基于神经网络和卡尔曼滤波的公交到站时间预测方法技术

本发明专利技术公开了一种基于神经网络和卡尔曼滤波的公交到站时间预测方法，提出基于门控循环单元神经网络的公交到站时间静态预测方法，充分发挥深度学习框架在捕捉时间序列长期特性和短期特性方面的优势，提升公交到站时间预测结果的准确性和可靠性。本发明专利技术同时提出基于卡尔曼滤波的公交到站时间预测结果动态调整方法，结合公交车实时运行场景中的即时数据对车辆到站时间进行在线预测，与单独使用静态预测方法对比，本发明专利技术有助于消除公交车在运行过程中受到的道路车辆、交通信号灯、道路行人等随机因素的对预测的干扰，进一步提升到站时间预测的准确性，从而为智能公交调度、优化公共出行体验、提高公共交通出行吸引力提供技术支持。持。

【技术实现步骤摘要】
基于神经网络和卡尔曼滤波的公交到站时间预测方法


[0001]本专利技术涉及深度学习
，具体涉及一种基于神经网络和卡尔曼滤波的公交到站时间预测方法。

技术介绍

[0002]城市化进程的推进伴随着道路拥堵、环境污染和交通事故等问题，在城市交通需求日益增长的背景下，发展公共交通系统成为了缓解城市交通压力的主要手段。准确、实时的公交到站时间预测能够为公共交通智能调度和公众出行提供技术服务，具有重要意义。但是，传统的公交到站时间预测方法难以准确捕捉众多外来影响干扰下的动态特征。因此，应结合多源公交数据，采用较为先进的深度学习模型对公交到站时间进行预测，以提高整体预测结果的准确性和稳定性。

技术实现思路

[0003]针对现有技术的不足，本专利技术旨在提供一种基于神经网络和卡尔曼滤波的公交到站时间预测方法，能够提升公交车到站时间预测结果的精度和稳定性，为智能公交调度、优化公共出行体验、提高公共交通出行吸引力提供技术支持。
[0004]为了实现上述目的，本专利技术采用如下技术方案：
[0005]一种基于神经网络和卡尔曼滤波的公交到站时间预测方法，包括如下步骤：
[0006]步骤一：基于公交车GPS数据和公交公司运行记录数据，提取公交车班次到站时间历史数据集，用于后续预测模型的训练和验证；
[0007]步骤二：构建门控循环单元神经网络模型，实施静态预测，得到基础时间序列：
[0008](2.1)建立GRU网络模型的结构：
[0009]一个GRU单元的前向训练公式为：
[0010]z
t
＝σ(W
z
x
t
+U
z
h
t
‑1+b
z
) (10)
[0011]r
t
＝σ(W
r
x
t
+U
r
h
t
‑1+b
r
) (11)
[0012][0013][0014]其中，公式(1)为更新门的计算方式，x
t
为输入序列x的第t个分量，h
t
‑1保存的是前一个时间步t
‑
1的信息，他们会分别与权重矩阵W
z
、U
z
相乘进行线性变换，然后更新门将这两部分的信息相加并附加一个向量b
z
，然后通过Sigmoid激活函数得到更新门的结果z
t
；更新门的作用在于控制前一时刻的隐含层状态有多大程度更新到当前隐含层状态；公式(2)为重置门的计算方式，x
t
和h
t
‑1分别与权重矩阵W
r
、U
r
相乘进行线性变换，重置门将两部分的信息相加并附加一个向量b
r
，然后通过Sigmoid激活函数得到重置门的结果r
t
；重置门用于控制前一时刻的隐含层状态有多大程度更新到当前候选隐含层状态；
[0015]公式(3)表示门控结构对于最终输出的影响方式，首先x
t
和h
t
‑1分别与权重矩阵W
h
、
U
h
相乘进行线性变换，然后计算重置门r
t
与U
h
h
t
‑1的Hadamard乘积，再将相加的结果并附加一个向量b
h
后投入双曲正切激活函数中；由于重置门的计算结果是0、1组成的向量，因此它会决定门控开启的大小，也就是说Hadamard乘积的结果会影响所要保留与以往的前序信息；公式(4)表示该单元中最终输出结果的计算方式，更新门z
t
同样以门控方式形式控制信息的流入，z
t
与h
t
‑1的Hadamard乘积表示前一时间步保留到最终记忆的信息，该信息加上当前记忆保留至最终记忆的信息就等于最终门控循环单元输出的内容；
[0016](2.2)GRU网络模型的训练和验证：将步骤一提取的每条线路的公交车班次到站时间历史数据集分别划分为训练集、验证集、测试集，其中，训练集用于训练GRU网络模型中的超参数，验证集用于调整GRU网络模型的超参数和对GRU网络模型的能力进行初步评估，测试集用于评估最终GRU网络模型的泛化能力；训练的网络参数包括W
z
、W
r
、W
h
、U
z
、U
r
、U
h
、b
z
、b
r
；
[0017](2.3)GRU网络模型超参数调整；由于不同线路的到站时间呈现不同时序特征，因此需要为每一条线路单独训练预测的GRU网络模型；
[0018]步骤三：动态调整过程，在利用步骤二得到的每条线路的GRU网络模型预测出每条线路的基础到站时间序列后，在目标班次运行过程中获取其即时车辆运行信息，利用卡尔曼滤波方法动态修正到达各个站点的实时预测时间，得到修正时间序列；
[0019]公交到站时间预测的卡尔曼滤波模型如下：
[0020][0021][0022][0023][0024][0025]其中，x
k
为状态变量，表示公交车到达第k站的先验预测到站时间估计，也即基础到站时间序列中的对应时间，表示公交车到达第k
‑
1站的最优到站时间估计，z
k
‑1表示公交车到达第k
‑
1站的观测时间，P
k
表示先验估计误差的协方差，表示最优估计误差的协方差，K
k
‑1表示卡尔曼增益，Q表示状态方程噪声的协方差，R表示观测方程噪声的协方差；
[0026]当一辆正在运行中的公交车已经到达第k站，卡尔曼滤波模型的具体计算流程为：
[0027](3.1)从利用训练好的GRU网络模型获取基础到站时间序列；
[0028](3.2)从该公交车运行实时监控数据中，获取观测到站时间；
[0029](3.3)由公式(5)计算第k+1站的预测到站时间；
[0030](3.4)由公式(6)计算当前的协方差；
[0031](3.5)由公式(7)计算当前的卡尔曼滤波增益；
[0032](3.6)由公式(8)计算第k+1站的最优预测到站时间；
[0033](3.7)由公式(9)更新第k+1时刻的卡尔曼滤波协方差；
[0034]输出第k+1站的最优到站预测时间，如果第k+1站还不是终点站，那么令k＝k+1，返回步骤(3.2)继续计算过程，如果第k+1站是终点站，那么就完成了当前站点的卡尔曼滤波流程。
[0035]进一步地，步骤一的具体过程为：
[0036](1.1)获取公交车GPS数据和公交公司运行记录数据，公交车GPS数据包括到站时刻、车辆编号和车辆经纬度，公交公司运行记录数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络和卡尔曼滤波的公交到站时间预测方法，其特征在于，包括如下步骤：步骤一：基于公交车GPS数据和公交公司运行记录数据，提取公交车班次到站时间历史数据集，用于后续预测模型的训练和验证；步骤二：构建门控循环单元神经网络模型，实施静态预测，得到基础时间序列：(2.1)建立GRU网络模型的结构：一个GRU单元的前向训练公式为：z
t
＝σ(W
z
x
t
+U
z
h
t
‑1+b
z
)
ꢀꢀ
(1)r
t
＝σ(W
r
x
t
+U
r
h
t
‑1+b
r
)
ꢀꢀ
(2)(2)其中，公式(1)为更新门的计算方式，x
t
为输入序列x的第t个分量，h
t
‑1保存的是前一个时间步t
‑
1的信息，他们会分别与权重矩阵W
z
、U
z
相乘进行线性变换，然后更新门将这两部分的信息相加并附加一个向量b
z
，然后通过Sigmoid激活函数得到更新门的结果z
t
；更新门的作用在于控制前一时刻的隐含层状态有多大程度更新到当前隐含层状态；公式(2)为重置门的计算方式，x
t
和h
t
‑1分别与权重矩阵W
r
、U
r
相乘进行线性变换，重置门将两部分的信息相加并附加一个向量b
r
，然后通过Sigmoid激活函数得到重置门的结果r
t
；重置门用于控制前一时刻的隐含层状态有多大程度更新到当前候选隐含层状态；公式(3)表示门控结构对于最终输出的影响方式，首先x
t
和h
t
‑1分别与权重矩阵W
h
、U
h
相乘进行线性变换，然后计算重置门r
t
与U
h
h
t
‑1的Hadamard乘积，再将相加的结果并附加一个向量b
h
后投入双曲正切激活函数中；由于重置门的计算结果是0、1组成的向量，因此它会决定门控开启的大小，也就是说Hadamard乘积的结果会影响所要保留与以往的前序信息；公式(4)表示该单元中最终输出结果的计算方式，更新门z
t
同样以门控方式形式控制信息的流入，z
t
与h
t
‑1的Hadamard乘积表示前一时间步保留到最终记忆的信息，该信息加上当前记忆保留至最终记忆的信息就等于最终门控循环单元输出的内容；(2.2)GRU网络模型的训练和验证：将步骤一提取的每条线路的公交车班次到站时间历史数据集分别划分为训练集、验证集、测试集，其中，训练集用于训练GRU网络模型中的超参数，验证集用于调整GRU网络模型的超参数和对GRU网络模型的能力进行初步评估，测试集用于评估最终GRU网络模型的泛化能力；训练的网络参数包括W
z
、W
r
、W
h
...

【专利技术属性】
技术研发人员：刘尊昌，刘亮，刘好德，祁昊，胡志韬，
申请(专利权)人：交通运输部科学研究院，
类型：发明
国别省市：