[发明专利]一种公交车到站时间预测方法

说明书

本发明属于智能交通系统技术领域，涉及一种公交车到站时间预测方法，为静态预测和动态调整两部分，首先利用静态预测模型预测公交车从始发站到达各站点所经历的时间，然后根据公交车到达各站点的观测时间利用动态调整模型对静态预测时间进行动态调整，具体包括采集历史数据，历史数据转换，转换数据归一化，选取网络节点数，确认基础时间序列1，启动动态调整，确定基础时间序列2，计算出最终预测值和预测结果评价，该方法通过静态预测模型和动态调整模型相结合的方式进行预测，有效提高了预测的准确性，该方法新颖独特，设计构思巧妙，预测结果准确，应用环境好，市场前景广阔。

技术领域：

本发明属于智能交通系统技术领域，涉及一种公交车到站时间预测方法，特别是一种公交车到站时间预测方法，用于智能化公交系统调度和了解公交车运行状态。

背景技术：

随着国民经济的发展，私家车数量越来越多，给城市交通带来巨大压力，交通问题已成为城市发展面临的巨大问题，因此建设智能交通系统是城市交通建设的主要任务，在智能交通系统中，发展公共交通系统是缓解城市交通压力的主要手段，公共交通系统在智能交通系统建设中仍占有主体地位，公共交通系统应该能实时反映公交车的运行状况，因此公交车到站时间预测是公共交通系统的主要功能之一，为此各国学者做了大量研究，其预测模型主要有以下两类：第一类模型是基于历史交通状况、路段特征和到达各站点的历史时间规律预测公交车到达各站点的时间，主要有以下方法：Jeong和Rilett利用车辆自动定位数据，将公交车时刻表，道路拥挤和车辆停靠时间等作为变量，分别建立了时间序列模型、回归模型和人工神经网络模型预测公交车到站时间，结果显示人工神经网络要优于其它模型；Chien 等分别建立了基于路段的人工神经网络模型和基于站点的人工神经网络模型并对公交车到站时间进行预测，在交叉口较少的情况下，基于路段的人工神经网络模型预测效果较好；于滨等利用支持向量机预测公交车运行时间，采用了时间段、天气和路段段以及当前路段的运行时间和下一路段的最新运行时间5个输入变量，最后，应用大连市开发区4路公交线对该模型进行了校验；然而公交车行驶时间是动态变化的，当预测数据相对历史数据发生较大变化时，会对预测结果造成很大的影响，同时上述算法模型并没有充分利用时间序列的长短时变化特性，仅仅是基于相关变量对公交车到站时间的短时映射。

现有技术中，第二类预测模型先利用静态模型预测公交车到达各站点的时间，再利用动态调整模型根据观测数据动态调整预测值，主要有以下方法：Chen等利用车辆自动定位系统数据和自动乘客计数系统数据，建立了基于Kalman滤波的公交车到站时间动态预测模型，该模型以巴士行程时间表作为基础运行时间，根据公交车到达当前站点的观测值利用Kalman滤波调整到达下一站的基础时间，从而达到公交车到站预测时间动态调整的目的；于滨等建立了基于SVM和 Kalman滤波的公交车到站时间预测模型，首先将时段、天气和路段作为SVM模型的输入特征值预测公交车再每一路段行驶的时间并将其作为静态预测值；Chien,I.-J.,Y.Ding,andC.Wei等利用人工神经网络作为静态预测模型，Kalman滤波模型作为动态调整模型对新泽西州运输公司第39号线路公交车行驶时间进行了预测；计晓昕、关伟建立了组合非参数回归和Kalman滤波组合模型，以北京公交300 路为例，对公交车到站时间进行了预测。

现有技术中，Kalman滤波模型根据历史数据和实时数据对静态预测结果进行调整具有较高的预测精度，然而上述方法的静态预测模型均不能利用时间序列长时和短时变化特性，因此基于上述静态预测模型的不足，设计一种公交车到站时间预测方法，该方法是基于LSTM (长短时记忆递归神经网络)和Kalman滤波的公交车到站时间预测模型，充分考虑各种因素的影响，最大限度提高车辆到达时间的预测精度。

发明内容：

本发明的目的在于克服现有技术存在的缺点，寻求设计一种公交车到站时间预测方法,该方法分为静态预测和动态调整两部分，首先利用静态预测模型预测公交车从始发站到达各站点所经历的时间，然后根据公交车到达各站点的观测时间利用动态调整模型对静态预测时间进行动态调整，实现预测的精确性。