CN102081859A - 一种公交车到站时间预测模型控制方法 - Google Patents

Abstract

本发明涉及一种公交车到站时间预测模型控制方法，该方法包括以下步骤：1)首先建立公交车运行状态的历史数据库；2)采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处的最佳平均行程时间；3)引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间。与现有技术相比，本发明具有不仅能在公交车正常运行条件下较准确的预测公交车到站时间，而且在道路拥挤、发生交通意外、天气状况恶劣、越过较多红绿灯路口、高低平峰运行时段等复杂运行条件下较准确的预测公交车到站时间，并且还能根据公交车运行的最新历史数据自动更新预测模型中的参数的优点。

Description

一种公交车到站时间预测模型控制方法

技术领域

本发明涉及公交车到站时间预测模型，尤其是涉及一种公交车到站时间预测模型控制方法。

背景技术

1、影响公交车到站时间预测信息的因素分析：

1)公交车的定位精度

公交车辆的定位信息由安装在车辆上的GPS车载***提供，主要由经纬度、速度、方向等数据组成，因此GPS的定位精度是影响公交车到站时间的重要因素之一。目前在无遮挡情况下，GPS接收机的平均定位精度在12米左右，并且提供的车载***具有地图匹配的功能以及GPS盲区补偿功能，可以比较精确的反映车辆的实时位置。

2)道路交通对公交车辆的影响

公交车辆在城市道路的运行过程中会受到交通流的影响，从而产生运行速度的变化。当道路上的交通流量到达一定程度时，公交车和其他社会车辆之间开始相互影响，使得车辆行驶缓慢；在通过无信号交叉口时，在有些情况下还需要停车等待。

3)信号灯交叉口对公交车辆的影响

在车辆行驶过程中，还要受到红绿灯控制影响而出现排队等待的情况。由于目前的公交智能调度***还不能与城市交通控制***(UTCS)相连接，无法得到交叉路口的信号灯配时信息，所以信号灯交叉口的停车延误将成为影响车辆到站时间的主要因素，尤其是一般的公交车站都设立在通过交叉口100米左右的地方，所以更增加了准确计算公交车到站时间的难度。

4)交通流量随时间段变化的影响

交通流量随时间段变化的影响最为明显，一天中同一路段在早高峰、晚高峰和平峰时段所对应的流量存在巨大差异；而周末和工作日在同一时间的流量也有不同，所以对行程时间的影响也不一样。这样车辆的到站时间也会随着日不平均系数、周不平均系数、月不平均系数以及节假日时段而发生变化。另外，鉴于客流集散度的不同，在高峰客流时乘客上下车停歇的时间要远大于平峰客流。

5)交通状况、天气条件等因素的影响

在同一条公交线路中主干道、次干道、环线路段等不同道路条件会影响公交车辆的运行速度；雨、雪、沙尘、大雾等天气变化也会不可避免地延缓车辆的达到时间。

由于电子站牌仅在部分重要车站设立，因此，公交车辆到达下一设立电子站牌的站点前总的行程时间可以分为下列几个部分：

车辆以行驶速度通过路段的平均行驶时间；

在下游交叉口处因信号灯控制影响的排队延误时间；

车辆通过该交叉口的通过时间；

在预测站点的前几个站点因乘客上下车而停歇的时间；

在预测站点的前几个站点因车辆进出车站减速和加速而损失的时间。

因此，在公交车辆到站时间预测过程中，算法需要充分考虑上述各种因素的影响，运用适当的误差补偿手段，从而最大限度提高车辆到达时间的预测精度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种公交车到站时间预测模型控制方法。

本发明的目的可以通过以下技术方案来实现：

一种公交车到站时间预测模型控制方法，其特征在于，该方法包括以下步骤：

1)首先建立公交车运行状态的历史数据库；

2)采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处的最佳平均行程时间；

3)引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间。

所述的步骤1)中的历史数据库建立过程如下：公交车在运行过程中，向总调度监控中心上传运行状态信息，包括不同时段公交车站间的行程时间、交叉口数量、客流量、线路长度、天气条件以及乘客满意度信息，总调度监控中心以天为单位将信息按照高峰小时、平峰、夜间进行分类整理后存储，同时更新历史数据库。

所述的步骤2)中的BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响行程时间主要因素，包括考察时段、客流量、交叉口数量、路线长度、天气情况以及乘客满意度，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量。

所述的步骤3)中的修正最佳平均行程时间包括以下步骤：

1)监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置；

2)监控中心判断车辆实际位置与之间距离是否大于50m，若为是，执行步骤3)，若为否执行步骤4)；

3)监控中心按50m来修正预测时间，并将预测时间信息发送给电子站牌，电子站牌对其进行显示，并进入步骤4)；

4)监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送“路段拥堵，公交车到达将稍延后”信息给电子站牌，电子站牌对其进行显示，并执行步骤5)，若为否，则返回步骤1)；

5)监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电子站牌，电子站牌对其进行显示；

6)车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤1)，若为否，电子站牌显示“车辆到站”信息。

与现有技术相比，本发明具有以下优点：

1、不仅能在公交车正常运行条件下较准确的预测公交车到站时间，而且在道路拥挤、发生交通意外、天气状况恶劣、越过较多红绿灯路口、高低平峰运行时段等复杂运行条件下较准确的预测公交车到站时间。

2、本发明能根据公交车运行的最新历史数据自动更新预测模型中的参数，是一种完全动态的公交车到站时间预测模型和计算方法。

附图说明

图1为本发明一种公交车到站时间预测模型控制方法的BP神经网络结构图；

图2为本发明一种公交车到站时间预测模型控制方法的公交车到站时间预测及显示流程图；

图3为本发明一种公交车到站时间预测模型控制方法的监控中心信息处理流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

定位精度、信号灯、交通流量、天气变化、客流集散度、交通事故等都会给到站时间预测结果带来不同程度的随机误差。在这些随机因素中，诸如交通流量、客流集散度等在不同星期的对应时间具有高度的相似性，而天气变化的影响力也具有某种程度的可估计性。由于城市公交电子站牌一般仅在部分重要站点处设立(而不是站站都有)，而且目前的APTS***还不能与城市交通控制***(UTCS)相连接，无法得到交叉路口的信号灯配时信息，因而交叉路口信号灯的延误成为影响预测精度的主要不确定性因素。由此可见，公交车到站时间的预测具有一定的规律性，并且受到多种随机因素的影响，所以必须在充分利用历史运行数据的基础上采用先进的智能控制理论和方法来解决。

目前，的车辆到站时间预测方面的方法主要有：历史趋势法、多元线性回归、时间序列分析、卡尔曼滤波、神经网络、随机排队理论模型、专家***等。

在本***中将采用神经网络和动态加权平均相结合的方法实现，即利用神经网络对车辆的历史运行数据进行训练，给出在不同影响因素条件对预测结果的综合影响，得到统计意义上的最佳平均行驶时间，同时利用动态获得的实时数据对预测结果进行修正。

为了得到精确的预测结果，提出以下三点要点，作为车辆到达时间预测的依据：

1)车辆到达某一站点的累计到达时间误差最小；

2)电子站牌显示时间或距离与车辆真实位置误差＜50m；

3)定位信息上传时间根据车辆位置变化，而不是固定时间间隔上传。

将市民乘客对公交到站时间的满意度作为车辆到站时间预测算法的最终衡量标准。根据以往在国外APTS项目建设中的对经验，乘客在公交车辆到达提前1分钟至延误5分钟的范围内是可以接受的，并且可以提升对公交服务水平的信任。

在使用神经网络进行车辆到达时间预测的方法中，需要用到历史数据进行训练，因此历史数据库的建立至关重要。由交通调查得到公交车运行的基本数据及公交线路的地理信息数据(如站间长度、交叉口数量、道路级别等)，从而建立合理的历史数据库结构，并保持每天对数据库进行一次更新。主要的过程是：公交车辆在运行过程中，向总调度监控中心上传运行情况，如不同时段公交车站间的行程时间、正点率、客流量以及天气条件和交通事故等信息。总调度监控中心以天为单位(区分不同的工作日)将数据按照高峰小时、平峰、夜间进行分类整理(不同城市高峰小时的时间和个数可能不同，需要由交通调查得到)后存储，同时更新历史数据库。最终可以从中提取到不断更新的针对公交车行程时间估计的基础数据表格，以作为使用神经网络进行到达时间预测的依据。

在现有数据的基础上，利用神经网络方法对数据进行训练，得出公交车由发车点到达电子站牌处能够达到乘客满意指标的最佳平均行程时间。由于BP神经网络具有良好的收敛性和简便性而被在工程中广泛应用，现采用三层结构的BP神经网络。如图1所示，其中，输入层为重点考虑的行程时间影响因素，通常为：考察时段(高峰小时、平峰、夜间)、乘客流量1、交叉口数量2、路线长度3、天气状况、乘客满意度5等，神经元个数由影响因素个数决定。输出层为最佳平均行程时间，神经元个数为1。隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用经验公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量。适当的时候也可采用双隐层结构，视具体情况而定。

神经网络训练完成后，将当前的影响因素值代入，BP神经网络能够在短时间内自动给出最佳平局行程时间T估计。显然，对于不同的线路，BP神经网络需要分别进行训练。

由于利用神经网络训练得到的公交车行程时间是平均意义上的，而实际公交车运行过程中由于受到信号灯这一随机因素的影响，可能会在某一次预测中出现较大的误差。因此，需要引入公交车辆的动态运行信息以修正神经网络给出的平均值。

将公交线路中距离站点最近的信号交叉口与站点间的路段单独划分出来，用于修正动态行程时间，即当公交车到达该信号交叉口前，其行程时间采用神经网络给出的预测时间；当公交车到达该信号交叉口时，可能会遇到红灯而产生延误，但由于司机的对即将到来的红灯有一定的经验判断以及相应的绿信比的因素，所以在非特别拥挤的路段，车辆会有比严格概率计算高的直接通过率。在通过信号交叉口的中心点时，车辆会发定位信息以修正到达时间，并在到达之前的减速阶段再次发送定位信息。

如图2所示，在相邻两个公交车站之间，假设有三个车站，分别为1，2，3。公交车站自位于路段E1的车站出站以后，车站3处的电子站牌将接收中心发送的预测时间。根据一般要求，预测误差不能超过50米。假设公交车自车站1出来后，在E2路段运行过程中，如果误差不超过50米，就一直安装原来的预测算法，按照固定时间间隔向车站3处的电子站牌发送预测时间信息。当误差达到50米时，则在保证电子站牌显示与车辆具***置不超过50米的情况下，发送预测信息。特别是当公交车在路段E3处的路口处遇到红灯之后，由于车辆排队通过路口，造成到达误差的进一步增大，将在车站3处的电子站牌显示“路段拥堵，公交车到达将稍延后”信息，以减少等车乘客的焦躁心理。同时，在时间预测方面，将采用平滑算法，使电子站牌的时间显示仍然符合实际情况。引入动态运行信息来修正最佳平均行程时间过程如图3所示：

步骤101，监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置；

步骤102，监控中心判断车辆实际位置与之间距离是否大于50m，若为是，执行步骤3)，若为否执行步骤104；

步骤103，监控中心按50m来修正预测时间，并将预测时间信息发送给电子站牌，电子站牌对其进行显示，并进入步骤104；

步骤104，监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送“路段拥堵，公交车到达将稍延后”信息给电子站牌，电子站牌对其进行显示，并执行步骤105，若为否，则返回步骤101；

步骤105，监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电子站牌，电子站牌对其进行显示；

步骤106，车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤101，若为否，电子站牌显示“车辆到站”信息。

由于公交车辆在线路上的行程时间受到诸如交通流量、信号灯、交通事故等多种随机因素的影响，因而如果按照上述五个部分划分，势必对每个部分分别进行估算，这样的计算方法不仅不科学而且效率也比较低，无法满足实际要求。而不断更新的历史数据中恰恰包含了众多随机因素的信息，采用神经网络训练的方法就是把公交车行程时间作为一个众多随机因素整体作用的结果来看待，避免了对各种随机因素纷繁复杂的分析，可以大大提高估算的效率。另一方面，从算法估计结果的准确性考虑，由于在神经网络的输入层中包含乘客满意度的指标项，因此神经网络的输出结果必然是在最大满足乘客需求的前提下所得到的统计值，因而从概率上也可以保证其准确性。

而对某一次的公交车辆行程时间估计而言，平均意义上的计算结果又存在着一定的偶然性，需要考虑该次行驶过程的特殊性，因而直接利用GPS数据所提供的车辆实时速度对最佳平均值进行修正是合理的也是必须的。选用站点到前一个交叉路口之间的路段作为修正距离的原因，在于避免了该交叉路口信号周期的随机性。因为一般情况下，一个信号周期少则数十秒多则几分钟，这样的误差修正对于实时预测而言是不可接受的。算法中两部分时间估算值均乘以一定的权值，权值的大小由该路段相对整个被估路线长度的比值决定。这是因为从统计学的角度，由于公交车的运行受到多种随机因素的干扰，被估的路线越长平均值的准确度也越高，相应的动态修正项所占的比重也应越小。

根据上述分析可以知道，采用该智能算法能够得到公交车行程时间比较准确的估计。但是，最终需要接受广大市民检验的是电子站牌所显示内容的准确性。所以，在公交车到达站点前一个交叉口前采用最佳平均行程时间是合理的。而在公交车辆进入乘客视野后，可以根据实际的动态变化做出相应的修正。

Claims (4)

1.一种公交车到站时间预测模型控制方法，其特征在于，该方法包括以下步骤：

1)首先建立公交车运行状态的历史数据库；

2)采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处的最佳平均行程时间；

3)引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间。

2.根据权利要求1所述的一种公交车到站时间预测模型控制方法，其特征在于，所述的步骤1)中的历史数据库建立过程如下：公交车在运行过程中，向总调度监控中心上传运行状态信息，包括不同时段公交车站间的行程时间、交叉口数量、客流量、线路长度、天气条件以及乘客满意度信息，总调度监控中心以天为单位将信息按照高峰小时、平峰、夜间进行分类整理后存储，同时更新历史数据库。

3.根据权利要求1所述的一种公交车到站时间预测模型控制方法，其特征在于，所述的步骤2)中的BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响行程时间主要因素，包括考察时段、客流量、交叉口数量、路线长度、天气情况以及乘客满意度，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数决定，通常采用以下公式获得：L＝Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经元数，N为样本容量。

4.根据权利要求1所述的一种公交车到站时间预测模型控制方法，其特征在于，所述的步骤3)中的修正最佳平均行程时间包括以下步骤：

1)监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置；

2)监控中心判断车辆实际位置与预计到达位置之间距离是否大于50m，若为是，执行步骤3)，若为否执行步骤4)；

3)监控中心按50m来修正预测时间，并将预测时间信息发送给电子站牌，电子站牌对其进行显示；

4)监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送“路段拥堵，公交车到达将稍延后”信息给电子站牌，电子站牌对其进行显示，并执行步骤5)，若为否，则返回步骤1)；

5)监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电子站牌，电子站牌对其进行显示；

6)车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤1)，若为否，电子站牌显示“车辆到站”信息。

Images