[发明专利]一种公交车到站时间预测方法

摘要

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。

主权项

1.一种公交车到站时间预测方法，其特征在于具体包括以下步骤：(1)、采集历史数据：采集通过公交车GPS系统收集公交车运行线路的历史数据,所述历史数据包括每一路公交车的车次、站点数、到达各站点的时间和速度，所述公交车的车次是公交车从始发站出发并再次到达始发站的过程成为一个车次；(2)、历史数据转换：将步骤(1)中获得的历史数据转换成三元组数据，所述三元组数据包括站点编号、到站真实经历时间和到站时间段，并将公交车从始发站到达各站点所用的时间数据作为标签数据；(3)、转换数据归一化：将步骤(2)中的数据进行归一化处理，得到归一化后的历史数据，以便于通过归一化的数据对LSTM神经网络进行训练，归一化的数据包括站点编号数据和公交车到站所用时间数据，分别找出站点编号数据的最大值和最小值、公交车到站所用时间的最大值和最小值，再使用最大值减最小值的方法对数据进行归一化处理，使归一化处理后的公交车运行历史数据值域为[0,1]，完成转换数据归一化处理；(4)、选取网络节点数：利用步骤(3)中归一化后的数据对LSTM神经网络进行训练并选取合理的神经网络节点数，所述LSTM神经网络分为三层，分别为：输入层、输出层和隐含层，其中输入层节点数为3，输出层节点数为一个车次中公交车经历的站点数，隐含层的节点数根据站点数来确定，具体为假定公交车经历的站点数为n，隐含层的节点数为j，则j的取值为且j为整数，目的在于从满足j的取值范围中选出最合适的取值；将步骤(3)中归一化处理后的公交车运行数据划分为训练集和测试集；利用训练集数据，在已设定合理参数的LSTM神经网络上进行训练，并计算LSTM神经网络在测试集上的测试误差，筛选留下测试误差最小时的LSTM神经网络作为LSTM神经网络预测模型；(5)、确认基础时间序列1：调用步骤(4)中得到的LSTM神经网络预测公交车到达下N站经历的时间的归一化数据，将其做反归一化处理并作为基础时间序列1，实现静态模型并完成预测；(6)、启动动态调整：建立公交车到站时间预测的Kalman滤波系统方程，利用该方程计算出公交车从初始站点到达第其他站点所经历的时间和观测时间,用以对步骤(5)中建立的静态模型进行动态调整和校正预测时间；(7)、确定基础时间序列2：当公交车到达第2站点时，能够获得公交车从始发站到达该站点的经历时间，Kalman滤波利用经历时间和通过步骤(5)得到的到达该站的预测时间，得到到达下一站的调整时间，该调整时间与该站和后续相邻站点的静态预测时间的时间差相加得到后续站点的调整值，重复该步骤直到得到所有站点的调整值，并将所有调整值序列作为基础时间序列2，完成到达第2站的动态调整过程；(8)、计算出最终预测值：利用步骤(5)得到的到达第3站的预测时间和步骤(7)得到的到达第3站时间的调整值，通过Kalman滤波采用步骤(7)中所述的方法计算出到达第4站的时间和调整后的基础时间序列3，再重复步骤(7)和(8)，直到得到所有站点的动态调整；(9)、预测结果评价：对公交车到达站点的预测值与观测值通过对比来评价预测的准确性，以准确率、各站点均方误差和各站点平均绝对误差作为评价指标，所述预测值与观测值的绝对偏差的定义为公交车到达站点时间观测值与预测值的差值的绝对值。