CN1963847B - 预测公交车到站的方法 - Google Patents
预测公交车到站的方法 Download PDFInfo
- Publication number
- CN1963847B CN1963847B CN2005101100830A CN200510110083A CN1963847B CN 1963847 B CN1963847 B CN 1963847B CN 2005101100830 A CN2005101100830 A CN 2005101100830A CN 200510110083 A CN200510110083 A CN 200510110083A CN 1963847 B CN1963847 B CN 1963847B
- Authority
- CN
- China
- Prior art keywords
- highway section
- bus
- gps data
- data
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种预测公交车到站的方法,包括以下步骤:数据采集;数据预处理;处理建模;预测路况:结合历史模型库和当天路段状况的信息,预测出当天某一个时间点路段所处的状态;公交到站预测:实时接受公交车的行驶数据,判断出车站最近的一部公交车的具***置,预测出此部公交车到公交站点之间的各个路段的未来的路况,计算出此公交车在各个路段上所消耗的时间,从而预测出到站的时间;建模更新。本发明方法在GPS数据基础上建立模型,可通过并行计算技术处理海量GPS数据,可有效地结合当天实时数据预测公交到站,由于数据源可以持久有效地不断供应路段数据,便可以不断更新各个路段的历史模型,从而更加有效地预测路况。使得预测公交车到站更加准确及时。
Description
技术领域
本发明涉及一种预测公交车到站的方法。
背景技术
随着城市交通的不断智能化,对于公交***的信息化和智能化的要求日益提高。公交到站预测是城市交通智能化的一个重要组成部分。公交到站预测主要实现了在各个车站显示出即将到站的公交车的信息,如公交车的到站时间,公交车实时位置和公交车实时速度等信息,给乘客提供最为及时的乘车服务,可以大大改善目前被动的乘车环境,有效地实现了城市公共交通的智能化。
目前国内外对于公交到站预测的研究,主要集中在使用固定时间段的检测数据来归纳路况的变化情况,从而预测路况。由于数据源比较单一和具有固定性,数据源的时间跨度不大,所以无法准确建立反映路段状况变化规律的模型,再加上无法结合实时的路段数据,所以无法保证预测的效果。由于数据源无法保证持久有效地传输数据,所以不能够及时更新路况模型。由于需要处理海量的路况数据,所以对于计算机的计算要求比较高,如果不采用并行计算技术来处理海量数据,建立路况模型的时间将会非常冗长。鉴于以上原因,目前在市场上还没有比较成熟的公交到站预测产品投入市场。
发明内容
本发明的目的主要针对上述现有技术的一些不足之处,提出一种建立在海量数据基础之上的公交到站预测方法。
本发明方法的数据采集源选择了能够反映路段实际路况的GPS(全球定位***)数据,通过纠偏算法,将GPS数据处理为比较精确的路况数据,再将这些纠偏后的精确数据存入数据库,建立路段的历史数据库。通过并行计算技术,按照建立路段历史模型算法,海量处理这些数据建立各个路段的历史模型。再通过有效结合实时的路段信息数据,按照路况预测算法来预测路段未来的变化状况。通过当天实时地接受公交车的数据,判断出各个车站下一部到站车辆的方位,按照行驶的路线预测出此公交车在各个路段上的行驶消耗时间,最终预测出公交车到站时间。各步骤描述如下:
一种预测公交车到站的方法,包括以下步骤:
1)数据采集:通过安装在实际车辆中的GPS数据发射装置,将车辆的实时GPS数据发送至接受中心;接受中心存储该实时GPS数据,作为下一步数据预处理的数据源;2)数据预处理:通过纠偏,调整GPS数据的参数,建立所有路段的历史信息库,作为下一步处理建模的数据源;3)处理建模:处理路段历史信息库中的信息,通过最小二乘法拟合反映路段状况变化情况的多项式曲线,建立路段状况的历史模型库;4)预测路况:结合历史模型库和当天路段状况的信息,预测出当天某一个时间点路段所处的状态;5)公交到站预测:实时接受公交车的行驶数据,判断出车站最近的一部公交车的具***置,通过取得当天路段上有效的GPS数据,计算出当天GPS数据和历史模型库中多项式曲线之间的多个速度差值,按照指数平滑方法,将这些差值结合上相应的权值后综合,将这个综合差值和历史模型库中多项式曲线未来某个时刻的速度值相综合,从而预测出未来某个时刻的路况;通过此预测结果,预测出此部公交车到公交站点之间的各个路段的未来的路况,计算出此公交车在各个路段上所消耗的时间,从而预测出到站的时间;6)建模更新:通过长时间接受路况信息,更新路段状况的历史模型库。
本发明方法在GPS数据基础上建立模型,可通过并行计算技术处理海量GPS数据,可有效地结合当天实时数据预测公交到站,由于数据源可以持久有效地不断供应路段数据,便可以不断更新各个路段的历史模型,从而更加有效地预测路况。使得预测公交车到站更加准确及时。
附图说明
图1为预测公交车到站的方法流程图;
图2至图4为GPS数据纠偏的三种情况;
图5路况拟合曲线。
具体实施方式
一种预测公交车到站的方法,如图1所示,本发明方法在交通信息服务网格***中的具体实现大致分为6个部分:从公交车和出租车采集实时GPS数据,将采集的GPS数据进行纠偏入库,海量处理历史数据建立历史模型库,结合实时的GPS数据预测路况,根据实时公交车数据预测到站时间,根据不断接受到的GPS数据更新路况历史模型。
具体描述如下:
(1)数据采集
通过安装在公交车和出租车上面的GPS数据发射装置,将车辆的实时GPS数据发送至数据接受中心。车辆GPS数据含有此部车辆的车辆ID,速度,经纬度,运行状态,角度,时间和累计里程等信息。运行状态中还含有进出场,上下行和到站离站等信息。这些数据充分反映了此部车辆当前所处的状态。GPS数据按照固定的时间间隔,大致在18秒左右,规律性地向数据接受中心发送数据。通过存储GPS数据,作为下一步数据预处理的数据源。
(2)数据预处理
本项目采集的数据是公交车和出租车的GPS数据。由于GPS数据存在一定的不准确性,GPS数据中提供的经纬度坐标常常存在误差,它所反映的数据点不在一条实际的路段上,所以我们要对其进行纠偏。通过GPS数据中所含有的经纬度坐标,可以找出离此GPS数据点最近的路段。纠偏算法大致分为3种情况。第一种情况如图2所示,图中GPS数据点C离路段AB的距离比较近,在误差允许的范围内,此时将GPS数据点直接映射到路段上的D点,将映射点作为纠偏后的GPS数据点。第二种情况如图3所示,GPS数据点C到路段AB的距离过大,超出了误差的允许范围,此GPS数据点不作任何修改,纠偏后仍为此点。第三种情况如图4所示,如果GPS数据点C到路段AB的距离在误差的允许范围内且无法直接映射到该路段AB上时,则GPS数据点C离该路段AB两端较近的端点A作为纠偏后的GPS数据点。将接受到的数据全部纠偏后入库,建立一个完整的路段历史信息库。
(3)并行处理建立模型库
通过上面描述的数据预处理,建立完整的路段历史信息库。在信息库中,每条路段每天都有大量的GPS数据,这些数据可以有效地反映路段在一天之内的变化规律,由于数据特别多,所有需要使用有效的归纳方法从无序杂乱的数据中归纳出路况变化的规律性来。在本项目中,使用了最小二乘法的思想来建立历史模型,通过最小二乘法的思想拟合出一条反映路段状况变化情况的多项式曲线,如图5所示,横坐标是时间(分钟),纵坐标是速度(公里每小时),此曲线和路段的GPS数据之间的差值平方和最小,最能够有效反映出每天此路段的路况变化规律。其中更新路段状况的历史模型库可采用以下方法:1)获得当前周某一天所使用的多项式曲线,2)根据当前周这一天所收集的GPS数据,单独建立一条多项式曲线,3)将这两条多项式曲线取均值,建立一条新的多项式曲线,从而更新每周这一天所使用的多项式曲线,在下周的这一天将使用这条更新过的多项式曲线。这样,通过计算一条路段一周的GPS数据,可以建立周一到周日7条这样的多项式曲线, 当收集到下周的所有GPS数据后,又可以建立下周的多项式曲线。通过将前后两周同一天的多项式曲线取均值,建立一条新的多项式曲线。再拿这条多项式曲线和再下一周的曲线取均值,再建立另一条曲线。通过这种方法,可以不断综合根据历史数据计算出来的多项式曲线,最终建立一条综合了所有历史数据的多项式曲线,使其充分反映此条路段每天的路况变化规律。通过反复计算比对,决定将此多项式的最高指数设为20,在此基础上计算出来的多项式曲线效果最佳,最能够反映路况的变化规律。将此曲线的所有21个系数入库,建立所有路段的历史模型库。在需要使用此多项式时,只要取出所有的系数,便可以重新构建此多项式曲线。由于要计算所有路段的模型数据巨大,必须使用并行计算技术来海量处理全部路段多天的数据。通过多台机器并行地运算海量数据,通过它们之间适当的相互协调同步,能够在短时间内完成庞大数据的计算。在此项目中,使用C语言的MPI(Message Passing Interface,讯息传送界面)技术,在多台装有LINUX环境的计算机上并行海量处理所有路段一周的数据,可以将计算时间控制在10分钟以内。建立的路段模型库作为下一步路况预测的基准模型库。
(4)结合实时数据预测路况
由于建立的路段历史模型仅仅能够反映路况过去的变化规律,所以还需要结合当天有效的GPS数据来预测路况。通过取得当天路段上有效的GPS数据,计算出当天GPS数据和历史模型库中多项式曲线之间的多个速度差值,按照指数平滑方法,将这些差值结合上相应的权值后综合。将最初的差值乘以一个权值后,再加上后一个差值乘以相应的权值,计算出一个综合了两个差值的数值,前后两个权值之和为1。再将此数值按照同样的方法,不断乘上相同的权值和后面的差值综合,在处理了所有的差值后,计算出历史模型库中多项式曲线计算的速度值和实际GPS数据之间的综合差值。经过反复计算比对,将前面一个权值设为0.7,后面一个权值是0.3,此时的效果最佳。将这个综合差值和历史模型库中多项式曲线未来某个时刻的速度值相综合,从而预测出未来某个时刻的路况。通过此预测结果,可以计算出公交车所经过的各个路段的未来路况。
(5)根据实时公交车数据预测到站时间
在预测当天实时接受公交车的GPS数据,通过公交车所处的路段和行驶的距离,判断出离各个车站最近的公交车的位置。通过上述的预测路况的方法,预测出此部公交车开到某一路段时,此路段的路况如何,从而预测出公交车行驶此路段所消耗的 时间。离公交车较近的路段可以按照公交车的实时速度计算行驶时间,通过将这些行驶时间不断累加,可以计算出公交车行驶到某路段时的时间,从而预测这个时间点的路况,按照此预测路况来计算出此公交车行驶此路段所消耗的时间,离公交车越远的路段,预测间隔的时间跨度越长。通过计算公交车和车站之间各个路段的行驶时间,将这些时间加以综合,从而预测出下一部公交车的到站时间。
(6)动态更新路段历史模型库
由于公交车和出租车的GPS数据发射装置可以持久有效地发射GPS数据,所以可以将纠偏后的数据不断入库,每隔一段时间,海量处理这些纠偏后的有效数据,更新路段的历史模型库。
Claims (8)
1.一种预测公交车到站的方法,其特征在于包括以下步骤:
1)数据采集:通过安装在实际车辆中的GPS数据发射装置,将车辆的实时GPS数据发送至接受中心;接受中心存储该实时GPS数据,作为下一步数据预处理的数据源;
2)数据预处理:通过纠偏,调整GPS数据的参数,建立所有路段的历史信息库,作为下一步处理建模的数据源;
3)处理建模:处理路段历史信息库中的信息,通过最小二乘法拟合反映路段状况变化情况的多项式曲线,建立路段状况的历史模型库;
4)预测路况:结合历史模型库和当天路段状况的信息,预测出当天某一个时间点路段所处的状态;
5)公交到站预测:实时接受公交车的行驶数据,判断出车站最近的一部公交车的具***置,通过取得当天路段上有效的GPS数据,计算出当天GPS数据和历史模型库中多项式曲线之间的多个速度差值,按照指数平滑方法,将这些差值结合上相应的权值后综合,将这个综合差值和历史模型库中多项式曲线未来某个时刻的速度值相综合,从而预测出未来某个时刻的路况;通过此预测结果,预测出此部公交车到公交站点之间的各个路段的未来的路况,计算出此公交车在各个路段上所消耗的时间,从而预测出到站的时间;
6)建模更新:通过长时间接受路况信息,更新路段状况的历史模型库。
2.根据权利要求1所述的预测公交车到站的方法,其特征在于:所述步骤3)处理建模通过并行计算技术处理路段历史信息库中的信息。
3.根据权利要求1或2所述的预测公交车到站的方法,其特征在于:所述车辆实时GPS数据包括车辆ID、速度、经纬度、运行状态、角度、时间和累计里程信息,所述运行状态包括进出场、上下行和到站离站信息。
4.根据权利要求1或2所述的预测公交车到站的方法,其特征在于:所述GPS数据按照固定的时间间隔发送。
5.根据权利要求1或2所述的预测公交车到站的方法,其特征在于步骤2)数据预处理中纠偏包括以下步骤:当GPS数据点离路段的距离在误差允许的范围内,此时将GPS数据点直接映射到该路段上,将映射点作为纠偏后的GPS数据点;当GPS数据点到路段的距离超出了误差的允许范围,此GPS数据点不作修改,纠偏后仍为此点;当GPS数据点到路段的距离在误差的允许范围内且无法直接映射到该路段上时,则GPS数据点离该路段两端较近的端点作为纠偏后的GPS数据点。
6.根据权利要求1所述的预测公交车到站的方法,其特征在于:所述历史模型库为以周为单位更新的多项式曲线。
7.根据权利要求1所述的预测公交车到站的方法,其特征在于:所述步骤6)更新路段状况的历史模型库的方法为:(1)获得当前周某一天所使用的多项式曲线,(2)根据当前周这一天所收集的GPS数据,单独建立一条多项式曲线,(3)将这两条多项式曲线取均值,建立一条新的多项式曲线,从而更新每周这一天所使用的多项式曲线,在下周的这一天将使用这条更新过的多项式曲线。
8.根据权利要求1所述的预测公交车到站的方法,其特征在于:所述多项式曲线的最高指数为20,将此曲线的所有21个系数入库,建立所有路段的历史模型库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2005101100830A CN1963847B (zh) | 2005-11-07 | 2005-11-07 | 预测公交车到站的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2005101100830A CN1963847B (zh) | 2005-11-07 | 2005-11-07 | 预测公交车到站的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1963847A CN1963847A (zh) | 2007-05-16 |
CN1963847B true CN1963847B (zh) | 2011-03-09 |
Family
ID=38082889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2005101100830A Expired - Fee Related CN1963847B (zh) | 2005-11-07 | 2005-11-07 | 预测公交车到站的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1963847B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388143B (zh) * | 2007-09-14 | 2011-04-13 | 同济大学 | 基于浮动车数据的公交到站时间预测方法 |
CA2703515C (en) * | 2007-10-26 | 2018-11-13 | Tomtom International B.V. | A method of creating map data |
CN101694743B (zh) * | 2009-08-25 | 2011-09-21 | 北京世纪高通科技有限公司 | 预测路况的方法和装置 |
CN102081859B (zh) * | 2009-11-26 | 2014-10-01 | 上海遥薇(集团)有限公司 | 一种公交车到站时间预测模型控制方法 |
CN101950477B (zh) * | 2010-08-23 | 2012-05-23 | 北京世纪高通科技有限公司 | 一种交通信息处理方法及装置 |
CN102157075B (zh) * | 2011-03-15 | 2013-07-03 | 上海交通大学 | 公交到站的预测方法 |
CN103578267B (zh) * | 2012-07-18 | 2015-12-16 | 北京掌行通信息技术有限公司 | 基于公交gps数据的公交到站预测方法及*** |
GB201307550D0 (en) | 2013-04-26 | 2013-06-12 | Tomtom Dev Germany Gmbh | Methods and systems of providing information indicative of a recommended navigable stretch |
CN103310651B (zh) * | 2013-05-24 | 2016-03-02 | 北京市交通信息中心 | 一种基于实时路况信息的公交到站预测方法 |
CN104064024B (zh) * | 2014-06-23 | 2016-04-06 | 银江股份有限公司 | 一种基于历史数据的公交车辆到站时间预测方法 |
CN104064028B (zh) * | 2014-06-23 | 2016-04-06 | 银江股份有限公司 | 基于多元信息数据的公交到站时间预测方法及*** |
CN104794927B (zh) * | 2015-04-29 | 2017-05-17 | 贵州中科汉天下信息技术有限公司 | 一种公交车到站时间预测方法 |
CN104916155B (zh) * | 2015-05-22 | 2017-10-13 | 深圳北斗应用技术研究院有限公司 | 一种实时公交信息服务*** |
CN105243444A (zh) * | 2015-10-09 | 2016-01-13 | 杭州尚青科技有限公司 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
CN107238391A (zh) * | 2016-03-28 | 2017-10-10 | 高德软件有限公司 | 一种公交出行路线的推荐方法及装置 |
CN107315600A (zh) * | 2016-04-27 | 2017-11-03 | 株式会社日立制作所 | 对车载终端中的软件进行远程更新的方法和装置 |
CN106056953B (zh) * | 2016-05-19 | 2018-04-17 | 西安电子科技大学 | 基于低精度gps数据获取交通道路信息的方法 |
CN107978169B (zh) * | 2017-12-14 | 2019-06-14 | 东南大学 | 一种对多源数据来源下的公交站点位置纠偏的方法 |
CN108010365A (zh) * | 2018-01-02 | 2018-05-08 | 苏州桠鑫电子科技有限公司 | 一种能准确预报公交车辆实际到站时间的方法 |
CN108802776B (zh) * | 2018-07-02 | 2021-03-02 | 武汉蓝泰源信息技术有限公司 | 基于异常点剔除及轨迹压缩算法的公交gps纠偏方法 |
CN113936462A (zh) * | 2021-10-18 | 2022-01-14 | 广州交信投科技股份有限公司 | 一种基于astgcn算法的公交路况预测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6137425A (en) * | 1997-11-27 | 2000-10-24 | Alcatel | Waiting time prediction system |
CN1673686A (zh) * | 2004-03-22 | 2005-09-28 | 爱信艾达株式会社 | 导航*** |
-
2005
- 2005-11-07 CN CN2005101100830A patent/CN1963847B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6137425A (en) * | 1997-11-27 | 2000-10-24 | Alcatel | Waiting time prediction system |
CN1673686A (zh) * | 2004-03-22 | 2005-09-28 | 爱信艾达株式会社 | 导航*** |
Non-Patent Citations (6)
Title |
---|
JP特开2002-319094A 2002.10.31 |
JP特开2004-252568A 2004.09.09 |
Steven I-Jy Chien et al.Dynamic Travel Time Prediction with Real-Time and HistoricData.Journal of Transportation Engineering.2003,608-616. |
Steven I-Jy Chien et al.Dynamic Travel Time Prediction with Real-Time and HistoricData.Journal of Transportation Engineering.2003,608-616. * |
杨先平.城市道路行程时间预测方法研究.中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑 6.2005,(6),7-53. |
杨先平.城市道路行程时间预测方法研究.中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑 6.2005,(6),7-53. * |
Also Published As
Publication number | Publication date |
---|---|
CN1963847A (zh) | 2007-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1963847B (zh) | 预测公交车到站的方法 | |
US11276028B2 (en) | System and method for dynamic pairing function optimization | |
CN101964148B (zh) | 道路交通信息记录服务器和gps用户终端 | |
CN103678917B (zh) | 一种基于模拟退火算法的公交实时到站时间预测方法 | |
US20200334637A1 (en) | Methods and systems for item delivery along delivery routes | |
CN106297357B (zh) | 基于车联网的实时路径规划和poi信息检索***及方法 | |
US7953544B2 (en) | Method and structure for vehicular traffic prediction with link interactions | |
CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
US11543254B2 (en) | Methods and systems for item delivery along delivery routes | |
CN110969857B (zh) | 一种交通信息处理方法及装置 | |
CN110709908A (zh) | 用于交通***的状态预测的计算机***和方法 | |
He et al. | Vehicle scheduling under stochastic trip times: An approximate dynamic programming approach | |
CN103295414A (zh) | 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 | |
CN102385804A (zh) | 一种智能交通***及其导航方法 | |
CN103310651A (zh) | 一种基于实时路况信息的公交到站预测方法 | |
CN101751777A (zh) | 基于空间聚类分析的城市路网交通小区动态划分方法 | |
CN104332064A (zh) | 基于用户轨迹更新道路信息的方法及装置 | |
CN104064024A (zh) | 一种基于历史数据的公交车辆到站时间预测方法 | |
Aksu et al. | Transit coordination using integer-ratio headways | |
CN102346042A (zh) | 基于实时路况的路线规划方法及其服务设备 | |
CN112991743A (zh) | 基于行驶路径的实时交通风险ai预测方法及其*** | |
CN102568207A (zh) | 交通数据处理方法和装置 | |
CN102800190A (zh) | 基于公交车gps数据的公交运送速度提取方法 | |
Li et al. | Analysis of logistics distribution path optimization planning based on traffic network data | |
CN102496277A (zh) | 道路交通信息的获取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110309 Termination date: 20131107 |