器模块中到达时间预测器采用输入注意力编码器和空间注意力解码器，指示符预测器模块中指示符预测器采用输入注意力编码器和全连接层，将指示符预测器模块中输入注意力编码器的输出值加到到达时间预测器模块中的输入注意力编码器输出值上，将相同的序列用作到达时间预测器模块和指示符预测器模块的输入，设定序列为X＝(x₁,x₂,…,x_P)＝x_1…P，根据公式两个输入注意力编码器的映射函数定义为：

其中，

为到达时间预测器模块中输入注意力编码器输出的隐藏状态，

为指示符预测器模块中输入注意力编码器输出的隐藏状态；

在指示符预测器模块中应用一个全连接层将隐藏状态映射到超车的0-1指标，根据公式：

考虑参数优化过程中超车条件的影响，将指示符预测器模块中的隐藏状态添加到到达时间预测器模块中的隐藏状态，设定新的隐藏状态为

根据公式：

将新的隐藏状态和参考目标序列映射到预测到达时间的空间注意力解码器进行定义为

设定参考目标序列r_1…P-1，根据公式：

S5：结合公交运行的历史信息，采用前一天的到达时间作为参考目标序列，结合构建的公交到达时间预测模型学习获得公交车到达时间的非线性映射，输入至公交到达时间预测模型对公交到达时间结果进行预测。

需要具体说明的是，根据图4，步骤S5中包括以下步骤：

S51：结合给定目标公交运行的历史信息，采用前一天的目标到达时间作为参考目标序列，结合构建的集成公交到达时间预测模型学习获得公交车到达时间的非线性映射，将筛选好关键特征的标准化数据输入至集成公交到达时间预测模型；

S52：预测目标公交从上一站到下一站的行程中到下一站的剩余行程时间，设定剩余行程时间为

根据公式：

依据不同不规则交通状况，不同不规则交通状况包括交通拥堵和客流量不平衡，判定目标公交车是否被后续公交车超越，引入一个0-1指标来表示目标公交车是否被后续公交车超越，定义0-1指标为y_ind；

若当前空间位置p到目标公交车下一站站点q的剩余距离和当前位置p到目标公交车下一站站点q的剩余行程时间大于后面的总线，即y_ind＝1；

通过引入指标，将输出y定义更新为下一班车在空间位置p停靠下一站站点q的到达时间，设定当前空间位置p到目标公交车下一站站点q的剩余距离为

当前位置p到目标公交车下一站站点q的剩余行程时间为

根据公式：

给定一个输入特征矩阵，设定为

其中n是特征数量，P是空间窗口大小的长度，

表示长度为P的特征k∈[1,n]的空间序列，

表示在空间位置p处所有n个输入特征的向量；

S53：预测公交车从上一站到下一站的行程中到下一站的剩余行程时间，对连续的两个停靠点q-1和停靠点q之间的空间以间隔Δp均匀划分；

由于公交车在行驶过程中到下一站点实际到达时间在到达站点前始终为未知，输出的历史序列

在空间窗口(1,2,…,P-1)中始终未知；

采用前一天的到达时间作为参考目标序列，设定前一天的到达时间为

设定给定空间范围为[1,P-1]，空间范围中参考目标序列的值为r＝(r₁,r₂,…,r_P-1)∈R^P-1，以及当前和先前空间范围[1,P]中的n个输入空间序列，依据构建的预测模型学习在当前位置P处公交车到达时间y_P的非线性映射，根据公式：

其中，F(·)为是训练学习的非线性映射函数。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (7)

1.一种基于IDA-RNN模型的空间维度公交到达时间预测方法，其特征在于：所述方法包括以下步骤：

S1：将研究路网内部的公交站台位置坐标与公交运行轨迹信息进行匹配，根据公交轨迹数据映射获得一维公交运行数据，即公交行驶距离，对公交运行轨迹数据进行空间序列转换，基于转换后的空间序列数据进行分析；

S2：将公交车的运行状态特征与公交车到达时间定量关联，分别对预测目标公交和后车跟驰公交的运行特征进行选择，以获得能够反映公交车运行状态的部分特征，然后将获取的公交运行的相关特征进行合并，预测不同空间位置的公交运行状态空间；

S3：分别使用基于输入注意力的编码器和基于空间注意力的解码器，基于输入注意力编码器构建一个基于LSTM的编码器以选择性地关注特定的空间序列，基于空间注意力解码器构建另一个基于LSTM的解码器来解码所编码的输入信息；

S4：构建集成公交到达时间预测模型，将相关序列用作集成公交到达时间预测模型内部的不同模块的输入，分别捕获输入注意力编码器和空间注意力解码器解码预测的目标公交估计到达时间；

S5：结合公交运行的历史信息，采用前一天的到达时间作为参考目标序列，结合构建的公交到达时间预测模型学习获得公交车到达时间的非线性映射，输入至公交到达时间预测模型对公交到达时间结果进行预测。

2.根据权利要求1所述的一种基于IDA-RNN模型的空间维度公交到达时间预测方法，其特征在于:所述S1中，具体如下：

S11：提取研究路网内部公交站台的经纬度坐标数据和公交运行轨迹信息，将公交站台的经纬度坐标和公交运行轨迹信息进行匹配，根据公交站台匹配结果，提取公交到站时间与公交离站时间，进一步计算路段行程时间、站台停靠时间与车头时距信息；

S12：基于公交运行时空图将二维公交站台经纬度运行数据映射到一维公交行程，得到一维公交运行数据，即公交行驶距离，其中，公交车辆的行驶距离通过累加每两个连续公交运行轨迹定位记录之间的欧氏距离进行计算，设定每两条连续定位记录数据之间的欧式距离为d，根据公式：

其中，R为地球半径，α₁与α₂分别为前后两条连续公交运行定位数据的纬度，β₁与β₂分别为前后两条连续公交运行定位数据的经度；

S13：对公交运行轨迹数据空间序列转换，通过将沿时间轴的公交行驶距离转换为沿距离轴的公交行程时间，对于目标公交车辆前后跟驰公交车辆，根据研究路网内部目标公交车辆在所运营线路全部站点的到达情况，将公交车辆行程数据根据站点数量分为多个部分，每个部分将公交运行轨迹数据从时间序列数据转换为空间序列数据，两个连续公交站点之间的空间间隔均匀划分。

3.根据权利要求2所述的一种基于IDA-RNN模型的空间维度公交到达时间预测方法，其特征在于:所述S2中还包括以下步骤：

S21：挑选预测目标公交运行特征与公交车到达时间进行关联，选择预测目标公交不同的特征综合表征预测目标公交车辆运行状态特性，预测目标公交的特征包括目标公交从当前空间位置到下一公交站点的剩余距离、目标公交从前一站点驶出时到当前时刻的行驶时间、目标公交从上一空间位置到当前空间位置的行程时间、目标公交在当前空间位置时的行驶速度；

其中，设定目标公交当前空间位置为p，上一空间位置为p-1；目标公交当前空间位置的下一站点为q，前一站点为q-1，设定目标公交从当前空间位置到下一公交站点的剩余距离为d_tar(p)，根据公式进行定义：

设定目标公交从前一站点驶出时到当前时刻的行驶时间为t_tar(p)，根据公式进行定义：

设定目标公交从上一空间位置到当前空间位置的行程时间为

根据公式进行定义：

设定目标公交在当前空间位置时的行驶速度为

根据公式进行定义：

其中，D^q为目标公交运行前方下一站点q的绝对位置，D^q(p)为目标公交在当前空间p的绝对位置，

为目标公交到达当前运行空间位置p时的时间戳，

为目标公交到达站点q-1时的时间戳，

为目标公交到达运行空间位置p-1时的时间戳，Δp为空间位置p-1至空间位置p的距离长度；

S22：挑选重要的后车跟驰公交运行特征与公交车到达时间进行关联，对后车跟驰公交不同运行特征进行选择，选择不同特征综合考虑对预测目标公交运行中站台停留时间产生间接影响的后车跟驰公交运行状态特性，包括目标公交与后车跟驰公交之间的车头时距、目标公交与后车跟驰公交之间的空间车头时距；

设定目标公交与后车跟驰公交之间的车头时距为H^q(p)，根据公式进行定义：

设定目标公交与后车跟驰公交之间的空间车头时距为SH^q(p)，根据公式进行定义：

其中，

为目标公交到达位置p时跟驰公交的空间位置，

为目标公交到达运行空间位置

时的时间戳，

为跟驰公交在当前空间位置

时的行驶速度；

S23：对预测目标公交运行状态进行空间构造，将步骤S21～S22提取的公交运行空间相关特征进行合并，同时采用前一天位于空间位置的目标公交到达站点的时间作为参考目标，设定前一天位于空间位置p的目标公交到达站点q的时间为

根据公式进行定义：

其中，

为于始发站预定发车时间相同的同一班次公交车在前一天到达下一站点q的时间戳，

为于始发站预定发车时间相同的同一班次公交车在前一天到达当前空间位置p的时间戳，

根据上述定义公式，设定各空间位置p处的目标公交运行状态空间构造为x(p)，根据公式：

其中，x¹，x²，x³，x⁴，x⁵，x⁶，r分别为各个变量所对应的特征变量。

4.根据权利要求3所述的一种基于IDA-RNN模型的空间维度公交到达时间预测方法，其特征在于：所述S3中，基于输入注意力编码器构建一个基于LSTM的编码器以选择性地关注特定的空间序列，还包括以下步骤：

构建输入注意力编码器，给定输入序列X＝(x₁，x₂，...，x_P)，x_p∈Rⁿ，编码器在所有空间位置中从输入序列学习到隐藏状态的映射，设定空间位置为p∈[1，P]，输入序列为x₁，...，x_p，隐藏状态为h₁，...，h_P，根据公式表示如下：

h₁，...，h_P＝Encoder(h₀，...，h_p-1，x₁，...，x_P)

其中，h_p∈R^m为编码器在空间位置p处的隐藏状态，m为隐藏状态的大小；

给定k个输入序列

参考前一隐藏状态和编码器LSTM单元中的单元状态，设定前一隐藏状态为h_p-1，码器LSTM单元中的单元状态为s_p-1，通过确定性注意力模型构建输入注意力机制，根据公式：

其中，v_e∈R^P，W_e∈R^P×2m，U_e∈R^P×P为学习参数，

为衡量在空间位置p处第k个输入特征重要性的注意力权重，在

表达式中应用softmax函数以确保所有注意力权重总和为1，基于注意力权重自适应地提取输入，根据公式：

使用LSTM单元来捕获长期空间依赖性，其中空间位置p处公共LSTM单元包括三个由神经网络组成的门，分别是遗忘门，输入门和输出门，LSTM单元跟踪包含长期信息的单元状态和表示基于三个门的记忆的隐藏状态，设定遗忘门为f_p、输入门为i_p、输出门为o_p，设定期信息的单元状态为s_p和表示基于三个门的记忆的隐藏状态为h_p，根据公式对空间位置p处空间序列的LSTM单元的更新函数为：

h_p＝LSTM(h_p-1，x_p)

其中，更新一个LSTM单元综合公式为：

f_p＝σ(W_f[h_p-1；x_p]+b_f)

i_p＝σ(W_i[h_p-1；x_p]+b_i)

o_p＝σ(W_o[h_p-1；x_p]+b_o)

s_p＝f⊙s_p-1+i_p⊙tanh(W_s[h_p-1；x_p]+b_s)

h_p＝o_p⊙tanh(s_p)

其中，[h_p-1；x_p]∈R^m+n为前一隐藏状态h_p-1和当前输入x_p拼接，对应着维数增加，W_f，W_i，W_o，W_s∈R^m×(m+n)和b_f，b_i，b_o，b_s∈R^m为学习参数，σ(·)为sigmoid函数，tanh是双曲正切函数；

根据新的加权输入

空间位置p的隐藏状态可以通过LSTM单元更新为：

5.根据权利要求4所述的一种基于IDA-RNN模型的空间维度公交到达时间预测方法，其特征在于：所述S3中，基于空间注意力解码器构建另一个基于LSTM的解码器来解码所编码的输入信息，还包括以下步骤：

构建空间注意力解码器，解码所编码的输入信息，在空间位置P预测输出，输出值为y^P，根据公式：：

在空间注意力解码器中采用空间注意力机制，在所有空间位置中自适应选择相关的编码器隐藏状态，基于前一空间位置的解码器隐藏状态和LSTM单元的单元状态计算空间位置p每个编码器隐藏状态的注意力权重，设定前一空间位置的解码器隐藏状态为d_p-1∈R^m′，LSTM单元的单元状态为s′_p-1∈R′，根据公式：

其中，[d_p-1；s′_p-1]∈R^2m是前一个隐藏状态d_p-1和LSTM单元的单元状态s′_p-1拼接，对应着维数增加，v_d∈R^P，W_e∈R^P×2m，U_e∈R^P×P为学习参数，注意力权重

表示第i个编码器隐藏状态对于预测的重要性，注意力机制提供了上下文向量c_p作为所有编码器隐藏状态{h₁，h₂，...，h_P}的加权和：

根据上述函数得到加权求和的上下文向量，将它们与给定的参考目标序列结合起来，设定参考目标序列为r₁，r₂，...，r_P-1，根据公式：

其中，[y_p-1；c_p-1]∈R^m+1为解码器输入r_p-1和计算得出的上下文向量cp拼接，对应着维数增加，

与

为算法参数将拼接映射为解码器输入的大小，新计算得出的

用于更新空间位置p处的解码器隐藏状态，设定当前解码器隐藏状态为d_p，根据公式：

通过所有观察到的输入序列和参考目标序列，获得估计的当前输出，设定当前输出为

根据公式：

其中，F为使用算法模型逼近的函数，[d_P；c_P]∈R^m+m′为解码器隐藏状态和上下文向量的拼接，W_y∈R^{m′×(m′+m)}与b_w∈R^m′为算法参数将拼接映射为解码器输入的大小，v_y∈R^m′为线性函数的权重，b_v∈R为线性函数的偏差。

6.根据权利要求5所述的一种基于IDA-RNN模型的空间维度公交到达时间预测方法，其特征在于：所述S4中具体如下：

构建集成公交到达时间预测模型，其中集成公交到达时间预测模型包含两个模块，分别用于输出目标公交的估计到达时间的到达时间预测器模块和用于输出后车跟驰公交是否超过目标公交的指示符的指示符预测器模块；

到达时间预测器模块中到达时间预测器采用输入注意力编码器和空间注意力解码器，指示符预测器模块中指示符预测器采用输入注意力编码器和全连接层，将指示符预测器模块中输入注意力编码器的输出值加到到达时间预测器模块中的输入注意力编码器输出值上，将相同的序列用作到达时间预测器模块和指示符预测器模块的输入，设定序列为X＝(x₁，x₂，...，x_P)＝x_1...P，根据公式两个输入注意力编码器的映射函数定义为：

其中，

为到达时间预测器模块中输入注意力编码器输出的隐藏状态，

为指示符预测器模块中输入注意力编码器输出的隐藏状态；

在指示符预测器模块中应用一个全连接层将隐藏状态映射到超车的0-1指标，根据公式：

考虑参数优化过程中超车条件的影响，将指示符预测器模块中的隐藏状态添加到到达时间预测器模块中的隐藏状态，设定新的隐藏状态为

根据公式：

将新的隐藏状态和参考目标序列映射到预测到达时间的空间注意力解码器进行定义为

设定参考目标序列r_1...P-1，根据公式：

7.根据权利要求6所述的一种基于IDA-RNN模型的空间维度公交到达时间预测方法，其特征在于：所述S5中具体如下：

S51：结合给定目标公交运行的历史信息，采用前一天的目标到达时间作为参考目标序列，结合构建的集成公交到达时间预测模型学习获得公交车到达时间的非线性映射，将筛选好关键特征的标准化数据输入至集成公交到达时间预测模型；

S52：预测目标公交从上一站到下一站的行程中到下一站的剩余行程时间，设定剩余行程时间为

根据公式：

依据不同不规则交通状况，判定目标公交车是否被后续公交车超越，引入一个0-1指标来表示目标公交车是否被后续公交车超越，定义0-1指标为y_ind；

若当前空间位置p到目标公交车下一站站点q的剩余距离和当前空间位置p到目标公交车下一站站点q的剩余行程时间大于后面的公交，即y_ind＝1；

通过引入指标，将输出y定义更新为下一班车在空间位置p停靠下一站站点q的到达时间，设定当前空间位置p到目标公交车下一站站点q的剩余距离为

当前位置p到目标公交车下一站站点q的剩余行程时间为

根据公式：

给定一个输入特征矩阵，设定为

其中n是特征数量，P是空间窗口大小的长度，

表示长度为P的特征k∈[1，n]的空间序列，

表示在空间位置p处所有n个输入特征的向量；

S53：预测公交车从上一站到下一站的行程中到下一站的剩余行程时间，对连续的两个停靠点q-1和停靠点q之间的空间以间隔Δp均匀划分；

采用前一天的到达时间作为参考目标序列，设定前一天的到达时间为

设定给定空间范围为[1，P-1]，空间范围中参考目标序列的值为r＝(r₁，r₂，...，r_P-1)∈R^P-1，以及当前和先前空间范围[1，P]中的n个输入空间序列，依据构建的预测模型学习在当前位置P处公交车到达时间y_P的非线性映射，根据公式：

其中，F(·)为是训练学习的非线性映射函数。

Images