一种基于大数据的公共交通停准预测方法

技术特征：
1.一种基于大数据的公共交通停准预测方法，其特征在于，所述方法包括：公共交通停准识别，并搭建射频识别系统，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；根据公共交通停准识别结果，预测公交车停靠的准确度，对司机进行总体评价，司机个人开车水平评价，司机个人素质评价与司机停准经验评价，并分析公交车性能与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；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，并获取公交调度的公交车汇聚站点；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，并构建严重度评判模型；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。2.根据权利要求1所述的方法，其中，所述公共交通停准识别，包括: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；所述搭建射频识别系统，具体包括: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。3.根据权利要求1所述的方法，其中，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: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；
所述对司机进行总体评价，具体包括: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；所述司机个人开车水平评价，具体包括: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；所述司机个人素质评价，具体包括: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；所述司机停准经验评价，具体包括: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；所述分析公交车性能，具体包括: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；所述分析公交车行驶时的天气环境，具体包括: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；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: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；
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: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；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: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。4.根据权利要求1所述的方法，其中，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: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。5.根据权利要求1所述的方法，其中，所述根据站点停准难度，预测无法停准的公交车数量，包括: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；所述获取公交调度的公交车汇聚站点，具体包括:
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。6.根据权利要求1所述的方法，其中，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: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。7.根据权利要求1所述的方法，其中，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: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；所述构建严重度评判模型，具体包括: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。8.根据权利要求1所述的方法，其中，所述根据无法停准的严重度，实现公交调度改进，包括: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。9.根据权利要求1所述的方法，其中，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: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。

技术总结
本申请提供一种基于大数据的公共交通停准预测方法，包括：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。进行站点预警改造。进行站点预警改造。


技术研发人员：赵佳虹 贺梓峰
受保护的技术使用者：广东工业大学
技术研发日：2022.09.02
技术公布日：2022/12/5