一种稀疏数据下公交行程时间预测方法和预测装置与流程

1.本发明涉及智能交通技术领域，尤其涉及一种稀疏数据下公交行程时间预测方法和预测装置。


背景技术：

2.公交行程时间的预测是公交智能化调度、公交电子站牌应用的基础。精确的时间预测，对于改善公交车辆动态调度效果，减少乘客候车时间，提高公交服务质量，实现公交信号优先，体现智能公交的优越性都具有重要意义。根据预测方法的不同，基本可以分为以下5类：时空模型、回归模型、人工神经网络模型、卡尔曼滤波模型及支持向量机模型等。目前这些模型不能应用于实践，存在两个方面的问题。一方面，由于交通状况受时间(如高峰时段、信号灯、节假日等)和空间(道路突发事件)因素影响较大，波动频繁，这些方法和模型的预测结果往往和实际值相差很大，并且这些模型的构建和运作均较为复杂，不易实现。另一方面，由于目前公交车载gps定位系统不太完善，导致智能公交系统预测的行程时间数据质量较差，存在部分数据缺失或异常的情况，而在稀疏数据下，上述几种方法的预测性能均表现出较大的退化，无法满足实际要求的标准。


技术实现要素：

3.本发明所解决的技术问题是提供一种在稀疏数据下用于智能公交的行程时间预测方法和预测装置，该方法通过分析影响不同班次行程时间的因素，如天气、时间段、温度等，确定最佳的计划班次，然后根据计划班次与实际运行班次之间的行程时间比例关系，实现较为准确的行程时间预测，特别是可实现在稀疏数据下的行程时间预测。
4.本发明所采用的技术方案内容具体如下：
5.一种用于智能公交的行程时间预测方法，包括以下步骤：
6.s1、分析引起不同班次行程时间差异性的影响因素；
7.s2、确定最佳的计划班次；
8.s3、基于计划班次，预测实际运行班次与计划班次之间的比例关系；
9.s4、基于比例关系，完成公交行程时间的实时预测。
10.作为上述方案的优选，确定最佳的计划班次是根据影响不同班次间行程时间差异性的影响因素确定的。
11.作为上述方案的优选，所述引起不同班次行程时间差异性的因素包括时间段、天气、温度。
12.作为上述方案的优选，计划班次的行程时间为与实际运行班次的发车时间在同一时间段，且天气状况、温度相近的历史班次的行程时间的均值。
13.作为上述方案的优选，关于实际运行班次与计划班次之间的比例关系实时更新。
14.作为上述方案的优选，公交行程时间信息随着比例系数更新实时更新。
15.本发明还提供了一种公交行程时间的预测装置，包括预测单元、第一确定单元、第
二确定单元和生成单元，所述预测单元用于预测引起不同班次行程时间差异性的影响因素；所述第一确定单元用于确定最佳的计划班次，所述第二确定单元用于确定实际运行班次与计划班次之间的比例关系；所述生成单元用于预测实时的公交行程时间信息。
16.与现有技术相比，本发明的有益效果在于：
17.一种稀疏数据下公交行程时间预测方法，从原理角度分析，公交在运行过程中受到的影响因素可以分为两类，一是方向性因素，随着时间逐渐累积，比如驾驶行为的影响、背景交通流的影响，甚至包括滤波控制；二是随机性因素，不会出现累积效应，随着车辆行驶，它会出现抵消或有界。因此，随着车辆的行驶，方向性因素的累积效应会增强，而且超过随机性因素的影响，因此行程时间会呈现出稳定的比例特征，并且当方向性因素累积程度足够后，预测精度会非常好。从运作角度分析，一方面，模型可以满足在公交运行数据稀疏条件下的行程时间预测，另一方面，模型构建相对简单，不需要花费大量的时间，或者使用大量的数据去寻找最优的模型结构，便可以实现较高的预测精度，有利于改善公交系统服务质量，提升公交出行者的服务体验。
附图说明
18.图1为本发明的公交行程时间的预测方法的流程示意图；
19.图2为实际运行班次与计划班次行程时间的比例关系示意图；
20.图3为基于以小时、天为单位的计划班次的比例系数稳定关系示意图；
21.图4为基于以小时、天为单位的计划班次的行程时间预测精确度示意图；
22.图5为本发明的行程时间的预测装置的结构示意图；
23.图6为稀疏数据下基于比例特性的行程时间预测误差分析示意图。
具体实施方式
24.为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，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下：
25.如图1所示，本发明公开了一种用户画像的预测方法，包括：
26.预测引起不同班次行程时间差异性的影响因素；
27.确定最佳的计划班次；
28.基于计划班次，预测实际运行班次与计划班次之间的比例关系；
29.基于比例关系，完成公交行程时间的实时预测。
30.如图5所示，本发明还提供了一种公交行程时间的预测装置，包括预测单元、第一确定单元、第二确定单元和生成单元，所述预测单元用于预测引起不同班次行程时间差异性的影响因素；所述第一确定单元用于确定最佳的计划班次，所述第二确定单元用于确定实际运行班次与计划班次之间的比例关系；所述生成单元用于预测实时的公交行程时间信息。
31.以下为具体的实施例。
32.一种公交行程时间的预测方法，包括如下步骤：
33.(1)预测引起不同班次行程时间差异性的影响因素，依据这些影响因素构建相应的计划班次并分析不同计划班次下的比例系数的变化规律。具体地，首先通过分析一定数
量的公交车行程时间数据，获得引起不同班次行程时间差异性的主要影响因素，包括时间段、天气、温度，然后分析以上述影响因素为依据构建的计划班次下的比例系数的变化规律，以时间段为例，通过历史行程时间数据构建了以小时为单位的计划班次(通过计算发车时刻在一个时间段(1h)班次行程时间的均值获取)和不考虑时段差异性的(直接通过计算历史行程时间均值获取)的计划班次，通过从图2(江阴市k19路公交的数据)可以看出，在两种计划班次下行驶时间比例系数均迅速收敛于某一稳定值。
34.(2)确定最佳的计划班次，具体地，结合(1)中发现的规律，通过比较不同计划班次下的比例系数的稳定性以及用于行程时间预测的精确度，给出最佳的计划班次。
35.其中，比例系数的稳定性由前面站点的比例系数相对于终点站的比例系数的偏差(δγ
n
(k)＝γ
n
(k)
‑
γ
n
(k))表示，即：
36.δγ
n
(k)＝γ
n
(k)
‑
γ
n
(k)
37.式中，γ
n
(k)是站点n对应的行程时间比例系数，γ
n
(k)是终点站(即站点n)对应的行程时间比例系数。
38.结果如图3所示(江阴市k19路公交的数据)，两种计划班次的比例系数均呈现出较好的稳定性，具体而言，基于以小时为单位的计划班次的比例系数的稳定性由于基于以天为单位的计划班次，但差距并不明显，可以忽略。
39.行程时间预测的准确度由平均绝对误差(mae)表示,即：
[0040][0041]
其中，k是试验的班次数量，是从站点n到终点站的预测路径行程时间,t
n,n
(k)是从站点n到终点站的路径行程时间,pt
n
(j)为所构建计划班次的路径巡航时间。
[0042]
行程时间预测的精密度由平均绝对百分比误差(mape)表示，即：
[0043][0044]
式中，是从站点n到终点站的预测路径行程时间，t
n,n
(k)是从站点n到终点站的路径行程时间。
[0045]
结果如图4所示(江阴市k19路公交的数据)，基于两种计划班次构建的行程时间预测模型均具有高的精确度，具体而言，基于以小时为单位的计划班次的预测模型的精确度优于不区分时段的计划班次构建的预测模型，因此，下述在稀疏数据下的模型精度退化分析以选择基于以小时为单位的计划班次为参照班次的预测模型进行分析。
[0046]
(3)根据(2)中给出的计划班次，结合实际运行班次的实时运行数据(行程时间)计算比例系数，计算公式如下所示：
[0047][0048]
式中pt
i,n
(k)为班次k从站点i到目标站点n的路径行程时间，pt
i,n
(b)为从站点i到目标站点n的计划班次的路径行程时间。
[0049]
(4)根据(3)中给出的比例关系，实时给出公交的行程时间信息。具体计算公式如
下所示：
[0050][0051]
式中，pt
i,j
(k)是从站点i到站点j的路径行程时间，能够通过公交avl数据获取。pt
i,n
(k)是从站点i到目标站点n的预测路径行程时间，它能被获取通过下式：
[0052][0053]
根据已有数据(江阴市k19路公交)分析发现，在稀疏数据下(实际的数据集仅保存有完整数据集的90％、80％、70％、60％、50％的情况)，本发明提出的行程时间预测方法的预测精确度在数据丢失的环境下无明显退化现象，仍然展现出较好的预测性能(如图6所示)。
[0054]
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。