一种预测公交车到站时间的方法技术

本发明专利技术提供一种预测公交车到站时间的方法，包括：采集一定时间内的公交车数据以及公交线路数据，基于空间插值法，获得公交车在各数据点的时距数据对；基于所述时距数据对，获得公交车运营序列；将所述公交车运营序列输入至LSTM递归神经网络，获得公交车到站时间预测模型；以及对所述公交车到站时间预测模型基于链式预测法，获得预测的公交车到站时间。本发明专利技术充分考虑了复杂的交通变化对公交车运营的影响，得到的预测时间更加准确可靠。

Method for predicting bus arrival time

The present invention provides a method, a bus arrival time prediction includes acquisition within a certain period of time the bus and data bus line data, the spatial interpolation method based on the data from the bus to get at each data point; based on the data obtained from the bus operation sequence; the bus operation sequence input to LSTM recurrent neural network, get the bus arrival time prediction model; and on the bus arrival time prediction model based on chain prediction method, obtain the bus arrival time prediction. The invention fully takes into account the influence of complicated traffic changes on the operation of the bus, and the forecasting time is more accurate and reliable.

【技术实现步骤摘要】

本专利技术涉及交通
，更具体地，涉及预测公交车到站时间的方法。
技术介绍
随着我国城市化进程的发展，城市的经济得到了发展，人口、车辆也大量增加，随之引发了一系列的交通问题，尤其是交通拥堵。公共交通具有承载率高、污染小、运输效率高等特点，故大力发展公共交通可以减缓城市拥堵现象。近年来，智能交通得到了重视和发展，出行者对于公交车到站时间的获取需求也日益增加。到站时间公开之后，乘客可以提前规划行程。这将吸引他们选择公共交通出行，从而缓解交通压力。此外，公交运营公司的可以根据公交车的到站时间进行调度，有利于公交管理向动态智能化的转变，提高运营效率。公交到站时间预测近年来在国内外都引起了广泛关注。例如，都柏林在站点设置了电子站牌来展示到站时间；在日本，公交车到达时间预测是政府大力支持的一项交通需求管理措施。通过互联网向用户的手机和电脑发送公交车的预测到达时间吸引人们乘坐公交车出行，从而限制私家车使用数量。在中国的应用主要分为两种：一种是布置实体公交电子站牌，例如上海在站牌上展示公交到站时间；另外一种是利用客户端软件发布信息。用户可以通过这些软件获取公交车的位置(距离)信息等。目前虽然存在多种预测模型，如基于历史数据、人工神经网络、支持向量机等，但是基本上预测精度有限。公交车的行驶过程受到各种随机因素的影响，尤其我国城市交通环境复杂，目前已有的成熟预测方法得到的公交到站时间不够准确，可靠性较低。总体看来，关于公交车到达时间预测技术的研究仍然较少或者存在一定的局限性，亟待开发一种新型的公交到站时间预测方法。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的预测公交车到站时间的方法。根据本专利技术的一个方面，提供一种预测公交车到站时间的方法，其特征在于，包括：S1、采集一定时间内的公交车数据以及公交线路数据，基于空间插值法，获得公交车在各数据点的时距数据对；S2、基于所述时距数据对，获得公交车运营序列；S3、将所述公交车运营序列输入至LSTM递归神经网络，获得公交车到站时间预测模型；以及S4、对所述公交车到站时间预测模型基于链式预测法，获得预测的公交车到站时间。本专利技术提出利用递归神经网络进行公交到站时间预测的方法：利用我国城市公交在运营时的公交车数据和公交线路数据，提取与交通相关的信息，经过训练LSTM递归神经网络，学习交通状况变化的规律，从而得到公交车在动态变化交通环境下的到站时间。附图说明图1为本专利技术实施例中LSTM型RNN中隐藏层结点的结构图；图2为根据本专利技术实施例的预测公交车到站时间的流程示意图；图3为根据本专利技术实施例的计算除首站之外站点的出发时间的一维线性回归示意图；图4为根据本专利技术实施例的预测到站时间结果说明图；图5为根据本专利技术实施例的预测方法与其他4种方法的结构图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。为了克服现有预测方法存在的公交到站时间不够准确、可靠性交底的计算问题，本专利技术提供了一种基于LSTM递归神经网络的预测公交车到站时间的方法。下面结合附图对本专利技术的具体实施方式进行说明。递归神经网络(RecurrentNeuralNetwork，RNN)通过添加自连接隐藏层，赋予神经网络对时间进行建模的能力，从而区别于其他的神经网络。RNN隐藏层的输出，不仅仅会传播到下一层，而且还进入了下一时刻的本隐藏层，但RNN会受到梯度消失或梯度爆炸的影响，导致它难以学习较远时间点对当前时间点的影响。本专利技术采用具有解决上下文长时间依赖的RNN网络结构，如长短时神经网络(LongShortTermMemory，LSTM)，带门结构的递归单元神经网络(GatedRecurrentUnit，GRU)等。本专利技术采用的RNN为LSTM型RNN，通过将普通的神经元用带有门结构(在本专利技术中，包括输入门、遗忘门和输出门)的记忆单元(MemoryCell)替换，解决了梯度消失或梯度爆炸的问题。在前向传播中，门结构控制了激活的进入和输出；在后向传播中，门结构控制了残差的流入和流出。如图1所示，此为带有一个记忆单元的隐藏层神经元结点，包含三个门：输入门i、遗忘门f和输出门O，it，ft，ot分别是三个门在时刻t对应的激活值；xt和ht-1是神经元输入数据的两个来源，其中xt是上一层的神经元在t时刻的输出，而ht-1是上一个时刻即t-1时刻本层所有神经元的输出值；Ct是内部状态在此时刻的值；ht是当前t时刻隐藏结点的输出值。它们的计算过程为：it＝σ(Wxi*xt+Whi*ht-1+bi)；ft＝σ(Wxf*xt+Whf*ht-1+bf)；ot＝σ(Wxo*xt+Who*ht-1+bo)；Ct＝ftοht-1+itοgt；其中Wxg，Wxi，Wxf，Wxo，Whg，Whf分别是连接各层(不同结构)的边的权值；bi，bf，bo，bg是偏置项，权值和偏置项都是待求参数。在RNN中，权值和偏置项在不同的时刻共享相同的值。σ和是不同的激活函数，σ常为Sigmoid函数，而可以为tanh函数或tanh函数的变种。ο运算符代表元素对应相乘。利用LSTM能够学习长期依赖关系的特点，本专利技术从已有的定位数据和静态数据中提取在公交到站预测问题中LSTM所需的时间序列信息，用这些信息反映描述某时间某位置的交通状况。本专利技术将时间序列信息输入至网络中以学习交通状态，并用LSTM记忆单元的内部状态进行存储。隐藏层节点的输出经过前向传播过程，直到网络的输出层，通过预测到站时间。故本专利技术预测的公交到站时间是基于动态变化的交通状态的，更具有可靠性。图2示出了本专利技术的流程示意图，包括：S1、采集一定时间内的公交车数据以及公交线路数据，基于空间插值法，获得公交车在各数据点的时距数据对；S2、基于所述时距数据对，获得公交车运营序列；S3、将所述公交车运营序列输入至LSTM递归神经网络，获得公交车到站时间预测模型；以及S4、对所述公交车到站时间预测模型基于链式预测法，获得预测的公交车到站时间。本专利技术提出利用递归神经网络进行公交到站时间预测的方法：利用我国城市公交在运营时的公交车数据和公交线路数据，提取与交通相关的信息，经过训练LSTM递归神经网络，学习交通状况变化的规律，从而得到公交车在动态变化交通环境下的到站时间。本专利技术所述的公交车数据包括：公交车编号、公交车所属线路的线路编号、公交车的地理位置数据、公交车的地理位置数据的采集时间、运营次数以及上下行方向，其中公交车的地理位置数据为公交车在运营过程中通过车载定位系统发射的全球定位系统(GlobalPositioningSystem，GPS)数据。本专利技术所述的公交线路数据包括：公交线路的线路编号、线路中各站点编号、各站点的地理位置数据、各路口的地理位置信息以及上下行方向。之所以选择路口，是因为交通受到信号灯的控制影响较大，主要体现在信号灯的改变会引发交通状态的突然变化，从而影响公交车的运行时间，比如由绿灯变换成红灯之后，交通流被截断，处于被截断部分交通流的公交车会增加停车延误时间以及引道延误时间。由于公交线路数据和公交车数据通常保存在公交公司的数据库中，数据的组织形式是杂乱无章的，本专利技术首先需要将属于公交车不同次运营的定本文档来自技高网...

【技术保护点】
一种预测公交车到站时间的方法，其特征在于，包括：S1、采集一定时间内的公交车数据以及公交线路数据，基于空间插值法，获得公交车在各数据点的时距数据对；S2、基于所述时距数据对，获得公交车运营序列；S3、将所述公交车运营序列输入至LSTM递归神经网络，获得公交车到站时间预测模型；以及S4、对所述公交车到站时间预测模型基于链式预测法，获得预测的公交车到站时间。

【技术特征摘要】
1.一种预测公交车到站时间的方法，其特征在于，包括：S1、采集一定时间内的公交车数据以及公交线路数据，基于空间插值法，获得公交车在各数据点的时距数据对；S2、基于所述时距数据对，获得公交车运营序列；S3、将所述公交车运营序列输入至LSTM递归神经网络，获得公交车到站时间预测模型；以及S4、对所述公交车到站时间预测模型基于链式预测法，获得预测的公交车到站时间。2.如权利要求1所述的预测公交车到站时间的方法，其特征在于，所述公交车数据包括：公交车编号、公交车所属线路的线路编号、公交车的地理位置数据、公交车的地理位置数据的采集时间、运营次数以及上下行方向；所述公交线路数据包括：公交线路的线路编号、线路中各站点编号、各站点的地理位置数据、各路口的地理位置信息以及上下行方向。3.如权利要求2所述的预测公交车到站时间的方法，其特征在于，所述步骤S1包括：S1.1、采集一定时间内的公交车数据以及公交线路数据，获得对应不同线路、不同运营次数的公交车的历史时距数据信息，所述历史时距数据信息包括所述线路的首站点和末站点的地理位置数据、线路总距离和总到站时间；以及S1.2、基于所述历史时距数据信息，通过空间插值法，获得各数据点的积累距离；以及S1.3、对各数据点的积累距离，基于线性回归算法获得公交车到达除首站点外的到站时间，将所述积累距离和对应的到站时间作为公交车到达该数据点时的时距数据对。4.如权利要求3所述的预测公交车到站时间的方法，其特征在于，所述步骤S2包括：S2.1、将公交车到达各数据点时的时距数据对、当前数据点与下一数据点的间距、共享同一个站点的线路总数以及数据标识符作为特征向量，构成对应各数据点的公交车运营特征向量；S2.2、对所述公交车运营特征向量中除数据标识符外的各特征向量依次进行归一化处理和去均值处理...

【专利技术属性】
技术研发人员：庞俊彪，黄晶，胡安静，黄庆明，尹宝才，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11