一种基于深度神经网络计算的公交到站时间预测方法与流程

1.本技术涉及一种公交到站时间预测方法，尤其涉及一种基于深度神经网络计算的公交到站时间预测方法，属于公共交通信息处理技术领域。


背景技术：

2.公交到站时间预测是智慧交通系统的重要组成部分之一。准确的实时公交到站时间预测可以帮助出行者自行选择并优化出行路线。除此之外，准确的到站时间预测不仅可以帮助公交管理人员在突发事件的影响下调整优化公交排班时间。因此，实时且准确的公交到达时间预测是智慧交通帮助提高城市交通效率的重要方法之一。传统公交到站时间预测是通过获取各线路站点间公交运行时间以及公交车的地理信息以计算公交站点间的历史平均运行时常并用以预测到站时间。目前国内外学者在预测公交到站时间的方法上有大量研究，用到的预测模型有：差分整合移动平均自回归模型(auto regressive integrated moving average, arima)，支持向量机(support vector machines, svm)以及长短期记忆人工神经网络（long short
‑
term memory， lstm）。然而基于此类方法的时间序列预测模型难以支撑现阶段智能公交的大数据需求。当前公交出行需求越来越大，出行方式的种类越来越多，以及gps定位技术和通信技术的快速发展。
3.现有技术中常用的预测公交到站时间的技术有利用lstm神经网络进行公交到站时间的预测，公交到站时间预测一般属于时间序列的预测问题，在假设公交到站时间发展的延续性下，根据历史一段时间内的公交到站时间以及交通环境数据对于未来一段时间内的公交到站时间进行趋势预测。使用时间序列预测方式预测到站时间的方法存在很多缺陷，比如，很难在有限的时间切片窗口条件下难以同时捕捉长周期的趋势，当时间窗口过长时则计算会增加难以训练模型，而且缺乏对实时交通信息的系统性提取。
4.因此，在使用时间序列分析的方法对未来到站时进行预测是无法满足现有的公交站台实时显示精确的到站时间的需求的，更加用于未来行程规划中对未来一段时间内的公交行驶时间的预测。


技术实现要素：

5.在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
6.鉴于此，为解决现有技术中存在的公交车到站时间预测不精准的技术问题，本发明提供了一种基于深度神经网络计算的公交到站时间预测方法、装置及存储介质，本发明通过建立交通特征信息提取框架，对交通站点间的路段信息进行提取并聚类，针对不同类型的路段分别训练预测模型，实现了公交站点间到站时间预测更具有实时性以及精确性的技术效果。
7.一种基于深度神经网络计算的公交到站时间预测方法，包括以下步骤：s1.对交通数据进行预处理；s2.提取分段交通信息，得到路段交通特征；s3.扩大路段交通特征的样本量；s4.对各类路段历史行驶时间数据使用注意力机制模型做多路段的历史特征提取和信息选取；s5.将选取的特征向量输入全连接层使用均方误差为损失函数训练注意力机制模型；s6.得到预测公交到站的时间。
8.优选的，步骤s1所述对数据进行预处理的具体方法是：将公交路线分为前后站点间的路段，提取每一路段的交通信息；所述交通信息具体包括离散变量和连续变量。
9.优选的，步骤s2所述提取分段交通信息，得到路段交通特征，包括以下步骤：s2.1.建立公交线路的交通特征提取框架；s2.2.提取线路上两个站点间的分段交通信息；s2.3.提取并强化离散特征之间的关系；s2.4.提取并强化连续特征之间的关系；s2.5.将离散特征和连续特征进行融合，得到该路段被提取出的交通特征。
10.优选的，步骤s3所述扩大路段交通特征的样本量的具体方法是：根据各路段的交通特征做mean
‑
shift聚类，根据聚类结果分k蔟族，扩大各蔟族的训练样本。
11.优选的，步骤s4所述对各类路段历史行驶时间数据使用注意力机制模型做多路段的信息选取的具体方法是：信息选取的方法是，使用注意力机制模型对提取后的特征进行信息选取，具体公式如下：；其中，为该类型路段的历史交通特征数据， 为状态的矩阵，为神经元，函数将其激活为0
‑
1的值，并成为注意力权重矩阵，最终与对应元素逐个相乘成为注意力选取的特征向量，为该神经元的偏置向量。
12.优选的，步骤s5所述将选取的特征向量输入全连接层使用均方误差为损失函数训练注意力机制模型的具体方法是：其中，为该路段真实行驶时间值，为该路段预测行驶时间值。
13.优选的，步骤s2.3所述提取并强化离散特征之间的关系的具体方法是：其中，是的矩阵，为离散变量个数，为输入并使用独热编码后的离散变量，为该神经元的偏置向量。
14.优选的，步骤s2.4提取并强化连续特征之间的关系的具体方法是：其中，是的矩阵，为连续性变量个数，为压缩至维度个数，为输入的连续变量，为该神经元的偏置向量。
15.一种计算机装置，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现一种基于深度神经网络计算的公交到站时间预测方法的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种基于深度神经网络计算的公交到站时间预测方法。
17.本发明的有益效果如下：本发明通过建立交通特征信息提取框架，对交通站点间的路段信息进行实时交通状况的提取，增加了预测实时性，并且通过聚类，扩大了交通特征性路段的样本数量，使得预测更加精准，针对不同类型的路段分别训练预测模型，解决了现有技术中存在的公交车到站时间预测不精准的技术问题，实现了公交站点间到站时间预测更具有实时性以及精确性的技术效果。
附图说明
18.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本发明实施例所述的方法流程示意图；图2为本发明实施例所述的聚类模型结构示意图；图3为本发明实施例所述的注意力机制模型结构示意图；图4为本发明实施例所述rnn神经元历史时间序列特征提取器结构示意图；图5为本发明实施例所述rnn神经元历史时间序列特征提取器结构展开示意图。
具体实施方式
19.为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本技术的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
20.实施例一参照图1
‑
图5说明本实施方式，一种基于深度神经网络计算的公交到站时间预测方法，包括以下步骤：公交线路是一个由公交巴士行驶的固定线路，在本发明中巴士线路是由一系列的gps点组成，。gps点为公交路线上的巴士站点地理位置，，而本发明旨在所解决的问题是根据巴士线路上上两个站点，上的实时以及上两个站点，历史的交通信息来预测巴士线路两个站点间的公交行驶时间。
21.步骤一、对交通数据进行预处理；具体方法是：将公交路线分为一对前后站点间的路段，并提取每一路段的交通信息；所述交通信息具体包括离散变量和连续变量；所述离散变量如：天/星期（1、2、3、4、5、6、7）、小时/天（8、9、10
……
20），连续变量如：30分钟内平均站点等待时间，30分钟内平均站间行驶时间，具体详见表一，表一为交通信息表。
22.步骤二、提取分段交通信息，得到路段交通特征；包括以下步骤：步骤二一、建立公交线路的交通特征提取框架提取线路上上两个站点，间的分段交通信息。
23.步骤二二、提取线路上两个站点间的分段交通信息；步骤二三、利用wide&deep模型，用wide组件提取并强化离散特征之间的联系，比如“星期一”，“7：00
‑
9：00”以及“站点5
‑
站点6”之间可能有强相关，。wide组件可归纳为一个泛化的多层线性模型。
24.提取并强化离散特征之间的关系，具体是：，其中，是的矩阵，为离散变量个数，为输入并使用独热编码后的离散变量， 为该神经元的偏置向量。
25.步骤二四、同时，使用deep组件提取与强化连续变量之间的关系，比如各段路段的
加速度，平均车速，车流量等大量连续性变量。提取并强化连续特征之间的关系，具体是：，是的矩阵，为连续性变量个数，为压缩至维度个数，为输入的连续变量，为该神经元的偏置向量。
26.步骤二五、将离散特征和连续特征进行融合，得到该路段被提取出的交通特征。具体方法是：。
27.步骤三、扩大路段交通特征的样本量，根据各路段的交通特征做mean
‑
shift聚类，根据聚类结果分k簇族。扩大各簇族的训练样本，比如特殊交通高峰期路段可能会被聚类到相似簇族，扩大该交通特性路段的样本量使得预测更加准确；具体的，使用mean
‑
shift聚类模型扩大各分段。
28.步骤四、对各类路段历史行驶时间数据使用注意力机制模型做多路段的历史特征提取和信息选取，根据交通特征聚类结果对各类路段历史行驶时间数据使用注意力机制模型做各路段的历史特征提取并使用注意力机制模型对提取后的特征进行信息选取，具体方法是：历史特征提取的方法是：使用隐含层输出当做历史特征。
29.rnn神经元历史时间序列特征提取器，参照图4说明：为输入层，是一个历史特征时间序列， , 为输入层神经元个数，为带有循环的隐含层，为输入层；具体展开，参照图5说明：是一个历史特征时间序列， ,为输入层神经元个数；相应为隐含层， ,为隐含层神经元个数。
30.隐含层定义了整个历史特征提取系统的状态空间（state space）：其中， 中是隐含层的激活函数，
ꢀꢀ
其中，常用函数为双曲正切函数，为权值矩阵，为隐含层的偏置向量。
31.对应的输出层为, 其中, 为输出层神经元个数。历史特征提取器则是使用输出层的向量作为历史特征，为注意力信息选取模型的输入，即。
32.信息选取的方法是，使用注意力机制模型对提取后的特征进行信息选取，具体公式如下：
其中，为该类型路段的历史交通特征数据，为状态的矩阵，为神经元，函数将其激活为0
‑
1的值，并成为注意力权重矩阵，最终与对应元素逐个相乘成为注意力选取的特征向量；为该神经元的偏置向量。
33.步骤五、将选取的特征向量输入全连接层使用均方误差为损失函数训练该模型；具体方法是：其中，为该路段真实行驶时间值，为该路段预测行驶时间值。
34.步骤六、得到预测公交到站的时间。
35.本发明由三层架构组成，第一层为数据输入层、第二层为特征提取层和第三层到站时间预测层。
36.其中，所述数据输入层用于处理数据处理，将交通数据分为连续变量和离散变量并将数据输入至特征提取层。
37.其中，特征提取层接收数据输入层传输的数据，并利用wide&deep模型和注意力机制模型对数据进行处理。
38.其中，到站时间预测层通过经过聚类后的交通特征对数据进行融合，经过计算得预测到站时间。
39.本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于creo软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
40.所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列 (field
‑
programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
41.所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
42.计算机可读存储介质实施例本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机
程序时，可以实现上述的基于creo软件的可修改由关系驱动的建模数据的建模方法的步骤。
43.所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read
‑
only memory）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
44.尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。