CN113592157A - 一种稀疏数据下公交行程时间预测方法和预测装置 - Google Patents

一种稀疏数据下公交行程时间预测方法和预测装置 Download PDF

Info

Publication number
CN113592157A
CN113592157A CN202110787531.XA CN202110787531A CN113592157A CN 113592157 A CN113592157 A CN 113592157A CN 202110787531 A CN202110787531 A CN 202110787531A CN 113592157 A CN113592157 A CN 113592157A
Authority
CN
China
Prior art keywords
travel time
shift
predicting
planned
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
Application number
CN202110787531.XA
Other languages
English (en)
Inventor
陈国俊
高鹏飞
杨宇航
张抒扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110787531.XA priority Critical patent/CN113592157A/zh
Publication of CN113592157A publication Critical patent/CN113592157A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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"
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种稀疏数据下公交行程时间的预测方法，包括计划班次的确定、实际运行班次与计划班次行程时间之间的比例系数计算、基于比例系数实时预测公交到达终点站的行程时间信息，其可以通过分析影响不同班次行程时间的因素，如天气、时间段、温度等，确定最佳的计划班次，然后根据计划班次与实际运行班次之间的行程时间比例关系，实现较为准确的行程时间预测，为公交***提供了一种解决目前在实际行程时间数据稀疏的情况下无法完成行程时间预测的简便方法，有利于改善公交***服务质量，提升公交出行者的服务体验。

Description

一种稀疏数据下公交行程时间预测方法和预测装置
技术领域
本发明涉及智能交通技术领域，尤其涉及一种稀疏数据下公交行程时间预测方法和预测装置。
背景技术
公交行程时间的预测是公交智能化调度、公交电子站牌应用的基础。精确的时间预测，对于改善公交车辆动态调度效果，减少乘客候车时间，提高公交服务质量，实现公交信号优先，体现智能公交的优越性都具有重要意义。根据预测方法的不同，基本可以分为以下5类：时空模型、回归模型、人工神经网络模型、卡尔曼滤波模型及支持向量机模型等。目前这些模型不能应用于实践，存在两个方面的问题。一方面，由于交通状况受时间(如高峰时段、信号灯、节假日等)和空间(道路突发事件)因素影响较大，波动频繁，这些方法和模型的预测结果往往和实际值相差很大，并且这些模型的构建和运作均较为复杂，不易实现。另一方面，由于目前公交车载GPS定位***不太完善，导致智能公交***预测的行程时间数据质量较差，存在部分数据缺失或异常的情况，而在稀疏数据下，上述几种方法的预测性能均表现出较大的退化，无法满足实际要求的标准。
发明内容
本发明所解决的技术问题是提供一种在稀疏数据下用于智能公交的行程时间预测方法和预测装置，该方法通过分析影响不同班次行程时间的因素，如天气、时间段、温度等，确定最佳的计划班次，然后根据计划班次与实际运行班次之间的行程时间比例关系，实现较为准确的行程时间预测，特别是可实现在稀疏数据下的行程时间预测。
本发明所采用的技术方案内容具体如下：
一种用于智能公交的行程时间预测方法，包括以下步骤：
S1、分析引起不同班次行程时间差异性的影响因素；
S2、确定最佳的计划班次；
S3、基于计划班次，预测实际运行班次与计划班次之间的比例关系；
S4、基于比例关系，完成公交行程时间的实时预测。
作为上述方案的优选，确定最佳的计划班次是根据影响不同班次间行程时间差异性的影响因素确定的。
作为上述方案的优选，所述引起不同班次行程时间差异性的因素包括时间段、天气、温度。
作为上述方案的优选，计划班次的行程时间为与实际运行班次的发车时间在同一时间段，且天气状况、温度相近的历史班次的行程时间的均值。
作为上述方案的优选，关于实际运行班次与计划班次之间的比例关系实时更新。
作为上述方案的优选，公交行程时间信息随着比例系数更新实时更新。
本发明还提供了一种公交行程时间的预测装置，包括预测单元、第一确定单元、第二确定单元和生成单元，所述预测单元用于预测引起不同班次行程时间差异性的影响因素；所述第一确定单元用于确定最佳的计划班次，所述第二确定单元用于确定实际运行班次与计划班次之间的比例关系；所述生成单元用于预测实时的公交行程时间信息。
与现有技术相比，本发明的有益效果在于：
一种稀疏数据下公交行程时间预测方法，从原理角度分析，公交在运行过程中受到的影响因素可以分为两类，一是方向性因素，随着时间逐渐累积，比如驾驶行为的影响、背景交通流的影响，甚至包括滤波控制；二是随机性因素，不会出现累积效应，随着车辆行驶，它会出现抵消或有界。因此，随着车辆的行驶，方向性因素的累积效应会增强，而且超过随机性因素的影响，因此行程时间会呈现出稳定的比例特征，并且当方向性因素累积程度足够后，预测精度会非常好。从运作角度分析，一方面，模型可以满足在公交运行数据稀疏条件下的行程时间预测，另一方面，模型构建相对简单，不需要花费大量的时间，或者使用大量的数据去寻找最优的模型结构，便可以实现较高的预测精度，有利于改善公交***服务质量，提升公交出行者的服务体验。
附图说明
图1为本发明的公交行程时间的预测方法的流程示意图；
图2为实际运行班次与计划班次行程时间的比例关系示意图；
图3为基于以小时、天为单位的计划班次的比例系数稳定关系示意图；
图4为基于以小时、天为单位的计划班次的行程时间预测精确度示意图；
图5为本发明的行程时间的预测装置的结构示意图；
图6为稀疏数据下基于比例特性的行程时间预测误差分析示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下：
如图1所示，本发明公开了一种用户画像的预测方法，包括：
预测引起不同班次行程时间差异性的影响因素；
确定最佳的计划班次；
基于计划班次，预测实际运行班次与计划班次之间的比例关系；
基于比例关系，完成公交行程时间的实时预测。
如图5所示，本发明还提供了一种公交行程时间的预测装置，包括预测单元、第一确定单元、第二确定单元和生成单元，所述预测单元用于预测引起不同班次行程时间差异性的影响因素；所述第一确定单元用于确定最佳的计划班次，所述第二确定单元用于确定实际运行班次与计划班次之间的比例关系；所述生成单元用于预测实时的公交行程时间信息。
以下为具体的实施例。
一种公交行程时间的预测方法，包括如下步骤：
(1)预测引起不同班次行程时间差异性的影响因素，依据这些影响因素构建相应的计划班次并分析不同计划班次下的比例系数的变化规律。具体地，首先通过分析一定数量的公交车行程时间数据，获得引起不同班次行程时间差异性的主要影响因素，包括时间段、天气、温度，然后分析以上述影响因素为依据构建的计划班次下的比例系数的变化规律，以时间段为例，通过历史行程时间数据构建了以小时为单位的计划班次(通过计算发车时刻在一个时间段(1h)班次行程时间的均值获取)和不考虑时段差异性的(直接通过计算历史行程时间均值获取)的计划班次，通过从图2(江阴市K19路公交的数据)可以看出，在两种计划班次下行驶时间比例系数均迅速收敛于某一稳定值。
(2)确定最佳的计划班次，具体地，结合(1)中发现的规律，通过比较不同计划班次下的比例系数的稳定性以及用于行程时间预测的精确度，给出最佳的计划班次。
其中，比例系数的稳定性由前面站点的比例系数相对于终点站的比例系数的偏差(Δγn(k)＝γn(k)-γN(k))表示，即：
Δγn(k)＝γn(k)-γN(k)
式中，γn(k)是站点n对应的行程时间比例系数，γN(k)是终点站(即站点N)对应的行程时间比例系数。
结果如图3所示(江阴市K19路公交的数据)，两种计划班次的比例系数均呈现出较好的稳定性，具体而言，基于以小时为单位的计划班次的比例系数的稳定性由于基于以天为单位的计划班次，但差距并不明显，可以忽略。
行程时间预测的准确度由平均绝对误差(MAE)表示,即：
Figure BDA0003159630930000051
其中，K是试验的班次数量，
Figure BDA0003159630930000052
是从站点n到终点站的预测路径行程时间,tn,N(k)是从站点n到终点站的路径行程时间,ptN(j)为所构建计划班次的路径巡航时间。
行程时间预测的精密度由平均绝对百分比误差(MAPE)表示，即：
Figure BDA0003159630930000061
式中，
Figure BDA0003159630930000062
是从站点n到终点站的预测路径行程时间，tn,N(k)是从站点n到终点站的路径行程时间。
结果如图4所示(江阴市K19路公交的数据)，基于两种计划班次构建的行程时间预测模型均具有高的精确度，具体而言，基于以小时为单位的计划班次的预测模型的精确度优于不区分时段的计划班次构建的预测模型，因此，下述在稀疏数据下的模型精度退化分析以选择基于以小时为单位的计划班次为参照班次的预测模型进行分析。
(3)根据(2)中给出的计划班次，结合实际运行班次的实时运行数据(行程时间)计算比例系数，计算公式如下所示：
Figure BDA0003159630930000063
式中pti,n(k)为班次k从站点i到目标站点n的路径行程时间，pti,n(B)为从站点i到目标站点n的计划班次的路径行程时间。
(4)根据(3)中给出的比例关系，实时给出公交的行程时间信息。具体计算公式如下所示：
Figure BDA0003159630930000064
式中，pti,j(k)是从站点i到站点j的路径行程时间，能够通过公交AVL数据获取。pti,n(k)是从站点i到目标站点n的预测路径行程时间，它能被获取通过下式：
Figure BDA0003159630930000065
根据已有数据(江阴市K19路公交)分析发现，在稀疏数据下(实际的数据集仅保存有完整数据集的90％、80％、70％、60％、50％的情况)，本发明提出的行程时间预测方法的预测精确度在数据丢失的环境下无明显退化现象，仍然展现出较好的预测性能(如图6所示)。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (7)

1.一种稀疏数据下公交行程时间预测方法，其特征在于，包括如下步骤：
S1、预测引起不同班次行程时间差异性的影响因素；
S2、通过分析影响因素确定最佳的计划班次；
S3、基于计划班次，预测实际运行班次与计划班次之间的比例关系；
S4、基于比例关系，完成公交行程时间的实时预测。
2.根据权利要求1所述的稀疏数据下公交行程时间预测方法，其特征在于，所述步骤S1中首先通过分析一定数量的公交车行程时间数据，获得引起不同班次行程时间差异性的影响因素，然后分析以上述影响因素为依据构建的计划班次下的比例系数的变化规律，通过历史行程时间数据构建了以小时为单位的计划班次和不考虑时段差异性的计划班次。
3.根据权利要求2所述的稀疏数据下公交行程时间预测方法，其特征在于，以小时为单位的计划班次通过计算发车时刻在一个时间段班次行程时间的均值获取。
4.根据权利要求2所述的稀疏数据下公交行程时间预测方法，其特征在于，不考虑时段差异性的计划班次通过计算历史行程时间均值获取。
5.根据权利要求1所述的稀疏数据下公交行程时间预测方法，其特征在于，所述引起不同班次行程时间差异性的因素包括时间段、天气、温度。
6.根据权利要求1所述的稀疏数据下公交行程时间预测方法，其特征在于，计划班次的行程时间为与实际运行班次的发车时间在同一时间段，且天气状况、温度相近的历史班次的行程时间的均值。
7.一种稀疏数据下公交行程时间预测装置，其特征在于，包括预测单元，第一确定单元、第二确定单元和生成单元，所述预测单元用于预测引起不同班次行程时间差异性的影响因素；所述第一确定单元用于确定最佳的计划班次，所述第二确定单元用于确定实际运行班次与计划班次之间的比例关系；所述生成单元用于预测实时的公交行程时间信息。
CN202110787531.XA 2021-07-13 2021-07-13 一种稀疏数据下公交行程时间预测方法和预测装置 Pending CN113592157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110787531.XA CN113592157A (zh) 2021-07-13 2021-07-13 一种稀疏数据下公交行程时间预测方法和预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110787531.XA CN113592157A (zh) 2021-07-13 2021-07-13 一种稀疏数据下公交行程时间预测方法和预测装置

Publications (1)

Publication Number Publication Date
CN113592157A true CN113592157A (zh) 2021-11-02

Family

ID=78247078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110787531.XA Pending CN113592157A (zh) 2021-07-13 2021-07-13 一种稀疏数据下公交行程时间预测方法和预测装置

Country Status (1)

Country Link
CN (1) CN113592157A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737504A (zh) * 2012-07-13 2012-10-17 重庆大学 一种基于驾驶特性的公交车到站时间实时估计方法
JP2013054771A (ja) * 2012-11-21 2013-03-21 Mitsubishi Electric Information Systems Corp 運行管理支援システム及びプログラム
CN109191845A (zh) * 2018-09-28 2019-01-11 吉林大学 一种公交车辆到站时间预测方法
CN109215374A (zh) * 2018-10-26 2019-01-15 上海城市交通设计院有限公司 一种公交车到站时间预测算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737504A (zh) * 2012-07-13 2012-10-17 重庆大学 一种基于驾驶特性的公交车到站时间实时估计方法
JP2013054771A (ja) * 2012-11-21 2013-03-21 Mitsubishi Electric Information Systems Corp 運行管理支援システム及びプログラム
CN109191845A (zh) * 2018-09-28 2019-01-11 吉林大学 一种公交车辆到站时间预测方法
CN109215374A (zh) * 2018-10-26 2019-01-15 上海城市交通设计院有限公司 一种公交车到站时间预测算法

Similar Documents

Publication Publication Date Title
US9159032B1 (en) Predicting arrival times of vehicles based upon observed schedule adherence
US9177473B2 (en) Vehicle arrival prediction using multiple data sources including passenger bus arrival prediction
US20050091176A1 (en) Forecasting apparatus
Wang et al. Car4Pac: Last mile parcel delivery through intelligent car trip sharing
JP4506663B2 (ja) 交通状況予測装置、方法及びプログラム、経路探索システム並びに交通状況提供システム
CN109945884A (zh) 实时路径规划方法、装置、计算机终端和可读存储介质
JP2002259888A (ja) シミュレーション制御プログラム、方法及び装置
Gkiotsalitis et al. An analytic solution for real-time bus holding subject to vehicle capacity limits
CN113219933B (zh) 基于数字孪生预测的露天矿无人驾驶卡车调度***及方法
Xinghao et al. Predicting bus real-time travel time basing on both GPS and RFID data
US8874354B2 (en) Method and system for expansion of real-time data on traffic networks
CN105788270A (zh) 基于物联网的交通数据预测方法及处理服务器
US20140100766A1 (en) Traffic data prediction device, traffic data prediction method and computer program
CN111523560A (zh) 到港货车数量预测模型训练方法、预测方法、装置及***
Zhou et al. A scalable vehicle assignment and routing strategy for real-time on-demand ridesharing considering endogenous congestion
Jenelius Data-driven bus crowding prediction based on real-time passenger counts and vehicle locations
CN113899381A (zh) 用于生成路线信息的方法、装置、设备、介质和产品
CN112258856B (zh) 一种区域交通信号数据驱动控制模型建立方法
CN113592157A (zh) 一种稀疏数据下公交行程时间预测方法和预测装置
CN113232671A (zh) 一种计算机实现的方法、存储介质和***
Bazan et al. Rebalancing and fleet sizing of mobility-on-demand networks with combined simulation, optimization and queueing network analysis
Peng et al. Network-wide coordinated control based on space-time trajectories
CN105303246A (zh) 一种多线路公交到站时间预测方法
US20220415170A1 (en) Method and arrangement for predicting switching times of a signal group of a signal installation for controlling a flow of traffic
CN115909734A (zh) 一种基于轨迹大数据的车辆行驶数据筛选更新***及其方法

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