TWI703517B

TWI703517B - 車輛到站時間預測之系統與其方法

Info

Publication number: TWI703517B
Application number: TW108125443A
Authority: TW
Inventors: 許家齊
Original assignee: 中華電信股份有限公司
Priority date: 2019-07-18
Filing date: 2019-07-18
Publication date: 2020-09-01
Also published as: TW202105265A

Abstract

一種車輛到站時間預測之系統與其方法，係利用車輛的GPS資訊及到/離站資訊統計該車輛於行駛路線中之第一位置的發車時段，以依據該發車時段、該發車時段之車輛從該行駛路線的該第一位置行駛至第二位置所經國道的國道旅行時間以及該第一位置與該第二位置之間的歷史行駛時間，進而預測下一個發車時間之車輛從該行駛路線的第一位置至第二位置的行駛時間。

Description

車輛到站時間預測之系統與其方法

本發明係有關旅行時間預測技術，尤指一種車輛到站時間預測之系統與其方法。

隨著都市的發展，人口的提升，造成連通各都市之交通系統的交通量急遽上升，然而，傳統採用的分類方式的交通旅行時間預測，常因同樣時間標籤(同週內日期時間標籤)之實際行駛時間資料進行平均值做為預測時間之輸出值，然而日期時間標籤的定義常不明確，如一般週末前的週五與連續假期前的週五，抑或是連續假期的每一天其定義皆難以定義其屬性，且也因過去同標籤下的樣本資料過少，造成採用此統計預測與實際結果造成誤差。

因此，如何有效改善日期時間標籤所造成預測旅行時間的誤差，並能較快速且準確地預測旅行時間，即為本發明所要解決之技術問題。

為解決上述問題，本發明提供一種車輛到站時間預測之系統，係包括：車載行動設備，係配置於車輛上，以取得該車輛的GPS資訊及到/離站資訊；以及伺服器，係包含：接收模組，係接收該車輛的行駛路線以及該車載行動設備所傳送該車輛的GPS資訊及到/離站資訊，其中，該行駛路線包含第一位置及第二位置；統計模組，係依據該GPS資訊及到/離站資訊統計行駛該行駛路線之連續班次的車輛於該第一位置的發車時間；讀取模組，係接收各該發車時間之車輛從該第一位置行駛至該第二位置所經國道的國道旅行時間；歷史資料庫，係儲存各該發車時間之車輛於歷史該發車時段/發車時間時，從該行駛路線的第一位置與第二位置之間的歷史行駛時間；及預測模組，係以機器學習根據各該發車時間及各該發車時間之車輛的該國道旅行時間與該歷史行駛時間，進而預測下一個發車時間之車輛從該行駛路線的第一位置至第二位置的行駛時間。

於一實施例中，該統計模組依據該GPS資訊及到/離站資訊統計行駛該行駛路線之連續兩個班次的車輛於該第一位置的發車時間。

於一實施例中，該讀取模組係依據該GPS資訊向國道電子收費系統讀取該發車時間之車輛從該第一位置行駛至該第二位置所經國道的國道旅行時間。

於一實施例中，該機器學習係為LSTM。

於一實施例中，該LSTM的架構包含：正規化層，係將各該發車時間及各該發車時間之車輛的該國道旅行時間與該歷史行駛時間進行正規化；轉換層，係將該正規化的資料轉換成該LSTM訓練學習用的時階資料；LSTM模型，係以輸入兩時階輸出一時階的方式進行該時階資料的訓練學習；丟棄層，係訂定該訓練學習的標籤保留率，以降低該訓練學習後的LSTM模型的複雜度；及全連接層，係將已降低複雜的該LSTM模型輸出，俾令該輸出一時階為預測下一個發車時間之車輛從該行駛路線的第一位置至第二位置的行駛時間。

本發明另提供一種車輛到站時間預測之方法，係包括：令接收模組接收車輛的行駛路線以及該車輛上之車載行動設備所傳送的GPS資訊及到/離站資訊，其中，該行駛路線包含第一位置及第二位置；令統計模組依據該GPS資訊及到/離站資訊統計行駛該行駛路線之連續班次的車輛於該第一位置的發車時間；令讀取模組讀取各該發車時間之車輛從該第一位置行駛至該第二位置所經國道的國道旅行時間；令歷史資料庫提供各該發車時間之車輛於歷史該發車時段/發車時間時，從該行駛路線的第一位置與第二位置之間的歷史行駛時間；以及令預測模組以機器學習根據各該發車時間及各該發車時間之車輛的該國道旅行時間與該歷史行駛時間，進而預測下一個發車時間之車輛從該行駛路線的第一位置至第二位置的行駛時間。

於一實施例中，令該統計模組依據該GPS資訊及到/離站資訊統計行駛該行駛路線之連續兩個班次的車輛於該第一位置的發車時間。

於一實施例中，令該讀取模組依據該GPS資訊向國道電子收費系統讀取該發車時間之車輛從該第一位置行駛至該第二位置所經國道的國道旅行時間。

於一實施例中，該機器學習係為LSTM。

於一實施例中，該LSTM預測下一個發車時間之車輛從該行駛路線的第一位置至第二位置的行駛時間包括：利用正規化層將各該發車時間及各該發車時間之車輛的該國道旅行時間與該歷史行駛時間進行正規化；利用轉換層將該正規化的資料轉換成該LSTM訓練學習用的時階資料；利用LSTM模型以輸入兩時階輸出一時階的方式進行該時階資料的訓練學習；利用丟棄層訂定該訓練學習的標籤保留率，以降低該訓練學習後的LSTM模型的複雜度；及利用全連接層將已降低複雜的該LSTM模型輸出，俾令該輸出一時階為預測下一個發車時間之車輛從該行駛路線的第一位置至第二位置的行駛時間。

由上可知，本發明透過將時間標籤部分捨去日期時間標籤，只採用時段時間標籤，並配合LSTM對該時段時間標籤下之各時間參數進行訓練學習，以進行時段時間標籤的旅行時間預測，以改善傳統日期時間標籤所造成預測旅行時間的誤差，並將具有時段時間標籤的車輛(如國道客運)之班次時段進行該時段時間標籤的旅行時間預測，以準確預測車輛(如國道客運)於各班次時段的到站時間，進而提高民眾使用國道運輸服務的意願提高民眾使用國道運輸服務的意願。

1‧‧‧車載行動設備

2‧‧‧伺服器

21‧‧‧接收模組

22‧‧‧統計模組

23‧‧‧讀取模組

24‧‧‧歷史資料庫

25‧‧‧預測模組

31‧‧‧正規化層

32‧‧‧轉換層

33‧‧‧LSTM模型

34‧‧‧丟棄層

35‧‧‧全連接層

S1~S5、S51~S55‧‧‧步驟

第1圖係本發明之車輛到站時間預測之系統之示意架構圖；第2圖係本發明之LSTM的示意架構圖；第3圖係本發明之車輛到站時間預測之方法之步驟流程圖；以及第4圖係本發明之步驟S5以LSTM預測下一個發車時間之車輛從該行駛路線的第一位置至第二位置的行駛時間之步驟流程圖。

以下藉由特定的具體實施例說明本發明之實施方式，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。

須知，本說明書所附圖式所繪示之結構、比例、大小等，均僅用以配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，並非用以限定本發明可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本發明所能產生之功效及所能達成之目的下，均應仍落在本發明所揭示之技術內容得能涵蓋之範圍內。

第1圖係本發明之車輛到站時間預測之系統之示意架構圖，在此實施例中，車輛可例如為客運等交通工具。如第1圖所示，該系統係包括：車載行動設備1以及伺服器2，其中，車載行動設備1以及伺服器2之間係透過無線網路彼此介接。

車載行動設備1，係配置於車輛(如客運)上，以取得該車輛的GPS資訊，並將該GPS資訊與預先儲存在該車載行動設備1中之位置資訊做比對，以產生到/離站資訊。在此實施例中，位置資訊為客運之站牌資訊。

伺服器2係包含：接收模組21、統計模組22、讀取模組23、歷史資料庫24以及預測模組25。

接收模組21，係接收該車輛的行駛路線以及該車載行動設備1所傳送該車輛的GPS資訊及到/離站資訊，其中，該行駛路線包含第一位置(如第一站牌)及第二位置(如第二站牌)。

統計模組22，係依據該GPS資訊及到/離站資訊統計行駛該行駛路線之連續班次的車輛(如客運)於該第一位置(如第一站牌)的發車時段/發車時間。

於一實施例中，該統計模組22依據該GPS資訊及到/離站資訊統計行駛該行駛路線之連續兩個班次的車輛(如客運)於該第一位置(如第一站牌)的發車時段/發車時間。

於一實施例中，該連續班次的車輛的發車時間係依續具有一時段差，且該時段差可為小時單位或分鐘單位，但不以此為限。

讀取模組23，係接收各該發車時段/發車時間之車輛(如客運)從該第一位置(如第一站牌)行駛至該第二位置(如第二站牌)所經國道的國道旅行時間。

於一實施例中，該讀取模組23係依據該GPS資訊向國道電子收費系統讀取該發車時段/發車時間之車輛(如客運)從該第一位置(如第一站牌)行駛至該第二位置(如第二站牌)所經國道的國道旅行時間。

歷史資料庫24，係儲存各該發車時段/發車時間之車輛(如客運)於歷史該發車時段/發車時間時，從該行駛路線的第一位置(如第一站牌)與第二位置(如第二站牌)之間的歷史行駛時間，其中，該歷史行駛時間包含歷史國道旅行時間及歷史非國道旅行時間(即一般道路的歷史旅行時間)。

於一實施例中，該歷史發車時段/發車時間的歷史所屬日與該發車時段/發車時間的所屬日相同，例如，該發車時段/發車時間的所屬日為星期一，則該歷史發車時段/發車時間的歷史所屬日為歷史中不同星期/週的星期一，但該歷史所屬日亦可與該所屬日不相同，故不以此為限。

於一實施例中，該歷史資料庫24中的該歷史行駛時間係由一計算模組(未圖示)依據該接收模組21所接收的該車輛的GPS資訊及到/離站資訊計算出來並將該計算之結果的該歷史行駛時間儲存至該歷史資料庫24中，但不以此為限。

預測模組25，係以機器學習根據各該發車時段/發車時間及各該發車時段/發車時間之車輛(如客運)的該國道旅行時間與該歷史行駛時間，進而預測下一個發車時段/發車時間之車輛(如客運)從該行駛路線的第一位置(如第一站牌)至第二位置(如第二站牌)的行駛時間。

於一實施例中，該下一個發車時段/發車時間與各該發車時段/發車時間依續具有該時段差，例如：各該發車時段/發車時間為2個、該時段差為15分鐘且該2個發車時段/發車時間為8：00及8：15時，則該下一個發車時段/發車時間為8：30，但不以此為限。

該預測模組25所進行的該機器學習係為LSTM(Long Short-Term Memory，長短期記憶)。

第2圖係本發明之LSTM的示意架構圖。如第2圖所示，該LSTM係包括：正規化層31、轉換層32、LSTM模型33、丟棄層34以及全連接層35。

正規化層31，係將各該發車時段/發車時間及各該發車時段/發車時間之車輛(如客運)的該國道旅行時間與該歷史行駛時間進行正規化。於一實施例中，正規化層31將該正規化的資料分配在0~1之間，但不限於此。

轉換層32，係將該正規化的資料轉換成該LSTM訓練學習用的時階資料。

LSTM模型33，係以輸入兩時階輸出一時階的方式進行該時階資料的訓練學習。

丟棄層34，係訂定該訓練學習的標籤保留率，以降低該訓練學習後的LSTM模型33的複雜度。

全連接層35，係將已降低複雜的該LSTM模型33輸出，俾令該輸出一時階為預測下一個發車時段/發車時間之車輛(如客運)從該行駛路線的第一位置(如第一站牌)至第二位置(如第二站牌)的行駛時間。

第3圖係本發明之車輛到站時間預測之方法之步驟流程圖。如第3圖所示，該方法係包括下列執行步驟：在步驟S1中，接收行駛路線、GPS資訊及到/離站資訊，其中，令接收模組21接收車輛(如客運)的行駛路線以及該車輛上之車載行動設備1所傳送的GPS資訊及到/離站資訊，其中，該行駛路線包含第一位置(如第一站牌)及第二位置(如第二站牌)。

於一實施例中，該到/離站資訊係由車載行動設備1依據該GPS資訊與預先儲存在該車載行動設備1中之站點資訊做比對所產生。

在步驟S2中，統計發車時段/發車時間，其中，令統計模組22依據該GPS資訊及到/離站資訊統計行駛該行駛路線之連續班次的車輛(如客運)於該第一位置(如第一站牌)的發車時段/發車時間。

於一實施例中，令該統計模組22依據該GPS資訊及到/離站資訊統計行駛該行駛路線之連續兩個班次的車輛(如客運)於該第一位置(如第一站牌)的發車時段/發車時間。

在步驟S3中，取得國道旅行時間，其中，令讀取模組23讀取各該發車時段/發車時間之車輛(如客運)從該第一位置(如第一站牌)行駛至該第二位置(如第二站牌)所經國道的國道旅行時間。

於一實施例中，令該讀取模組23係依據該GPS資訊向國道電子收費系統讀取該發車時段/發車時間之車輛(如客運)從該第一位置(如第一站牌)行駛至該第二位置(如第二站牌)所經國道的國道旅行時間。

在步驟S4中，取得該行駛路線的歷史行駛時間，其中，令歷史資料庫24提供各該發車時段/發車時間之車輛(如客運)於歷史該發車時段/發車時間時，從該行駛路線的第一位置(如第一站牌)與第二位置(如第二站牌)之間的歷史行駛時間。

於一實施例中，該歷史發車時段/發車時間的歷史所屬日與該發車時段/發車時間的所屬日相同或不同，但不以此為限。

於一實施例中，該歷史資料庫24中的該歷史行駛時間係由一計算模組(未圖示)依據該接收模組21所接收的該車輛的GPS資訊及到/離站資訊計算出來，並將該計算之結果的該歷史行駛時間儲存至該歷史資料庫24中，但不以此為限。

在步驟S5中，以機器學習預測下一個發車時段/發車時間之車輛(如客運)的行駛時間，其中，令預測模組25以機器學習根據各該發車時段/發車時間及各該發車時段/發車時間之車輛(如客運)的該國道旅行時間與該歷史行駛時間，進而預測下一個發車時段/發車時間之車輛(如客運)從該行駛路線的第一位置(如第一站牌)至第二位置(如第二站牌)的行駛時間，其中，該機器學習係為LSTM。

第4圖係本發明之步驟S5以LSTM預測下一個發車時段/發車時間之車輛(如客運)從該行駛路線的第一位置(如第一站牌)至第二位置(如第二站牌)的行駛時間之步驟流程圖。如第4圖所示，該LSTM係包括下列執行步驟：在步驟S51中，正規化，其中，利用正規化層31將各該發車時段/發車時間及各該發車時段/發車時間之車輛(如客運)的該國道旅行時間與該歷史行駛時間進行正規化。於一實施例中，正規化層31將該正規化的資料分配在0~1之間，但不限於此。

在步驟S52中，資料轉換，其中，利用轉換層32將該正規化的資料轉換成該LSTM訓練學習用的時階資料。

在步驟S53中，利用LSTM模型進行訓練學習，其中，利用LSTM模型33以輸入兩時階輸出一時階的方式進行該時階資料的訓練學習。

在步驟S54中，降低該LSTM模型的複雜度，其中，利用丟棄層34訂定該訓練學習的標籤保留率，以降低該訓練學習後的LSTM模型33的複雜度。

在步驟S55中，輸出結果，其中，利用全連接層35將已降低複雜的該LSTM模型33輸出，俾令該輸出一時階為預測下一個發車時段/發車時間之車輛(如客運)從該行駛路線的第一位置(如第一站牌)至第二位置(如第二站牌)的行駛時間。

下列以舉例方式提供一時間序列變數列表來說明本發明之車輛(如客運)到站時間預測之方法的步驟S5：

假設該表1之一客運的行駛路線是從台北市府轉運站(A站牌)至宜蘭羅東轉運站(B站牌)，該行駛路線所經之國道路線由國道電子收費系統的架設區分為五個國道路段，且該LSTM訓練學習用的時階資料設定為15分鐘(如表1所示時間差為15分鐘的各發車時段/發車時間)，其中，15分鐘僅為舉例說明，可依實際情況再做調整。

LSTM模型33實際輸入及輸出資料如表2所示，該輸出資料為預測2019/07/01 08：30時段從A站牌出發至B站牌之行駛時間y，該輸入資料為前兩個時階(2019/07/01 08：00及08：15)之時間序列資料(變數X1~X14)，其中，變數X1~X7及X8~X14分別表示為表1之發車時段/發車時間至此時階出發至目標站牌之歷史行駛時間之間的數值。在另一實施例中，輸入資料亦可為前N個時階，且各該前N個時階的變數皆為7個(如表2所例示)。

依據上述表2之X1~X14參數執行步驟S51~步驟S55後即可預測到2019/07/01 08：30時段從A站牌出發至B站牌之行駛時間y為83分鐘，且經由全連接層35所輸出的LSTM模型即為客運到站時間預測的預測模型model_predict，其中，該步驟S51中的正規化層31係對時階類型資料(如表2的X1)及旅行時間類型資料(如表2的X2~X7)的正規化的比例不同。

該預測模型model_predict可表示為model_predict(data_real,in_step,out_step,n_feature,n_LSTM)，並可依據表3所示該預測模型model_predict中各變數，將即時所蒐集到的資料(如本例上述X1~X14)執行該步驟S5，以進行此該班次之時段或下個該班次之時段由出發抵達目標站牌之行駛時間的預測。

由上可知，本發明透過將時間標籤部分捨去日期時間標籤，只採用時段時間標籤(即各發車時段/發車時間之間的時段差)，並配合LSTM對具有該時段時間標籤的各該發車時段/發車時間下之各時間參數進行訓練學習，以進行時段時間標籤的旅行時間預測，進而改善傳統日期時間標籤所造成預測旅行時間的誤差，並將具有時段時間標籤的國道客運之班次時段進行該時段時間標籤的旅行時間預測，以準確預測國道客運於各班次時段的到站時間，進而提高民眾使用國道運輸服務的意願提高民眾使用國道運輸服務的意願。

上述實施形態僅例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。因此，本發明之權利保護範圍，應如後述之申請專利範圍所列。