一种基于大数据的公共交通停准预测方法

一种基于大数据的公共交通停准预测方法
【技术领域】
1.本发明涉及信息技术领域，尤其涉及一种基于大数据的公共交通停准预测方法。


背景技术：

2.公共交通，例如公交车brt系统是有固定的开门处的，如果没有在固定的时间和地点停住，就需重新启动车辆，导致体检不佳和耗费更多的电能或油量。有些没有开门处的公交站，如果车辆没有准确停在公交站上，就会导致乘客需要跑向公交车上车，可能造成交通拥堵，或者发生严重的交通意外事故。停准是指有门的brt公交站台，公交车与站台距离不大于20厘米。普通公交站台，公交车距离站台正中央，不大于1米是否能停得准的问题，跟司机个人开车水平、职业意识、以及当前的天气环境、当前其他公交车辆环境，车型速度都有关系。其中司机个人素质和水平是较容易控制的，但是很多停准问题其实是因为前后车辆在排队和相互之间到达的时序密集，导致前后车无法准确、轻易的靠近停靠点，导致无法停准。因此如何让公共交通能够更好地停准是一个未解决的问题。如果无法停准就要考虑如何在公交站增加更多站台和开门口等措施，以便保障乘客的安全运输。


技术实现要素：

3.本发明提供了一种基于大数据的公共交通停准预测方法，主要包括：
4.公共交通停准识别；根据公共交通停准识别结果，预测公交车停靠的准确度；根据公交车停靠的准确度预测结果，判断站点停准难度；根据站点停准难度，预测无法停准的公交车数量；根据无法停准的公交车数量，分析公交车同时到达相同站点造成拥堵的概率；根据公交车同时到达相同站点造成拥堵的概率，分析无法停准的严重度；根据无法停准的严重度，实现公交调度改进；对无法实现公交调度改进的站点，进行站点预警改造；
5.进一步可选地，所述公共交通停准识别包括：
6.利用射频识别系统对公共交通停准进行识别；所述停准是指对于有门的brt公交站台，公交车与站台距离不大于第一预设阈值；对于普通公交站台，公交车距离站台边沿正中央，不大于第二预设阈值；根据所述射频识别系统处理的数据，若实时公交车与站台距离数据在第一预设时间范围内维持不变，则确定公交车处于停靠状态；根据所述停靠状态，识别公交车在相应站台下的停准；包括：搭建射频识别系统；
7.所述搭建射频识别系统，具体包括：
8.所述射频识别系统是指通过射频信号自动识别公交车并获取公交车停靠位置信息，包括射频信号发送端和射频信号接收端；所述射频信号发送端安装在公交车门一侧车身的中点；所述射频信号接收端安装在站台范围内站沿的中点；所述射频信号发送端不断向外发送射频信号，在靠近站台的预设范围内，被所述射频信号接收端接收，通过预设接口连接到公交系统管理后台处理接收数据。
9.进一步可选地，所述根据公共交通停准识别结果，预测公交车停靠的准确度包括：
10.根据公共交通停准识别结果，对司机的总体评价，公交车性能以及公交车行驶时
的天气环境进行分析，构造公交车停靠的准确度评价体系，即
11.acc＝der
×
w1 qua
×
w2 wea
×
w3；其中，acc表示公交车停靠的准确度评价指标；der表示司机总体评价指标，qua表示公交车辆性能参考指标，wea表示天气环境参考指标的倒数；w1,w2,w3分别为对应预设权值，且w1 w2 w3＝1；根据所述公交车停靠的准确度评价体系计算出所述公交停靠的准确度评价指标作为输出，对公交车停靠的准确度进行预测；包括：对司机进行总体评价；司机个人开车水平评价；司机个人素质评价；司机停准经验评价；分析公交车性能；分析公交车行驶时的天气环境；获取到常见天气信息为晴天，多云，阴天时，计算天气环境参考指标数值；获取到常见天气信息为雨天，雪天时，计算天气环境参考指标数值；获取到罕见天气信息时，确定天气环境参考指标数值；
12.所述对司机进行总体评价，具体包括：
13.获取对司机的总体评价，包括获取司机个人开车水平，司机个人素质，司机停准经验；司机个人开车水平越高，司机个人素质越高，司机停准经验越多，司机的总体评价就越高；构建司机总体评价体系，即der＝(dab qper pexp)/3；其中，der表示司机总体评价指标；dab表示通过司机个人开车水平评价模型计算出的司机个人开车水平评价值；qper表示通过司机个人素质评价模型计算出的司机个人素质评价值；pexp表示司机停准经验评价值；根据bp神经网络对司机进行总体评价；所述根据bp神经网络对司机进行总体评价，包括：根据dab，qper，pexp确定训练样本与测试样本，所述训练样本用于神经网络训练，所述测试样本用于检测实际值与预测值的相对误差；计算测试样本数据的期望值，若所述期望值大于第十一预设阈值，则调整神经网络的权值，直到所述期望值满足不大于第十一预设阈值的条件为止；根据所述神经网络的权值，更新所述der的值作为神经网络的输出值；根据所述神经网络的输出值对司机进行总体评价。
14.所述司机个人开车水平评价，具体包括：
15.所述司机个人开车水平，包括驾照分数，公交车准点到达站点的频率，公交车停准次数；根据车载gps定位跟踪系统实时监测公交车获取实时到站时间，通过公交系统后台获取标准到达时间，计算所述实时到站时间与所述标准到达时间相匹配的次数除以公交车到站总次数即为所述公交车准点到达站点的频率；根据公交系统管理后台数据，得到所述公交车停准次数；构建司机个人开车水平评价模型，即dab＝d1
×
w11 d2
×
w12 d3
×
w13；其中，dab表示司机个人开车水平评价值；d1表示司机驾照分数评价值，若司机驾照当前扣分超过第三预设阈值，则d1＝0，否则d1＝1；d2表示公交车准点到达站点的频率评价值，若公交车准点到达站点的频率超过第四预设阈值，则d2＝1，否则d2＝0；d3表示公交车停准次数评价值，若公交车停准次数超过第五预设阈值，则d3＝1，否则d3＝0；w11，w12，w13分别表示对应的预设权值；通过所述司机个人开车水平评价模型，计算司机个人开车水平评价值，对公交车司机个人开车水平进行评价。
16.所述司机个人素质评价，具体包括：
17.所述司机个人素质，包括司机行驶过程中说脏话的次数，司机的被举报量，司机同事之间的相互评价分数；利用安装在驾驶室内的语音识别器自动识别司机行驶过程中的言语，统计所述司机行驶过程中说脏话的次数；获取公交系统民意调查数据结果，统计所述司机的被举报量；利用咨询司机同事对司机本人的印象分数并将所述印象分数取平均值，获得所述司机同事之间的相互评价分数；构建司机个人素质评价模型，即
18.qper＝q1
×
w21 q2
×
w22 q3
×
w23；其中，qper表示司机个人素质评价值；q1表示司机行驶过程中说脏话的次数评价值，若所述司机行驶过程中说脏话的次数超过第六预设阈值，则q1＝0，否则q1＝1；q2表示司机的被举报量评价值，若所述司机的被举报量超过第七预设阈值，则q2＝0，否则q2＝1；q3表示司机同事之间的相互评价分数评价值，若所述司机同事之间的相互评价分数超过第八预设阈值，则q3＝1，否则q3＝0；w21，w22，w23分别表示对应的预设权值；通过所述司机个人素质评价模型，计算司机个人素质评价值，对公交车司机个人素质进行评价。
19.所述司机停准经验评价，具体包括：
20.根据射频识别系统处理的数据，以时间为横坐标，实时公交车与站台距离为纵坐标，绘制司机停准经验曲线图；所述司机停准经验曲线图上斜率为零的线段表示公交车处于停靠状态；根据公交停准识别结果，将识别出的停准状态对应的线段在所述司机停准经验曲线图上标注出来，并记录从无法停准到停准的时间范围；分别统计司机无法停准的总次数以及司机从无法停准到停准的次数，并将所述司机从无法停准到停准的次数除以司机无法停准的总次数，得到从无法停准到停准的频率；若在第二预设时间范围内司机从无法停准到停准的次数大于或等于第九预设阈值，则将所述从无法停准到停准的频率的数值作为司机停准经验评价值pexp；若在第二预设时间范围内司机从无法停准到停准的次数小于第九预设阈值，则司机停准经验评价值pexp为0。
21.所述分析公交车性能，具体包括：
22.所述公交车辆性能包括公交车的车型，公交车制动前速度，公交车停靠前制动时间；爬取互联网客车数据库中公交车的车型及对应的公交车制动前速度范围与公交车停靠前制动时间范围；设置公交车辆性能参考指标，且预设其初始值作为第一初始值；若所述公交车的车型与所述互联网客车数据库中公交车的车型相同，则进一步分析该公交车的车型对应的公交车制动前速度之间的关系；若所述公交车制动前速度与客车数据库中对应车型的公交车制动前速度范围相匹配，则再进一步分析该公交车的车型对应的公交车停靠前制动时间之间的关系；若所述公交车停靠前制动时间与客车数据库中对应车型的公交车停靠前制动时间范围相匹配，则所述公交车辆性能参考指标数值为所述第一初始值；若所述公交车停靠前制动时间大于客车数据库中对应车型的公交车停靠前制动时间范围的第一上限值，则计算所述公交车停靠前制动时间与所述第一上限值的第一差值，所述公交车辆性能参考指标数值为所述第一初始值与所述第一差值的和；若所述公交车停靠前制动时间小于客车数据库中对应车型的公交车停靠前制动时间范围的第一下限值，则计算所述第一下限值与所述公交车停靠前制动时间的第二差值，所述公交车辆性能参考指标数值为所述第一初始值与所述第二差值的差；通过所述公交车辆性能参考指标数值的大小，分析所述公交车性能。
23.所述分析公交车行驶时的天气环境，具体包括：
24.根据车载定位系统获取公交车所处的地理位置；从气象局数据库获取公交车所处的地理位置的天气信息；所述天气信息包括常见天气信息和罕见天气信息；所述常见天气信息包括晴天，多云，阴天，雨天，雪天；所述罕见天气信息包括台风，沙尘暴，冰雹，霾，大雾；设立公交车行驶时的天气环境参考指标，并预设其初始值作为第二初始值；通过所述天气环境参考指标数值的大小，分析所述公交车行驶时的天气环境。
25.所述获取到常见天气信息为晴天，多云，阴天时，计算天气环境参考指标数值，具体包括：
26.当所述常见天气信息为晴天，多云，阴天时，通过车载光学检测装置检测车外光照度；若所述车外光照度数值在预设的光照度范围之内，则所述天气环境参考指标数值为所述第二初始值；若所述车外光照度数值大于预设的光照度范围的第二上限值，则计算所述车外光照度与所述第二上限值的第三差值；所述第三差值除以所述第二上限值得到光照度增加指标数值，所述天气环境参考指标数值为所述第二初始值与所述光照度增加指标数值的和；若所述车外光照度数值小于预设的光照度范围的第二下限值，则计算所述第二下限值与所述车外光照度的第四差值；所述第四差值除以所述第二下限值得到光照度减少指标数值，所述天气环境参考指标数值为所述第二初始值与所述光照度减少指标数值的差。
27.所述获取到常见天气信息为雨天，雪天时，计算天气环境参考指标数值，具体包括：
28.当所述常见天气信息为雨天，雪天时，通过车载湿度检测装置检测车外湿度；若所述车外湿度数值等于第十预设阈值，则所述天气环境参考指标数值为所述第二初始值；若所述车外湿度数值大于第十预设阈值，则计算所述车外湿度与所述第十预设阈值的第五差值；所述第五差值除以所述第十预设阈值得到湿度增加指标数值，所述天气环境参考指标数值为所述第二初始值与所述湿度增加指标数值的和；若所述车外湿度数值小于第十预设阈值，则计算所述第十预设阈值与所述车外湿度的第六差值；所述第六差值除以所述第十预设阈值得到湿度减少指标数值，所述天气环境参考指标数值为所述第二初始值与所述湿度减少指标数值的差。
29.所述获取到罕见天气信息时，确定天气环境参考指标数值，具体包括：
30.所述罕见天气信息包括台风，沙尘暴，冰雹，霾，大雾；根据气象局数据库获取公交车所处的地理位置的气象灾害预警信号；若所述预警信号为蓝色，则所述天气环境参考指标数值为所述第二初始值*1.2；若所述预警信号为黄色，则所述天气环境参考指标数值为所述第二初始值*1.6；若所述预警信号为橙色，则所述天气环境参考指标数值为所述第二初始值*2；若所述预警信号为红色，则所述天气环境参考指标数值为所述第二初始值*3。
31.进一步可选地，所述根据公交车停靠的准确度预测结果，判断站点停准难度包括：
32.根据公交车停靠的准确度预测结果，若所述准确度预测结果小于第十二预设阈值，则确定下一次到站无法停准；通过公交监控端获取公交车停靠站点的次数，根据所述公交车停靠的准确度评价体系的公交车停靠的准确度预测结果，得到站点所有公交车下一次到站无法停准的次数；通过站点距离传感器测算得到公交车停靠地与正确停准区域的距离；所述公交车停靠地与正确停准区域的距离是指公交车停靠时车头到正确停准区域边界的距离；将站点所有公交车的所述公交车停靠地与正确停准区域的距离取平均，得到站点停准距离偏差；根据所述站点所有公交车下一次到站无法停准的次数和所述站点停准距离偏差，建立站点停准难度评价体系，即dif＝times*dis；其中，dif表示站点停准难度评价指标；times表示所述站点所有公交车下一次到站无法停准的次数；dis表示所述站点停准距离偏差；根据站点停准难度评价体系，计算站点停准难度评价指标，判断站点停准难度。
33.进一步可选地，所述根据站点停准难度，预测无法停准的公交车数量包括：
34.根据站点停准难度，确定公交调度的公交车汇聚站点，预测无法停准的公交车数
量；从公交车调度管理系统获取站点公交车时刻表；构建公交车数量计算模型，即am1＝am0 add；其中，am1表示预定时刻预定站点的无法停准的公交车数量；am0表示站点公交车时刻表的公交车数量；add表示公交调度的公交车汇聚站点的增加车辆数量；若站点停准难度评价指标大于第十四预设阈值，则am0的值等于站点公交车时刻表中该时刻及其之后的第四预设时间范围内的公交车到站数量之和，否则，am0的值等于站点公交车时刻表中该时刻的公交车到站数量；若该站点为所述公交调度的公交车汇聚站点，则add的值等于该站点调度公交线路的数量之和，否则，add＝0；根据所述公交车数量计算模型，对无法停准的公交车数量进行预测；包括：获取公交调度的公交车汇聚站点；
35.所述获取公交调度的公交车汇聚站点，具体包括：
36.所述公交调度，是指公交系统根据站点的乘客数量，对公交车的数量，发车时间和停靠站点进行调整；从公交系统监控后台获取高峰期和非高峰期公交线路上的各站点的上车乘客数、下车乘客数；所述高峰期是指上下车乘客数明显增加的第三预设时间范围，所述非高峰期是指一天中除了高峰期以外的公交车行驶时间；若站点的所述上车乘客数或所述下车乘客数大于第十三预设阈值，则该站点为公交调度的公交车汇聚站点。所述公交调度的公交车汇聚站点包括高峰期公交车汇聚站点与非高峰期公交车汇聚站点。
37.进一步可选地，所述根据无法停准的公交车数量，分析公交车同时到达相同站点造成拥堵的概率包括：
38.根据公交站点监控数据提供的历史公交车同时到达相同站点造成拥堵的公交站点，以及无法停准的公交车数量，对公交车同时到达相同站点造成拥堵的概率进行预测；所述拥堵，是指同时到达相同站点的公交车数量大于第十五预设阈值；所述对公交车同时到达相同站点造成拥堵的概率进行预测，包括：以历史公交车同时到达相同站点造成拥堵的公交站点为样本，基于影响因子构建单分类svm模型；所述影响因子包括公交调度的公交车汇聚站点，无法停准的公交车数量；然后利用激活函数，将单分类svm模型的中间输出的样本到超球面球心的距离的取值区间映射至(0,1)，映射结果即为公交车同时到达相同站点造成拥堵的概率。
39.进一步可选地，所述根据公交车同时到达相同站点造成拥堵的概率，分析无法停准的严重度包括：
40.所述无法停准的严重度包括乘客的影响程度和交通意外发生率；所述乘客的影响程度包括公交车停靠后乘客在站台逗留的时间以及公交车停靠后站台逗留的乘客数量；根据公交站点监控数据获取所述公交车停靠后乘客在站台逗留的时间以及所述公交车停靠后站台逗留的乘客数量；所述交通意外包括站点马路范围内其余机动车与公交车发生的交通意外，以及站点马路范围内非机动车与公交车发生的交通意外；从交警监控系统获取站点马路范围内其余机动车和非机动车数量；通过严重度评判模型计算无法停准的严重度评判指标；根据bp神经网络分析无法停准的严重度；根据无法停准的严重度评判指标以及公交车同时到达相同站点造成拥堵的概率确定训练样本与测试样本，所述训练样本用于神经网络训练，所述测试样本用于检测实际值与预测值的相对误差；包括：构建严重度评判模型；
41.所述构建严重度评判模型，具体包括：
42.构建严重度评判模型，即ser＝tp
×
ap
×
n1 an
×
n2 aq
×
n3；其中，ser表示无法停
准的严重度评判指标；tp表示公交车停靠后乘客在站台逗留的时间；ap表示公交车停靠后站台逗留的乘客数量；an表示站点马路范围内其余机动车数量；aq表示站点马路范围内非机动车数量；n1,n2,n3分别为对应的预设权值，且n1 n2 n3＝1；通过所述严重度评判模型计算无法停准的严重度评判指标。
43.进一步可选地，所述根据无法停准的严重度，实现公交调度改进包括：
44.根据公交调度，生成公交调度改进策略；所述公交调度改进策略，包括数据处理模块，神经网络模型构建模块与公交调度改进策略生成模块；根据无法停准的严重度，对所述无法停准的严重度评判指标小于第十六预设阈值的站点进行公交调度改进；所述公交调度改进，是指公交系统根据站点的乘客数量以及站点马路范围内其余机动车、非机动车的数量，对公交车的数量、发车时间和停靠站点进行二次调整；通过所述数据处理模块获取无法停准的严重度评判指标以及所述公交调度，以及利用深度学习rnn算法分析所述公交调度偏离严重度评判模型的对应方面，构建对应方面向量；通过所述神经网络模型构建模块利用所述对应方面向量构建并训练卷积神经网络模型；通过所述公交调度改进策略生成模块利用训练好的卷积神经模型对所述对应方面进行二次调整，实现公交调度改进。
45.进一步可选地，所述对无法实现公交调度改进的站点，进行站点预警改造，包括:
46.若站点的所述无法停准的严重度评判指标超过第十六预设阈值，则判断该站点无法实现公交调度改进；对无法实现公交调度改进的站点，进行站点预警改造；所述站点预警改造包括扩大站台，转移站台位置，新建候车棚，增加子站台和增加brt站台开门口；利用关联规则挖掘算法apriori算法挖掘站点的预警改造对应无法停准的严重度间的关联关系；所述关联规则算法过程如下：通过迭代输入，检索出历史站点预警改造因子中的所有频繁项集，即支持度不低于第十七预设阈值的项集；所述支持度，是各个因子项集在数据库中出现的次数占各自的总项集次数的百分比；然后利用频繁项集构造出满足置信度的规则；所述置信度，是各个因子的总项集占数据库所有项集的百分比；通过对比支持度与置信度，判断站点的预警改造与所述无法停准的严重度关联性的强弱，并根据关联规则绘制站点预警改造关联网络图；所述站点预警改造关联网络图表明所述站点预警改造的结果。
47.本发明实施例提供的技术方案可以包括以下有益效果：
48.本发明能够识别公交车能否在公交站上停准，并根据识别的结果，从对司机的总体评价，公交车性能以及公交车行驶时的天气环境三个大方面进行分析，预测公交车停靠的准确度，从而判断停准难度。分析公交车同时到达相同站点造成拥堵的概率与无法停准的对乘客安全的影响，从而改进公交车运营调配，以及为改造公交站站台数提供数据支持和建议。以保障乘客安全为目标，建立公交停准规范，给公共交通带来很好的经济、社会效益，维护稳定的社会秩序，为人们安全、有序地出行贡献力量。
【附图说明】
49.图1为本发明的一种基于大数据的公共交通停准预测方法的流程图。
50.图2为本发明的一种基于大数据的公共交通停准预测方法的示意图。
51.图3为本发明的一种基于大数据的公共交通停准预测方法的又一示意图。
【具体实施方式】
52.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
53.图1为本发明的一种基于大数据的公共交通停准预测方法流程图。如图1所示，本实施例一种基于大数据的公共交通停准预测方法具体可以包括：
54.步骤101，公共交通停准识别。
55.利用射频识别系统对公共交通停准进行识别；所述停准是指对于有门的brt公交站台，公交车与站台距离不大于第一预设阈值；对于普通公交站台，公交车距离站台边沿正中央，不大于第二预设阈值；根据所述射频识别系统处理的数据，若实时公交车与站台距离数据在第一预设时间范围内维持不变，则确定公交车处于停靠状态；根据所述停靠状态，识别公交车在相应站台下的停准。例如，设定对于有门的brt公交站台，公交车与站台距离不大于20厘米；对于普通公交站台，公交车距离站台正中央，不大于1米；规定广州市brt与站台距离数据在10秒内不变，则brt处于停靠状态；广州b9路公交车射频识别系统数据显示，其在五羊新城普通公交站停靠时，公交车距离站台边沿正中央1.2米；在体育中心brt站停靠时，公交车与站台距离为16厘米；则该b9路公交车在五羊新城站无法停准，在体育中心站停准。
56.搭建射频识别系统。
57.所述射频识别系统是指通过射频信号自动识别公交车并获取公交车停靠位置信息，包括射频信号发送端和射频信号接收端；所述射频信号发送端安装在公交车门一侧车身的中点；所述射频信号接收端安装在站台范围内站沿的中点；所述射频信号发送端不断向外发送射频信号，在靠近站台的预设范围内，被所述射频信号接收端接收，通过预设接口连接到公交系统管理后台处理接收数据。例如，福州brt55路公交车射频信号发送端采用有源标识卡，射频信号接收端采用有源读卡器；有源标识卡不断主动向外发出无线电信号，该无线电信号1秒钟发送3次，并且最多能够传输2米距离；该无线电信号是有编码的，该福州brt55路公交车的标识卡的编码是cnfz55；标识卡发出的无线电信号如果是在读卡器的有效测量距离10米内，则该无线信号通过读卡器上的天线被读卡器接收并解码，然后可以通过ttl232接口将信息发送给公交系统管理后台单片机进行数据处理。
58.步骤102，根据公共交通停准识别结果，预测公交车停靠的准确度。
59.根据公共交通停准识别结果，对司机的总体评价，公交车性能以及公交车行驶时的天气环境进行分析，构造公交车停靠的准确度评价体系，即
60.acc＝der
×
w1 qua
×
w2 wea
×
w3；其中，acc表示公交车停靠的准确度评价指标；der表示司机总体评价指标，qua表示公交车辆性能参考指标，wea表示天气环境参考指标的倒数；w1,w2,w3分别为对应预设权值，且w1 w2 w3＝1。根据所述公交车停靠的准确度评价体系计算出所述公交停靠的准确度评价指标作为输出，对公交车停靠的准确度进行预测。例如，公交停靠的准确度评价体系中acc值越大，预测到的公交车停靠的准确度越高；公交车停靠的准确度评价体系中，若0＜acc≤0.4，则公交车停靠的准确度较低，若0.4＜acc≤0.8，则公交车停靠的准确度一般，若acc＞0.8，则公交车停靠的准确度较高；计算出的司机总体评价指标为0.667，公交车辆性能参考指标为0.6，天气环境参考指标为0.8，对应的权值分别为0.4,0.4,0.2；通过公交车停靠的准确度评价体系，算得acc值为0.7568，所以该公
交车停靠的准确度一般。
61.对司机进行总体评价。
62.请参阅图2，获取对司机的总体评价，包括获取司机个人开车水平，司机个人素质，司机停准经验；司机个人开车水平越高，司机个人素质越高，司机停准经验越多，司机的总体评价就越高；构建司机总体评价体系，即der＝(dab qper pexp)/3；其中，der表示司机总体评价指标；dab表示通过司机个人开车水平评价模型计算出的司机个人开车水平评价值；qper表示通过司机个人素质评价模型计算出的司机个人素质评价值；pexp表示司机停准经验评价值；根据bp神经网络对司机进行总体评价；所述根据bp神经网络对司机进行总体评价，包括：根据dab，qper，pexp确定训练样本与测试样本，所述训练样本用于神经网络训练，所述测试样本用于检测实际值与预测值的相对误差；计算测试样本数据的期望值，若所述期望值大于第十一预设阈值，则调整神经网络的权值，直到所述期望值满足不大于第十一预设阈值的条件为止；根据所述神经网络的权值，更新所述der的值作为神经网络的输出值；根据所述神经网络的输出值对司机进行总体评价。例如，司机总体评价体系为优秀(0.90-1)，良好(0.80-0.89)，一般(0.60-0.79)，差(0-0.59)；bp神经网络的输入层包括3个指标：司机个人开车水平评价值，司机个人素质评价值，以及司机停准经验评价值，即n＝3，输出层为司机总体评价结果，即m＝1，隐含层为3层。数据经过神经网络训练后，得出司机小王，小李，小陈的总体评价指标分别为0.667，0.852，0.947，则表示小王的总体评价一般，小李的总体评价良好，小陈的总体评价优秀。
63.司机个人开车水平评价。
64.所述司机个人开车水平，包括驾照分数，公交车准点到达站点的频率，公交车停准次数；根据车载gps定位跟踪系统实时监测公交车获取实时到站时间，通过公交系统后台获取标准到达时间，计算所述实时到站时间与所述标准到达时间相匹配的次数除以公交车到站总次数即为所述公交车准点到达站点的频率；根据公交系统管理后台数据，得到所述公交车停准次数；构建司机个人开车水平评价模型，即dab＝d1
×
w11 d2
×
w12 d3
×
w13；其中，dab表示司机个人开车水平评价值；d1表示司机驾照分数评价值，若司机驾照当前扣分超过第三预设阈值，则d1＝0，否则d1＝1；d2表示公交车准点到达站点的频率评价值，若公交车准点到达站点的频率超过第四预设阈值，则d2＝1，否则d2＝0；d3表示公交车停准次数评价值，若公交车停准次数超过第五预设阈值，则d3＝1，否则d3＝0；w11，w12，w13分别表示对应的预设权值；通过所述司机个人开车水平评价模型，计算司机个人开车水平评价值，对公交车司机个人开车水平进行评价。例如，规定公交车司机在一年内驾照扣分应少于6分，驾驶公交车准点到达站点的频率应大于3/5，公交车停准次数一天内应该超过100次；11路公交车司机小李2022年累计驾照扣分5分，在7月10日当天实时到站时间与标准到达时间相匹配的次数为150次，公交车到站总次数200次，停准次数为130次；根据司机个人开车水平评价模型，则d1＝1，d2＝1，d3＝1，并根据其超过标准的比例赋予对应的权值大小，可得对应的权值分别为0.16，0.15,0.3；所以小李的开车水平评价值为0.61。
65.司机个人素质评价。
66.所述司机个人素质，包括司机行驶过程中说脏话的次数，司机的被举报量，司机同事之间的相互评价分数；利用安装在驾驶室内的语音识别器自动识别司机行驶过程中的言语，统计所述司机行驶过程中说脏话的次数；获取公交系统民意调查数据结果，统计所述司
机的被举报量；利用咨询司机同事对司机本人的印象分数并将所述印象分数取平均值，获得所述司机同事之间的相互评价分数；构建司机个人素质评价模型，即
67.qper＝q1
×
w21 q2
×
w22 q3
×
w23；其中，qper表示司机个人素质评价值；q1表示司机行驶过程中说脏话的次数评价值，若所述司机行驶过程中说脏话的次数超过第六预设阈值，则q1＝0，否则q1＝1；q2表示司机的被举报量评价值，若所述司机的被举报量超过第七预设阈值，则q2＝0，否则q2＝1；q3表示司机同事之间的相互评价分数评价值，若所述司机同事之间的相互评价分数超过第八预设阈值，则q3＝1，否则q3＝0；w21，w22，w23分别表示对应的预设权值；通过所述司机个人素质评价模型，计算司机个人素质评价值，对公交车司机个人素质进行评价。例如，规定公交车司机在行驶过程中说脏话不能超过5次，被举报量一共不超过10个，司机同事之间的相互评价百分制分数应超过90分；11路公交车司机小王在行驶过程中，通过识别其与乘客交流时的语音，统计获得他说脏话的次数为4次，乘客意见箱及民意调查平台统计得到小王的被举报量是2个，咨询小王的同事小李，小陈，小林分别对小王的印象分数是86，91，96；根据司机个人素质评价模型，则q1＝1，q2＝1，q3＝1；并根据其超过标准的比例赋予对应的权值大小，可得对应的权值分别为0.2，0.8，0.01；所以小王的个人素质评价值为1.01。
68.司机停准经验评价。
69.根据射频识别系统处理的数据，以时间为横坐标，实时公交车与站台距离为纵坐标，绘制司机停准经验曲线图；所述司机停准经验曲线图上斜率为零的线段表示公交车处于停靠状态；根据公交停准识别结果，将识别出的停准状态对应的线段在所述司机停准经验曲线图上标注出来，并记录从无法停准到停准的时间范围；分别统计司机无法停准的总次数以及司机从无法停准到停准的次数，并将所述司机从无法停准到停准的次数除以司机无法停准的总次数，得到从无法停准到停准的频率；若在第二预设时间范围内司机从无法停准到停准的次数大于或等于第九预设阈值，则将所述从无法停准到停准的频率的数值作为司机停准经验评价值pexp；若在第二预设时间范围内司机从无法停准到停准的次数小于第九预设阈值，则司机停准经验评价值pexp为0。例如，绘制11路公交车驾驶员小陈的停准经验曲线图，用红笔标注一次行驶旅程中的停准状态，无法停准有10次，从无法停准到停准有8次；记录小陈驾驶的11路公交车从无法停准到停准的时间范围分别为8、11、6、7、9、10、13、6秒；预设在10秒内司机从无法停准到停准的次数阈值为5次，由数据可知10秒内有6次，所以小陈停准经验评价值为0.8。
70.分析公交车性能。
71.所述公交车辆性能包括公交车的车型，公交车制动前速度，公交车停靠前制动时间；爬取互联网客车数据库中公交车的车型及对应的公交车制动前速度范围与公交车停靠前制动时间范围；设置公交车辆性能参考指标，且预设其初始值作为第一初始值；若所述公交车的车型与所述互联网客车数据库中公交车的车型相同，则进一步分析该公交车的车型对应的公交车制动前速度之间的关系；若所述公交车制动前速度与客车数据库中对应车型的公交车制动前速度范围相匹配，则再进一步分析该公交车的车型对应的公交车停靠前制动时间之间的关系；若所述公交车停靠前制动时间与客车数据库中对应车型的公交车停靠前制动时间范围相匹配，则所述公交车辆性能参考指标数值为所述第一初始值；若所述公交车停靠前制动时间大于客车数据库中对应车型的公交车停靠前制动时间范围的第一上
限值，则计算所述公交车停靠前制动时间与所述第一上限值的第一差值，所述公交车辆性能参考指标数值为所述第一初始值与所述第一差值的和；若所述公交车停靠前制动时间小于客车数据库中对应车型的公交车停靠前制动时间范围的第一下限值，则计算所述第一下限值与所述公交车停靠前制动时间的第二差值，所述公交车辆性能参考指标数值为所述第一初始值与所述第二差值的差；通过所述公交车辆性能参考指标数值的大小，分析所述公交车性能。例如，广州市9路公交车，b9路公交车分别使用的车型是a型车，b型车；搜索互联网客车数据库中a,b型公交车的数据，获取到a型车和b型车制动前40-49时速，分别需要制动9-10秒，8.5-9.5秒才可以停靠；制动前30-39时速，分别需要制动6-7秒，5.5-6.5秒才可以停靠；车载数据系统记录到9路公交车制动前45时速，制动了8.8秒；b9路公交车制动前34时速，制动了6.6秒；设定公交车辆性能参考指标初始值为0.5，则通过分析，9路公交车的性能参考指标数值为0.3，b9路公交车的性能参考指标数值为0.6，即b9路公交车的驾驶性能比9路公交车的驾驶性能好。
72.分析公交车行驶时的天气环境。
73.根据车载定位系统获取公交车所处的地理位置；从气象局数据库获取公交车所处的地理位置的天气信息；所述天气信息包括常见天气信息和罕见天气信息；所述常见天气信息包括晴天，多云，阴天，雨天，雪天；所述罕见天气信息包括台风，沙尘暴，冰雹，霾，大雾；设立公交车行驶时的天气环境参考指标，并预设其初始值作为第二初始值；通过所述天气环境参考指标数值的大小，分析所述公交车行驶时的天气环境。例如，规定天气环境参考指标数值a》0，且初始值a＝0.5，对于公交车辆行驶，当0.45＜a＜0.55，天气环境良好；当a≤0.45或0.55≤a≤0.8，天气环境一般；a＞0.8，天气环境较差；广州市1路，长沙市1路，桂林市1路公交车的天气环境参考指标数值分别为0.52,0.95,0.7；所以广州市1路公交车行驶的天气环境良好，长沙市1路公交车行驶的天气环境较差，桂林市1路公交车行驶的天气环境一般。
74.获取到常见天气信息为晴天，多云，阴天时，计算天气环境参考指标数值。
75.当所述常见天气信息为晴天，多云，阴天时，通过车载光学检测装置检测车外光照度；若所述车外光照度数值在预设的光照度范围之内，则所述天气环境参考指标数值为所述第二初始值；若所述车外光照度数值大于预设的光照度范围的第二上限值，则计算所述车外光照度与所述第二上限值的第三差值；所述第三差值除以所述第二上限值得到光照度增加指标数值，所述天气环境参考指标数值为所述第二初始值与所述光照度增加指标数值的和；若所述车外光照度数值小于预设的光照度范围的第二下限值，则计算所述第二下限值与所述车外光照度的第四差值；所述第四差值除以所述第二下限值得到光照度减少指标数值，所述天气环境参考指标数值为所述第二初始值与所述光照度减少指标数值的差。例如，设定天气环境参考指标数值初始值为0.5，公交车行驶的适宜光照度范围为8000-12000lx；1,2,3路公交车在多云的7月10日正常行驶时，自带的车载光学系统分别监测到其车外光照度为9000lx，13000lx，7000lx；则通过分析计算得到1,2,3路公交车的天气环境参考指标数值分别为0.5，0.583,0.375。
76.获取到常见天气信息为雨天，雪天时，计算天气环境参考指标数值。
77.当所述常见天气信息为雨天，雪天时，通过车载湿度检测装置检测车外湿度；若所述车外湿度数值等于第十预设阈值，则所述天气环境参考指标数值为所述第二初始值；若
所述车外湿度数值大于第十预设阈值，则计算所述车外湿度与所述第十预设阈值的第五差值；所述第五差值除以所述第十预设阈值得到湿度增加指标数值，所述天气环境参考指标数值为所述第二初始值与所述湿度增加指标数值的和；若所述车外湿度数值小于第十预设阈值，则计算所述第十预设阈值与所述车外湿度的第六差值；所述第六差值除以所述第十预设阈值得到湿度减少指标数值，所述天气环境参考指标数值为所述第二初始值与所述湿度减少指标数值的差。例如，设定雨天天气环境参考指标数值初始值为0.8，公交车雨天正常行驶的湿度阈值为75％；1,2,3路公交车在雨天行驶时，自带的湿度传感器分别监测到其车外湿度为75％，70％，90％；则通过分析计算得到1,2,3路公交车的天气环境参考指标数值分别为0.8，0.75,0.95。
78.获取到罕见天气信息时，确定天气环境参考指标数值。
79.所述罕见天气信息包括台风，沙尘暴，冰雹，霾，大雾；根据气象局数据库获取公交车所处的地理位置的气象灾害预警信号；若所述预警信号为蓝色，则所述天气环境参考指标数值为所述第二初始值*1.2；若所述预警信号为黄色，则所述天气环境参考指标数值为所述第二初始值*1.6；若所述预警信号为橙色，则所述天气环境参考指标数值为所述第二初始值*2；若所述预警信号为红色，则所述天气环境参考指标数值为所述第二初始值*3。例如，设定罕见天气环境参考指标数值初始值为0.5；长沙市气象局天气预报显示4月12日有霾橙色预警，7月12日有台风黄色预警；则长沙1路公交车在4月12日的天气环境参考指标数值为1.0，在7月12日的天气环境参考指标数值为0.6。
80.步骤103，根据公交车停靠的准确度预测结果，判断站点停准难度。
81.根据公交车停靠的准确度预测结果，若所述准确度预测结果小于第十二预设阈值，则确定下一次到站无法停准；通过公交监控端获取公交车停靠站点的次数，根据所述公交车停靠的准确度评价体系的公交车停靠的准确度预测结果，得到站点所有公交车下一次到站无法停准的次数；通过站点距离传感器测算得到公交车停靠地与正确停准区域的距离；所述公交车停靠地与正确停准区域的距离是指公交车停靠时车头到正确停准区域边界的距离；将站点所有公交车的所述公交车停靠地与正确停准区域的距离取平均，得到站点停准距离偏差；根据所述站点所有公交车下一次到站无法停准的次数和所述站点停准距离偏差，建立站点停准难度评价体系，即dif＝times*dis；其中，dif表示站点停准难度评价指标；times表示所述站点所有公交车下一次到站无法停准的次数；dis表示所述站点停准距离偏差；根据站点停准难度评价体系，计算站点停准难度评价指标，判断站点停准难度。例如，设定当公交车停靠的预测的准确度小于0.8则确定下一次到站无法停准；a公交站有三条公交线路停靠，分别是1,2,3路，这3路公交车分别在7月10日经过该站点6次，10次，8次，停靠的准确度分别为0.6,0.9，0.7；则可分析只有1路和3路公交车无法停准，进一步通过站点距离传感器检测其停靠时车头与正确停准区域的距离分别为4m，6m；所以站点停准距离偏差为5，通过站点停准难度评价体系计算出来的站点停准难度评价指标为(6 8)
×
5＝70。
82.步骤104，根据站点停准难度，预测无法停准的公交车数量。
83.根据站点停准难度，确定公交调度的公交车汇聚站点，预测无法停准的公交车数量；从公交车调度管理系统获取站点公交车时刻表；构建公交车数量计算模型，即am1＝am0 add；其中，am1表示预定时刻预定站点的无法停准的公交车数量；am0表示站点公交车时刻表的公交车数量；add表示公交调度的公交车汇聚站点的增加车辆数量；若站点停准难度评
价指标大于第十四预设阈值，则am0的值等于站点公交车时刻表中该时刻及其之后的第四预设时间范围内的公交车到站数量之和，否则，am0的值等于站点公交车时刻表中该时刻的公交车到站数量；若该站点为所述公交调度的公交车汇聚站点，则add的值等于该站点调度公交线路的数量之和，否则，add＝0。根据所述公交车数量计算模型，对无法停准的公交车数量进行预测。例如，岗顶站停准难度评价指标为70，大于预设的50；从岗顶站公交车时刻表获取到18:00及其之后设定的一分钟内，到站的公交车线路有9辆；由于岗顶站是b5路，b9路，b13路的高峰期汇聚站点，即add＝3；所以根据公交车数量计算模型预测岗顶站18:00无法停准的公交车数量为12。
84.获取公交调度的公交车汇聚站点。
85.所述公交调度，是指公交系统根据站点的乘客数量，对公交车的数量，发车时间和停靠站点进行调整；从公交系统监控后台获取高峰期和非高峰期公交线路上的各站点的上车乘客数、下车乘客数；所述高峰期是指上下车乘客数明显增加的第三预设时间范围，所述非高峰期是指一天中除了高峰期以外的公交车行驶时间；若站点的所述上车乘客数或所述下车乘客数大于第十三预设阈值，则该站点为公交调度的公交车汇聚站点。所述公交调度的公交车汇聚站点包括高峰期公交车汇聚站点与非高峰期公交车汇聚站点。例如，预设广州市公交高峰期为早上7:00-9:00，下午17:00-19:00；规定b5路公交车站上车乘客数或下车乘客数大于30人，则该站点为b5路调度的汇聚站点；调取公交系统监控得到东风西路站在7:30上车乘客40人，中山纪念堂站10:30下车乘客35人，岗顶站18:00上车乘客32人；所以b5路公交车高峰期汇聚站点为东风西路站和岗顶站，非高峰期汇聚站点为中山纪念堂站。
86.步骤105，根据无法停准的公交车数量，分析公交车同时到达相同站点造成拥堵的概率。
87.根据公交站点监控数据提供的历史公交车同时到达相同站点造成拥堵的公交站点，以及无法停准的公交车数量，对公交车同时到达相同站点造成拥堵的概率进行预测；所述拥堵，是指同时到达相同站点的公交车数量大于第十五预设阈值；所述对公交车同时到达相同站点造成拥堵的概率进行预测，包括：以历史公交车同时到达相同站点造成拥堵的公交站点为样本，基于影响因子构建单分类svm模型；所述影响因子包括公交调度的公交车汇聚站点，无法停准的公交车数量；然后利用激活函数，将单分类svm模型的中间输出的样本到超球面球心的距离的取值区间映射至(0,1)，映射结果即为公交车同时到达相同站点造成拥堵的概率。例如，同时到达相同站点的公交车数量大于10辆则判定该公交站拥堵；调取广州市brt公交站点监控数据得知历史超过10辆公交车18:00同时到达的站点有体育中心站，岗顶站，石牌桥站，师大暨大站；根据公交车数量计算模型预测体育中心站，岗顶站，石牌桥站，师大暨大站18:00无法停准的公交车数量分别为15，12，13，11；而且获取到体育中心站和岗顶站为公交调度的公交车汇聚站点；通过svm分类预测模型实时分析公交车同时到达相同站点造成拥堵的概率变化；映射结果分别为0.9，0.85,0.6,0.5；即体育中心站最大可能造成拥堵，岗顶站略次之，师大暨大站最小，但也有一半可能造成拥堵。
88.步骤106，根据公交车同时到达相同站点造成拥堵的概率，分析无法停准的严重度。
89.请参阅图3，所述无法停准的严重度包括乘客的影响程度和交通意外发生率；所述乘客的影响程度包括公交车停靠后乘客在站台逗留的时间以及公交车停靠后站台逗留的
乘客数量；根据公交站点监控数据获取所述公交车停靠后乘客在站台逗留的时间以及所述公交车停靠后站台逗留的乘客数量；所述交通意外包括站点马路范围内其余机动车与公交车发生的交通意外，以及站点马路范围内非机动车与公交车发生的交通意外；从交警监控系统获取站点马路范围内其余机动车和非机动车数量；通过严重度评判模型计算无法停准的严重度评判指标；根据bp神经网络分析无法停准的严重度；根据无法停准的严重度评判指标以及公交车同时到达相同站点造成拥堵的概率确定训练样本与测试样本，所述训练样本用于神经网络训练，所述测试样本用于检测实际值与预测值的相对误差。例如，无法停准的严重度为高(ser≥10)，一般(5≤ser＜10)，低(0＜ser＜5)；bp神经网络的输入层包括2个指标：严重度评判模型计算出的无法停准的严重度评判指标，公交车同时到达相同站点造成拥堵的概率，即n＝2，输出层为无法停准的严重度评价结果，即m＝1，隐含层为2层。数据经过神经网络训练后，得出站点a，b，c的无法停准的严重度评判指标数值分别为8.8，4.6，11.3，则表示站点a无法停准的严重度一般，站点b无法停准的严重度低，站点c无法停准的严重度高。
90.构建严重度评判模型。
91.构建严重度评判模型，即ser＝tp
×
ap
×
n1 an
×
n2 aq
×
n3；其中，ser表示无法停准的严重度评判指标；tp表示公交车停靠后乘客在站台逗留的时间；ap表示公交车停靠后站台逗留的乘客数量；an表示站点马路范围内其余机动车数量；aq表示站点马路范围内非机动车数量；n1,n2,n3分别为对应的预设权值，且n1 n2 n3＝1；通过所述严重度评判模型计算无法停准的严重度评判指标。例如，从公交站点监控数据获取到五山站公交车停靠后乘客在站台逗留的时间为45秒，即3/4分；公交车停靠后站台逗留的乘客数量为20人；从交警监控系统获取到五山站站点马路范围内其余机动车有5辆，非机动车有4辆；预设对应的权值为0.4,0.4,0.2；通过严重度评判模型计算出无法停准的严重度评判指标为8.8。
92.步骤107，根据无法停准的严重度，实现公交调度改进。
93.根据公交调度，生成公交调度改进策略；所述公交调度改进策略，包括数据处理模块，神经网络模型构建模块与公交调度改进策略生成模块；根据无法停准的严重度，对所述无法停准的严重度评判指标小于第十六预设阈值的站点进行公交调度改进；所述公交调度改进，是指公交系统根据站点的乘客数量以及站点马路范围内其余机动车、非机动车的数量，对公交车的数量、发车时间和停靠站点进行二次调整；通过所述数据处理模块获取无法停准的严重度评判指标以及所述公交调度，以及利用深度学习rnn算法分析所述公交调度偏离严重度评判模型的对应方面，构建对应方面向量；通过所述神经网络模型构建模块利用所述对应方面向量构建并训练卷积神经网络模型；通过所述公交调度改进策略生成模块利用训练好的卷积神经模型对所述对应方面进行二次调整，实现公交调度改进。例如，从公交车调度管理系统获取1路和2路车的公交车时刻表，显示18:00和18:02分别各有1台车同时到达a站调度；规定无法停准的严重度小于7，则进行公交调度改进；a站无法停准的严重度为6.8；利用rnn算法分析对应方面，构建对应方面向量sc＝{c1,c2,c3,
…
,cn}，其结果为sc＝{公交车停靠后站台逗留的乘客数量，站点马路范围内其余机动车数量}；接着利用对应方面向量构建卷积神经网络并进行神经网络训练，最后利用训练好的模型进行二次调整，即避免这两个时刻调度，增加每次调度公交车的数量；在17:59和18:03分别调度1路车和2路车2台在不同时到达a站，实现公交调度改进。
94.步骤108，对无法实现公交调度改进的站点，进行站点预警改造。
95.若站点的所述无法停准的严重度评判指标超过第十六预设阈值，则判断该站点无法实现公交调度改进；对无法实现公交调度改进的站点，进行站点预警改造；所述站点预警改造包括扩大站台，转移站台位置，新建候车棚，增加子站台和增加brt站台开门口；利用关联规则挖掘算法apriori算法挖掘站点的预警改造对应无法停准的严重度间的关联关系；所述关联规则算法过程如下：通过迭代输入，检索出历史站点预警改造因子中的所有频繁项集，即支持度不低于第十七预设阈值的项集；所述支持度，是各个因子项集在数据库中出现的次数占各自的总项集次数的百分比；然后利用频繁项集构造出满足置信度的规则；所述置信度，是各个因子的总项集占数据库所有项集的百分比。通过对比支持度与置信度，判断站点的预警改造与所述无法停准的严重度关联性的强弱，并根据关联规则绘制站点预警改造关联网络图；所述站点预警改造关联网络图表明所述站点预警改造的结果。例如，若站点无法停准的严重度超过8，则无法实现公交调度改进；已知a站和b站的严重度为8.8,9.6，所以分别对a，b站进行站点预警改造；通过apriori算法挖掘站点的预警改造对应无法停准的严重度间的关联关系；其中第一条关联规则为“公交车停靠后乘客在站台逗留的时间大于1分钟＝》增加子站台，支持度＝0.889，置信度＝0.933”；第二条关联规则为“站点马路范围内其余机动车数量大于10辆＝》转移站台位置，支持度＝0.986，置信度＝0.991”；其中，a站公交车停靠后乘客在站台逗留的时间为1分30秒，b站站点马路范围内其余机动车数量为13辆；所以a站改造内容为增加子站台，b站改造内容为转移站台位置；汇总多条关联规则并绘制成一个站点预警改造关联网络图，表明站点预警改造关联网络图上对应的关联结果即为a，b站的站点预警改造的结果。
96.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。