一种基于大数据和人工智能的公交车通行时间预测方法与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于大数据和人工智能的公交车通行时间预测方法。


背景技术：

2.随着我国社会经济的不断发展，城市交通拥堵、出行不便等问题日益突出，严重影响了人们的正常生活和城市的发展。发展城市公共交通不仅是缓解城市交通拥堵的有效措施，还是改善城市人居环境，促进城市可持续发展的必然要求。公交车作为城市公共交通中最常见的交通方式，公交车的通行时间判断直接影响公交车的调度结果，且公交车通行时间预测对人们出行有着积极作用。
3.目前，公交车通行时间预测通常根据历史gps数据，得到由当前实时位置到达各站点的平均距离和平均通行时间。该方法没有根据影响公交通行时间的因素进行通行时间预测，而是直接得到平均历史通行时间，会导致预测的公交通行时间准确性较差。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于大数据和人工智能的公交车通行时间预测方法，所采用的技术方案具体如下：本发明一个实施例提供了一种基于大数据和人工智能的公交车通行时间预测方法，该方法包括以下步骤：根据公交车站点以及红绿灯将公交路段分段为多个子路段；获取公交车的行驶数据和公交车所在的子路段内的车辆光流信息，所述行驶数据包括三轴角速度、行驶速度和真实通行时间；将所述车辆光流信息的均值作为所述子路段的路况特征；根据所述三轴角速度的变化量和所述行驶速度的变化量之比得到所述子路段的路段特征向量，将所述子路段的路段特征向量聚类为多个分割路段，并得到各所述分割路段内所述路段特征向量的元素数量；由所述分割路段内所述元素数量的最大差异值和所述分割路段的数量的乘积得到复杂度指标；对所述分割路段之间的分割点处相邻两个窗口内的行驶速度变化量进行滤波，将滤波后行驶速度变化量的均值作为速度变化特征值，将多个所述分割点处的所述速度变化特征值的均值作为驾驶习惯指标；将所述路况特征、所述路段特征向量和所述驾驶习惯指标输入通行时间预测网络输出对应子路段的预测通行时间；所述通行时间预测网络的损失函数为：其中，为一个批次数据的数量；为通过所述通行时间预测网络模拟预测的第
个数据的预测通行时间；为第个数据的真实通行时间；为第个数据的复杂度指标；获取所述公交车在各红绿灯的等待时间以及各站点的停靠时间；由多个所述子路段的预测通行时间、所述等待时间和所述停靠时间之和得到所述公交路段的通行时间。
5.优选的，所述获取公交车的行驶数据和公交车所在的子路段内的车辆光流信息，包括：采集道路图像；将所述道路图像中车辆行驶区域的像素值置为1，其他区域的像素值置为0，得到遮罩图像；根据所述遮罩图像和所述道路图像得到车辆行驶区域图像；对所述车辆行驶区域图像进行关键点检测，得到所述车辆行驶区域图像内各车辆关键点的车辆光流信息。
6.优选的，所述将所述子路段的路段特征向量聚类为多个分割路段，包括：对所述路段特征向量进行有序聚类，得到分割点和每个分割类别的分割类别直径；由所述分割点和所述分割类别直径，得到多个分割路段和每个分割路段中所述路段特征向量的元素数量。
7.优选的，所述由所述分割路段内所述元素数量的最大差异值和所述分割路段的数量的乘积得到复杂度指标，包括：所述复杂度指标的计算公式为：其中，为所述复杂度指标；为所述分割路段的数量；为第个分割路段中所述路段特征向量的元素数量。
8.优选的，所述对所述分割路段之间的分割点处相邻两个窗口内的行驶速度变化量进行滤波，将滤波后行驶速度变化量的均值作为速度变化特征值，包括：获取所述子路段内公交车的行驶速度变化量序列，以所述子路段内所述分割路段之间的分割点为中心点，获取与所述中心点相邻两个相同宽度的窗口内的相邻行驶速度变化量序列；对两个相邻行驶速度变化量序列进行最大值滤波，将滤波结果的均值作为速度变化特征值。
9.本发明具有如下有益效果：本发明实施例利用大数据和人工智能技术，对公交车路段进行分段得到多个子路段，获取多个子路段的历史行驶数据和车辆光流信息，根据各子路段的行驶数据和车辆光流信息得到子路段的路况特征、路段特征向量、复杂度指标和驾驶习惯指标，得到预测通行时间的各影响指标，对各影响指标进行分析，对复杂度指标较大、更难获得准确通行时间的子路段更加关注，提高各子路段的通行时间的准确性；由子路段的路况特征、路段特征向量、复杂度指标和驾驶习惯指标构建通行时间预测网络，将实时的路况特征、驾驶习惯指标输入通行时间预测网络即可得到预测通行时间，将各子路段的预测通行时间、红绿灯等待时间和公交车站点的停靠时间相加得到公交路段的通行时间。将停靠时间和等待时间逐一单独计算，该时间与后续的通行时间有着密切联系，且逐一得到各个子路段的通行时间，消
除了累计误差，使公交车在不同路段受多种因素的影响下，提高了通行时间预测的准确性。
附图说明
10.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
11.图1为本发明一个实施例所提供的基于大数据和人工智能的公交车通行时间预测方法的方法流程图。
具体实施方式
12.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据和人工智能的公交车通行时间预测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
13.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
14.本发明实施例提供基于大数据和人工智能的公交车通行时间预测方法的具体实施方法，该方式适用于公交车沿着预设行驶路段行驶。已知行驶路段上有多少个公交车站点和红绿灯，且能够从大数据获取红绿灯的状态。为了解决通行时间预测不准确的问题，本实施例用行驶路段的路况特征、路段特征向量、路段的复杂度以及驾驶员的驾驶习惯这些通行时间影响指标得到预测通行时间，且利用分别计算各子路段的预测通行时间，达到了减小累计误差，提高通行时间预测准确性的目的。
15.下面结合附图具体的说明本发明所提供的一种基于大数据和人工智能的公交车通行时间预测方法的具体方案。
16.请参阅图1，其示出了本发明一个实施例提供的基于大数据和人工智能的公交车通行时间预测方法的方法流程图。
17.步骤s100，根据公交车站点以及红绿灯将公交路段分段为多个子路段。
18.对公交车的运行路线进行分段得到多个子路段，并获取各子路段的历史数据。
19.需要说明的是，公交车沿着设定路线通行，不同特征的子路段通行时间不同，且子路段的通行时间会影响到红绿灯和公交车站点的停靠时间，所以本发明实施例按照先后顺序对各子路段进行分析，这样可以减小每一个子路段的通行时间误差，且可避免误差的累积，提高预测结果的准确性。
20.首先获得公交车的运行路线，获得公交车站点和红绿灯的位置信息，利用该公交车站点和红绿灯位置信息作为分段点对公交车线路进行分段，获得个子路段，记为。在各子路段范围内公交车均处于正常行驶状态，在红绿灯和公交车站点处会出现停留状态。
21.需要说明的是，子路段上的通行时间会直接影响到后续运行路段上红绿灯和公交车站点的停靠时间，比如子路段的通行时间不同赶上红绿灯红色状态和绿色状态的概率不同，公交车站点等待的人流量也可能不同，所以路段通行时间的准确预测直接影响整个通行时间预测的准确性。
22.步骤s200，获取公交车的行驶数据和公交车所在的子路段内的车辆光流信息，行驶数据包括三轴角速度、行驶速度和真实通行时间；将车辆光流信息的均值作为子路段的路况特征。
23.统计公交车在各子路段上的历史行驶数据，包括子路段的真实通行时间、子路段每间隔一米的位置处车辆的行驶速度和子路段每间隔一米的位置处车辆的三轴角速度，以及公交车从子路段起始点出发时该子路段的路况特征。需要说明的是，子路段的真实通行时间、行驶速度和三轴角速度均可以直接通过imu传感器获得，路况特征根据道路监控摄像头获得。
24.具体的，路况特征的获取方法为：当公交车从子路段的起始点出发时，采集道路图像。人为的将道路图像中车辆行驶区域的像素值置为1，其他区域的像素值置为0，得到遮罩图像。将遮罩图像与道路图像相乘，得到车辆行驶区域图像，以屏蔽无关路况降低后续的计算量。
25.同时，在子路段上按照公交车的行驶方向划定车辆行驶区域的主方向，记为且满足，为主方向的编号。
26.需要说明的是，一个子路段可能会有多个车辆行驶区域的主方向，如公交车在某个子路段内原本的行驶路线是沿着正南方向直行，由于地形地势或者其他外界原因的影响，公交车行驶的路线缓慢的向西方倾斜10
°
，则正南方向和南偏西10
°
的这两个方向皆为该子路段的主方向。
27.主方向的数量和公交车行驶方向的变化次数有关。只有主方向上的道路状况才会对公交车的通行时间带来影响，故可屏蔽无关方向的路况，避免无关方向的路况对通行时间的预测带来误差。
28.进一步，利用关键点检测网络对车辆行驶区域图像进行处理获得车辆的中心点heatmap图像，利用函数得到车辆关键点的位置信息。利用稀疏光流算法获得车辆行驶区域内各车辆关键点的车辆光流信息，该车辆光流信息反映的是车辆行驶的速度方向和速度大小。
29.需要说明的是，关键点检测网络为encoder
‑
decoder结构，可采用现有的openpose网络，openpose网络的训练和推理过程为公知技术，在此不再赘述。
30.通过车辆光流信息可以得到公交车主方向上其他车辆对公交车造成的速度影响，如当公交车主方向上有车辆速度较快，则速度较快的车辆对应的光流信息就会较大，光流
信息较大使得子路段的路况特征变大，路况特征越大会导致公交车的行驶速度需要相应的减慢，去避免事故的发生，所以可由车辆光流信息反映公交车子路段的路况特征。
31.则子路段的路况特征的计算方法为：其中，表示车辆行驶区域内车辆的数量；为子路段内主方向的数量；为第个车辆的光流信息；为子路段内第个车辆行驶区域的方向；为子路段的路况特征，路况特征能够反映公交车行驶的顺利程度。
32.步骤s300，根据三轴角速度的变化量和行驶速度的变化量之比得到子路段的路段特征向量，将子路段的路段特征向量聚类为多个分割路段，并得到各分割路段内路段特征向量的元素数量；由分割路段内元素数量的最大差异值和分割路段的数量的乘积得到复杂度指标。
33.（1）根据三轴角速度的变化量和行驶速度的变化量之比得到子路段的路段特征向量。
34.每个公交车上都部署一个imu传感器可以获得车辆的位姿信息，imu传感器的获取数值为车辆的三轴角速度。该三轴角速度与公交车行驶速度的变化、行驶轨迹的曲率变化以及道路的坡度变化有关，道路的坡度变化以及行驶轨迹的曲率变化是影响公交车通行时间的重要因素。
35.需要说明的是，速度随机游走会对imu传感器获得的三轴角速度造成随机性误差，故为了消除速度对imu示数的影响，本发明实施例利用单位变化速度内的三轴角速度变化来反映道路特征。
36.对子路段各位置处车辆的行驶速度和三轴角速度进行处理，用当前位置的数值减去上一位置的数值，得到当前子路段各位置处行驶速度变化量的序列和三轴角速度变化量的序列，则子路段的路段特征向量为，其中表示子路段的长度。需要说明的是，因为子路段是每间隔一米的位置处就获得一组公交车的行驶速度和三轴角速度数据，所以个数据代表子路段有米，即可表示子路段的长度。
37.该子路段的路段特征向量反映的是公交车行驶轨迹的曲率变化和道路的坡度变化特征。需要说明的是，使用单位变化速度内的三轴角速度的变化表示子路段的路段特征向量，达到了消除速度随机游走对imu传感器获得的三轴角速度造成随机性误差。
38.（2）将子路段的路段特征向量聚类为多个分割路段。
39.利用有序聚类算法对子路段的路段特征向量进行处理。需要说明的是路段特征向量中路段特征值的下标为子路段起始点到子路段终点的有序序列，如路段特征值对应的为子路段中最靠近子路段起始点的段，路段特征值对应的为子路段中最靠近子路段中点的段。有序聚类算法在不打乱下标顺序的情况下获得多个分割点，按照多个分割点将子路段分成了多个分割路段，使得各分割路段之内的路段特征差异最小，而各分割路段之间的差异较大。
40.具体的，有序聚类的计算步骤为：定义有序聚类的各类的直径：设某一类别包含的样本为，则类别的样本均值为：其中，为第个类别的样本均值；为子路段中第个三轴角速度的变化量；为子路段中第个行驶速度的变化量；为子路段中第个路段特征值；为第个类别的长度，该长度即为分割路段内对应的路段特征向量的元素数量；为第个类别的样本中的第一个分割路段对应的长度；为第个类别的样本中的最后一个分割路段对应的长度。
41.类别的分割类别直径，该直径即为类别的长度为：其中，为类别的分割类别直径；为第个类别的样本均值；为子路段中第个路段特征值。
42.定义有序聚类的目标函数：用表示将子路段中个样本分为类的一种分类方法，类别数量用分割点的下标表示，常记分法为为或简记为：，其中分点为：，即；
则分类法的损失函数为，即定义目标函数为：。
43.当有序样本的数量和类别数量固定时，目标函数越小表示各类的离差平均和越小，分类越合理，遍历所有可能的分法，得到当前分类数下的最优分法，该最优分法使分类目标函数达到最小，记最优分法为，是使达到极小的分类法。
44.目标函数的递推公式满足下列公式：的递推公式满足下列公式：即要想将个样本划分为类的最优分割，应建立在个样本分为类的最优分割的基础上，这里。
45.利用目标函数获得分为到类的最优分割，绘制最优分割的目标函数随着值变化的曲线，当该曲线出现拐点时，对应的值即为最佳分类数，预设最佳分类数为，则对应的最优分法即为有序聚类的结果。需要说明的是，为了保证得到最优分类数，的值不能太小，本发明实施例中的取值为10。的取值为10表示通过目标函数获得分为到10类的最优分割，通过后续的处理判断哪一类最优分割能达到本发明实施例的目的。其中，的值小于等于10，即为分割路段的数量。
46.至此，将子路段内分为了个分割路段，并获得个分割点，以及每个分割路段的直径，即每个分割路段的长度。属于同一个子路段的每个分割路段对应的曲率和坡度特征是相同的。
47.（3）由分割路段内元素数量的最大差异值和分割路段的数量的乘积得到复杂度指标。
48.复杂度指标的计算公式为：其中，为分割路段的数量；为第个分割路段的长度，该长度即为分割路段内对应的路段特征向量的元素数量。
49.子路段的复杂度指标越大，表示子路段道路变化越复杂，获得准确的行驶时间的难度越大，该复杂度指标将参与后续通行时间预测网络的损失函数的设计，以提高复杂环境下的预测通行时间的准确性。
50.步骤s400，对分割路段之间的分割点处相邻两个窗口内的行驶速度变化量进行滤波，将滤波后行驶速度变化量的均值作为速度变化特征值，将多个分割点处的速度变化特征值的均值作为驾驶习惯指标。
51.为了保证乘客以及路边行驶人员的安全，驾驶员会在各分割点处进行先减速后加速的情况，驾驶习惯主要表现在分割点处的速度变化情况。需要说明的是，每一段子路段内是不包含红绿灯和公交车站的，驾驶员在子路段内各分割点处进行先减速后加速的原因有可能是道路上有人行道，或者路边有大型超市、商场、学校等人流过大的场所，所以驾驶员应先减速再加速。
52.对子路段行驶速度变化量序列进行分析，以子路段内分割路段之间的分割点为中心点，获取与中心点相邻两个相同宽度的窗口内的相邻行驶速度变化量序列，如设置宽度为的窗口，在分割点的左侧宽度为的窗口内获取相邻行驶速度变化量序列，并进行最大值滤波得到，在分割点的右侧宽度为的窗口内获取相邻行驶速度变化序列，并进行最大值滤波得到，将滤波结果和的均值作为速度变化特征值，即分割点处的速度变化特征值为。
53.得到分割点处的速度变化特征值，按照获取时间的顺序构成维的驾驶习惯特征向量，将多个分割点处的速度变化特征值的均值作为驾驶习惯指标。采用速度变化特征值计算驾驶习惯指标是因为每个驾驶员的驾驶习惯不同，有的驾驶员开车当遇到过马路的行人时刹车和启动车辆时速度都比较快，而有的驾驶员相对来说比较稳重，刹车和启动车辆的速度都比较缓慢，所以每个驾驶员都有不同的驾驶习惯，驾驶习惯也是通行时间的影响因素。
54.驾驶员的驾驶习惯指标：其中，为第个速度变化特征值；为驾驶习惯特征向量的维数。
55.通过人脸识别确定驾驶员的身份，将驾驶员对应的驾驶习惯指标存储到该驾驶员的个人数据库中，为后续的驾驶习惯的调用做准备。
56.至此根据步骤s100~s400，利用历史数据中的公交车行驶数据和各子路段内的车辆光流信息得到各子路段的路况特征、路段特征向量、复杂度指标、驾驶员的驾驶习惯指标以及通过imu传感器得到的子路段的真实通行时间。不仅考虑到驾驶习惯指标和子路段的路况特征对预测通行时间的影响，还将复杂度指标参与损失函数的计算，确保不同子路段通行时间的预测准确性。
57.步骤s500，将路况特征、路段特征向量和驾驶习惯指标输入通行时间预测网络输出对应子路段的预测通行时间；通行时间预测网络的损失函数为：
其中，为一个批次数据的数量；为通过通行时间预测网络模拟预测的第个数据的预测通行时间；为第个数据的真实通行时间；为第个数据的复杂度指标。
58.考虑到每个子路段的路段特征向量的维度不同，且如果路段特征向量的维度过大会导致计算量过大。故先对每个子路段的路段特征向量进行降维处理，使得各子路段的路段特征向量统一至相同的维度，将降维处理之后的路段特征向量作为。在本发明实施例中采用pca进行降维处理，由于pca降维技术为公知技术，在此不再赘述。
59.将降维后的路段特征向量存储在数据库中，以方便后续的网络训练和通行时间的预测。
60.构建通行时间预测网络，该网络为全连接网络，由输入层、隐藏层和输出层构成。其中，隐藏层的数目实施者可自行设定，在本发明实施例中隐藏层数量为4，输入层为接受数据包含个神经元，输出层为一个神经元。通行时间预测网络的输入为子路段的路况特征、维的路段特征向量以及驾驶习惯指标，输出为对应的子路段的预测通行时间。
61.该通行时间预测网络的损失函数采用加权均方差函数，根据不同子路段的复杂度指标的大小设定不同的权重，复杂度指标越大则获取准确通行时间的难度越大，则在训练过程中应增加对其的监督力度，相应的分配的权重也越大。
62.其中，训练数据采用的是步骤s100~s400获得的历史数据，以真实通行时间为标签，用梯度下降法更新网络模型参数，完成网络训练。
63.具体的，损失函数的计算方法为：其中，为一个批次数据的数量；为通过通行时间预测网络模拟预测的第个数据的预测通行时间；为第个数据的真实通行时间；为第个数据的复杂度指标。在本发明实施例中设定一个批次数据的数量为32。
64.后续通过训练好的通行时间预测网络，可以直接输入实时采集的子路段的路况特征、实时获取的驾驶员的驾驶习惯指标以及数据库中提取的降维后的路段特征向量，即可输出该子路段的预测通行时间。
65.通过该通行时间预测dnn网络即可得到准确的公交车在各子路段上的预测通行时间。
66.步骤s600，获取公交车在各红绿灯的等待时间以及各站点的停靠时间；由多个子
路段的预测通行时间、等待时间和停靠时间之和得到公交路段的通行时间。
67.考虑到各个子路段通行时间对红绿灯停靠时间和公交车站点停靠时间的影响，本发明实施例从各子路段的起始点开始计算通行时间，消除累计误差，得到准确的公交路段的通行时间。
68.当公交车从公交路段的起始点出发时，调用道路监控摄像头按照步骤s200，获得各子路段的路况特征。并通过驾驶员的身份，从数据库中得到该驾驶员对应的驾驶习惯指标。其中，各子路段的降维后的路段特征向量同样保存在数据库中，可直接获得。
69.通过步骤s500训练完毕的通行时间预测网络即可得到各个子路段的预测通行时间，各子路段的预测通行时间分别记为，表示子路段的数量。
70.公交车在站点停靠时间与候车人数相关，影响因素单一，且同一个路线的公交车在不同时刻、相同站点的停靠时间是有规律的，所有基于统计的思想即可获得固定线路的公交车不同时刻在站点的停靠时间。
71.以站点2为例介绍具体的统计方法：以天为单位，统计固定线路车辆时刻时在站点2的停靠时间，采集至少一个月的数据，取其均值，记为在时刻时站点2的停靠时间，其中表示站点2。
72.需要说明的是固定线路车辆时刻指的是公交车离开起始点到达站点2的时刻，比如公交车从起始点到达站点2用了10分钟，则可采集一个月内用了10分钟到达站点2时在站点2的停靠时间，并对该停靠时间求均值，得到最终的停靠时间。
73.按照先后顺序为每相邻两个子路段的分段点进行编号，其中分段点包括公交车站点和红绿灯，公交车站点标记为，红绿灯标记为。
74.从公交路段的起始站开始计算公交车通行时间：记从公交路段的起始站发车的时刻为。首先判断第一个分段点类型：当第一个分段点为红绿灯时，从大数据中获取时刻的红绿灯状态，其中为到达第一个红绿灯的通行时间，设第一个子路段的预测通行时间为，即；若红绿灯状态为绿灯，则等待时间，若红绿灯状态为红灯，则等待时间为红灯的剩余时间，此时通行时间为；当第一个分段点为公交车站点时，则根据统计结果该时间段在该公交车站点的停靠时间，此时通行时间为，其中为到达第一个公交车站点的通行时间，设第一个子路段的通行时间为，即。
75.在此基础上进一步判断下一个分段点的类型，根据不同分段点的类型确定在分段点的停靠时间。沿着公交车行驶的方向进行遍历，则公交路段的通行时间为：
其中，表示第个子路段的预测通行时间；表示红绿灯的数量；表示在红绿灯等待的时间；表示到达红绿灯时的通行时间；表示公交车站点的数量；表示在公交车站点停留的时间；表示到达公交车站点时的通行时间。
76.得到了公交路段的通行时间，可以辅助公交公司实现精准调度。
77.综上所述，本发明实施例利用大数据和人工智能技术，对公交车路段进行分段得到多个子路段，获取多个子路段的历史行驶数据和车辆光流信息，根据各子路段的行驶数据和车辆光流信息得到子路段的路况特征、路段特征向量、复杂度指标和驾驶习惯指标；由子路段的路况特征、路段特征向量、复杂度指标和驾驶习惯指标构建通行时间预测网络，将实时的路况特征、驾驶习惯指标输入通行时间预测网络即可得到预测通行时间，将各子路段的预测通行时间、红绿灯等待时间和公交车站点的停靠时间相加得到公交路段的通行时间。在公交车在不同路段受多种因素的影响下，提高了通行时间预测的准确性。
78.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
79.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
80.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。