[发明专利]一种公交车到站时间测算方法和装置

说明书

技术领域

本发明涉及信息处理技术，特别是涉及一种公交车到站时间测算方法和装置。

背景技术

随着城市智能交通的发展，城市交通运营管理和服务信息化水平已经得到很大提高，但对于公交系统，公交到站预测仍然是难点和重点，对公交到站的准确预测直接关系到公交乘客的满意度。

目前，在一些城市已经出现了公交到站预测服务，比如，在公交车站旁设立电子屏幕，显示某一线路的公交车到达当前车站还需经过的车站的数目。但是，公交车距离当前车站的车站数目，对于用户来说并不直观，用户更希望知道等待时间，即公交车到达当前公交车站的预计时间。因此，目前应运而生了一种基于人工神经网络来测算公交车到站时间的方法。

在目前基于人工神经网络测算公交车到站时间的方法中，首先建立公交车运行的历史数据库；然后，采用人工神经网络方法对历史数据进行训练，得出公交车由发车点到达目标车站的最佳平均行程时间；最后，在实际道路预测中，引入公交车当前在道路上运行的动态运行信息来修正预先得到的最佳平均行程时间，从而测算出公交车到站的时间。

由此可见，在现有技术中，虽然能够利用人工神经网络来测算公交车到站时间，但是，其测算依据主要是公交车运行的历史数据，公交车当前在道路上运行的动态运行信息只是用来修正预先测算的到站时间。而目前，道路运行状况越来越复杂和多变，主要依据历史数据测算到站时间，即使经过修正也仍然会导致测算时间不准确。另外，现有技术中在进行人工神经网络训练的时候，针对一条公交线路进行一个人工神经网络模型的建立和训练，没有考虑公交车在运行中的不同道路阶段具有明显差异的特征，也会导致训练结果不准确，从而使得最终测算的公交车到站时间不准确。

发明内容

本发明实施例的目的在于提出一种公交车到站时间测算方法和装置，能够使得测算出的公交车到站时间更为准确。

为达到上述目的，本发明实施例公开了一种公交车到站时间测算方法，将每一条公交运行线路划分为多个运行部，为每一个运行部分别建立对应的人工神经网络模型；针对每一个运行部，获取其对应的影响公交车到站时间的影响因素的历史值以及该运行部对应的历史运行时间，并输入其对应的人工神经网络模型，训练后得到其对应的人工神经网络模型的参数值；该方法还包括：确定公交车当前位置和目标站之间的所有目标运行部，针对每一个目标运行部，获取其对应的所述影响因素的当前值，并输入其对应的人工神经网络模型，根据训练得到的人工神经网络模型的参数值，得到与各个目标运行部对应的各人工神经网络模型的输出值，根据所有输出值得到公交车到达目标站的时间。

较佳地，所述将每一条公交运行线路划分为多个运行部包括：将每一条公交车运行线路上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段，分别划分为一个运行部；

和/或，

所述人工神经网络模型包括：一个输入层、一个隐层和一个输出层，其中，输入层神经元为所述影响公交车到站时间的影响因素；输出层神经元为时间；隐层神经元的个数利用如下公式确定：其中S为隐层神经元个数，a为输入层神经元的个数，b为输出层神经元的个数，n为1到10之间的整数。

可选地，所述影响公交车到站时间的影响因素包括：时间段、天气状况、特殊事件、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度中的任意一个或多个。

其中，所述影响因素的历史值和所述影响因素的当前值均为归一化数值；

该归一化数值的得到方法包括：

当所述影响因素中包括时间段时，将一天的时间以早、午、晚高峰为分界，分为七个时间段，分别对应归一化数值为0.1，0.2，0.3，0.4，0.5，0.6，0.7；

当所述影响因素中包括天气状况时，极其恶劣对应的归一化数值为0.9，恶劣对应的归一化数值为0.5，正常对应的归一化数值为0.1；

当所述影响因素中包括特殊事件时，交通正常对应的归一化数值为0.1，影响严重对应的归一化数值为0.5,极其严重对应的归一化数值为0.9；

当所述影响因素中包括周末节假日时，周一至周日对应的归一化数值分别为0.1至0.7，小长假对应的归一化数值为0.8，长假对应的归一化数值为0.9；

当所述影响因素中包括上下游路况时，畅通对应的归一化数值为0.1，拥堵对应的归一化数值为0.5，严重拥堵对应的归一化数值为0.9；

当所述影响因素中包括车辆距车站位置时，以车辆位置所在的两站之间的距离为分母，以车辆距离下一个站点的距离为分子，将得到的分数值作为归一化数值；