CN102157075B

CN102157075B - 公交到站的预测方法

Info

Publication number: CN102157075B
Application number: CN 201110060991
Authority: CN
Inventors: 崔秋石; 赵明月; 孙敏; 庞溟舟; 职蕾蕾
Original assignee: Shanghai Jiao Tong University
Current assignee: Shanghai Jiao Tong University
Priority date: 2011-03-15
Filing date: 2011-03-15
Publication date: 2013-07-03
Anticipated expiration: 2031-03-15
Also published as: CN102157075A

Abstract

一种信息处理技术领域的公交到站的预测方法，通过分析公交运行历史数据判断运行稳定性，划分出适合不同预测方式的时段。在预测周期内，采用卡尔曼滤波法分析实时GPS数据预测到站时间，最终通过误差加权把历史数据和实时数据两种预测结果综合起来作为最终的发布信息。本发明准确性较好且运算速度快，易于物理实现和推广。

Description

公交到站的预测方法

技术领域

本发明涉及的是一种信息处理技术领域的方法，具体是一种公交到站的预测方法。

背景技术

公交到站时间预测技术是在城市智能交通系统中公交信息发布的难点和重点。上海市目前正在大力推进城市公共交通，已经形成了城市交通运营管理和服务的信息化雏形。作为城市智能交通系统(ITS)的重要组成部分的交通信息发布系统，近几年快速发展。但是常规公交信息发布系统的建设相对轨道交通信息发布系统还比较落后，乘客对公交车辆运行状况的投诉屡有发生。

目前的预测方法，根据数据选择的来源不同可以分为基于历史数据的到站时间预测方法和基于实时数据的到站时间预测方法。根据路段行驶时间计算方法不同又可以分为：时间序列分析、卡尔曼滤波、人工神经网络、等多种方法。

上述预测模型在预测精度和实际应用上各有特点。经文献检索发现，基于历史数据的到达时间预测模型里，假设公交车的实际行驶情况围绕历史行驶情况小幅度波动。模型以大量历史数据为基础，该类模型原理易懂、操作简单，使用广泛，但是当突发事件导致公交车的实际行驶情况大幅度偏离历史情况时，预测效果会不理想，其预测精度有限，实用性不强。人工神经网络模型在预测精度上具有绝对的优势，它是当前倍受推崇的一种公交车到达时间预测模型。但是，神经网络的训练函数、学习函数以及一些参数的选择却需要经验或试取，并且网络训练时间较长。因此，实现在线的实时训练和动态预测绝非易事。Kalman滤波器模型利用不断逼近的方式获得较高的预测精度，尤其在提前一步预测行程时间时，该模型具有良好的预测性能。但是，其能力却随步骤的增加而不断衰退。

发明内容

本发明针对现有技术存在的上述不足，提供一种公交到站的预测方法，准确性较好且运算速度快，易于物理实现和推广。

本发明是通过以下技术方案实现的，本发明通过分析公交运行历史数据判断运行稳定性，划分出适合不同预测方式的时段。在预测周期内，采用卡尔曼滤波法分析实时GPS数据预测到站时间，最终通过误差加权把历史数据和实时数据两种预测结果综合起来作为最终的发布信息。

本发明具体包括以下步骤：

1)数据采集：通过三种方法采集公交车运行数据，提供公交车实时运行状况信息。

2)数据处理：使用ArcGIS地理信息系统软件，剔除错误数据，确定公交车的实时位置及数据回报的时刻。

3)公交运行稳定性分析：采集半年内的公交运行历史数据，划分为18种情况，每种情况分别进行稳定性分析。

4)公交车到站预测方式选择：根据稳定性分析结果，选择合适的到站预测方式。

5)建立到站时间预测模型：综合考虑公交车运行历史数据和实时GPS数据，分别进行到站时间预测，根据预测过程中的误差对两种预测结果进行加权平均，作为最终的到站时间发布在电子站牌供乘客参考。

本发明方法根据公交车历史运行数据，在分析公交车运行稳定性的基础上，选择不同的预测方式。在分离出适合进行到站时间预测的时段，采用历史数据和实时GPS数据分别预测，最后进行误差加权的方法，预测公交车到站时间。由此综合考虑公交车运行历史规律和实时路况以及交通流信息，能更加准确的对公交车到站时间进行预测。

附图说明

图1为公交车GPS数据处理结果。

图2和图3为公交车运行稳定性分析，其中站点选择徐家汇，公交运行方向为下行，日期为周六、日。

图4为基于历史和实时数据误差加权的公交车到站预测方法流程图。

图5为数据采集示意图。

图6为数据传输示意图。

图7和图8为实时GPS数据汇报点分布示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

如图4所示，为本实施例预测流程，具体实现大致分为5个部分：通过车载RFID信标设备/读卡器、环形电磁感应线圈以及车载GPS收发终端三种方式，采集公交车运行数据，提供公交车实时运行状况信息；使用ArcGIS地理信息系统软件，剔除错误数据，确定公交车的实时位置及数据回报的时刻；根据采集所得公交运行历史数据，分时段分路段分析公交车运行稳定性；根据稳定性分析结果选择对应的公交车到站预测方式；对适合进行到站时间预测的路段和时段，建立到站时间预测模型，综合考虑公交车运行历史数据和实时GPS数据，分别进行到站时间预测，根据预测过程中的误差对两种预测结果进行加权平均，作为最终的到站时间发布在电子站牌供乘客参考。

具体描述如下：

数据采集：通过车载RFID信标设备/读卡器、电磁感应线圈以及车载GPS收发终端三种方式，采集公交车运行数据，提供公交车实时运行状况信息。其中，车载RFID信标设备在进出公交车站的时候，触发车站出入口处读卡器，下游车站得到此辆公交车的实时位置信息，从而将此站点位置显示在电子站牌上；电磁感应线圈采集公交车的位置信息，用于实时预测公交车距离目标站点的距离；车载GPS收发终端提供实时GPS数据，用于分析公交车在回报数据点处的时刻以及实时速度，同时结合车载里程表计算公交车到达目标站点的时间。公交车数据采集示意图如附图5所示。

数据处理：主要对公交车车载GPS收发终端记录的实时GPS数据进行处理，以便分析公交车到站时间。使用ArcGIS地理信息系统软件，剔除错误数据，包括GPS数据误差过大的点，公交车早晚进出车库的GPS回报点以及公交车内路码表为零的GPS回报点等，确定公交车的实时位置及数据回报的时刻。按照GPS数据回报的时间分为以下几种情况，即工作日周一、五，工作日周二、三、四，休息日周六、日。每个日期内，对回报点的时刻按照小时数划分时段，以便于分析各个时段内的运行情况。

公交运行稳定性分析：用于稳定性分析的公交车历史运行数据并非时间跨度越长效果越好，采集半年内的公交运行历史数据，划分为18种情况，即(i)公交车行驶方向：上行，下行；(ii)日期：周一、五，周二、三、四，周六、日；(iii)每天时段：早高峰，午平峰，晚高峰，每种情况分别进行稳定性分析。对于公交车运行情况来说，站间平均运行时间、平均运行速度以及站间运行时间的方差和标准差都是衡量其运行稳定性的指标。计算均值时统一采用截尾均值的形式，去除最大和最小的10％个GPS回报点数据，剩余的数据再求算术平均值，如此可以有效避免错误数据对计算结果的影响。根据统计结果并综合考虑乘客对于等待时间的耐心程度，将运行时间标准差设定为1分钟，即最终预测到站时间的时候，允许所参考的历史数据偏差在1分钟之内。

公交车到站预测方式选择：根据稳定性分析结果，选择合适的到站预测方式。(i)预测公交车在前方第几站。该预测方式适合于公交车运行状况最不稳定的时段或路段，预测过程中，使用硬件设备采集公交车在上游路段关键位置的信息，例如进站和出站，通过信息传输通路直接传递给目标站点的电子站牌。(ii)预测公交车距离目标站点的距离。适用于站点之间距离较近，公交车运行相对稳定的路段。采用传感器技术、无线信标结合GPS技术，可以获知公交车在目标站点上游的距离。随着公交车越来越接近目标站点，电子站牌上发布的距离信息不断更新，乘客能够获知公交车和目标站点之间的实际距离。(iii)预测公交车到达目标站点还需多长时间。该预测方式最直观，适用于站点之间有一定距离，路段交通流复杂度低，公交车运行稳定的情况。采用公交车运行历史数据或者实时GPS数据，建立公交车运行状态的模型，并通过建立预测模型和预测算法计算公交车到达目标站点的时间。

建立到站时间预测模型：综合考虑公交车运行历史数据和实时GPS数据，分别进行到站时间预测，根据预测过程中的误差对两种预测结果进行加权平均，作为最终的到站时间发布在电子站牌供乘客参考。其中根据历史数据预测到站时间，按照上下行实际站点顺序排列，用后一站点的里程表数值和相邻前一站点的里程表数值相减即可得到相邻两站之间的距离，计算公交车在站点之间的平均运行时间和平均行驶速度。为使误差尽量降低，计算均值的过程，都采用截尾均值的形式。GPS测量过程中的漂移造成相邻两站之间距离的误差为30米，计算过程中统计站间运行时间和运行速度的方差。根据实时GPS数据预测到站时间，采用两种数据回报方式，即按时间间隔回报数据和按距离间隔回报数据，如附图7和附图8所示，分别建立卡尔曼迭代模型，将卡尔曼迭代算法预测得到的公交车在下一个数据回报点处的实时速度和时刻，转化为公交车到达目标站点的时间，并根据误差相关矩阵统计预测过程中产生的运行时间和运行速度的方差。最后，把两种数据来源分别进行到站时间预测得到的预测结果，按照预测过程中产生的运行时间方差，进行加权平均，作为最终发布在电子站牌上的预测结果。由于最终的到站时间预测结果中，随实时数据的每次更新，历史数据预测部分也要不断更新。历史数据更新过程的假设前提是公交车在站间保持匀速行驶。由于卡尔曼滤波迭代算法要求设置初始状态，因此本文将初始状态均设置为历史统计平均值，即历史数据和实时GPS数据对最终预测结果的影响是均等的。采用的数据回报方式不同，根据历史数据和实时GPS数据预测的到站时间在最终发布预测结果中分别所占的比重变化也会不同。

Claims

1.一种公交到站的预测方法，其特征在于，通过分析公交运行历史数据判断运行稳定性，采集半年内的公交运行历史数据，划分为18种情况，每种情况分别进行稳定性分析；

公交车到站预测方式选择：根据稳定性分析结果，选择合适的到站预测方式：（i）预测公交车在前方第几站；（ii）预测公交车距离目标站点的距离；（iii）预测公交车到达目标站点还需多长时间；

在预测周期内，采用卡尔曼滤波法分析实时GPS数据预测到站时间，将卡尔曼迭代算法预测得到的公交车在下一个数据回报点处的实时速度和时刻，转化为公交车到达目标站点的时间，并根据误差相关矩阵统计预测过程中产生的运行时间和运行速度的方差，最终通过误差加权把历史数据和实时数据两种预测结果综合起来作为最终的发布信息，所述方法具体包括以下步骤：

第一步、数据采集：通过车载RFID信标设备/读卡器、电磁感应线圈以及车载GPS收发终端三种方法采集公交车运行数据，提供公交车实时运行状况信息；

第二步、数据处理：使用ArcGIS地理信息系统软件，剔除错误数据，确定公交车的实时位置及数据回报的时刻；

第三步、公交运行稳定性分析：采集半年内的公交运行历史数据，划分为18种情况，每种情况分别进行稳定性分析；即（i）公交车行驶方向：上行，下行；（ii）日期：周一、五，周二、三、四，周六、日；（iii）每天时段：早高峰，午平峰，晚高峰；对于公交车运行情况来说，站间平均运行时间、平均运行速度以及站间运行时间的方差和标准差都是衡量其运行稳定性的指标；

第四步、公交车到站预测方式选择：根据稳定性分析结果，选择合适的到站预测方式；

第五步、建立到站时间预测模型：综合考虑公交车运行历史数据和实时GPS数据，分别进行到站时间预测，根据预测过程中的误差对两种预测结果进行加权平均，作为最终的到站时间发布在电子站牌供乘客参考，其中根据历史数据预测到站时间，按照上下行实际站点顺序排列，用后一站点的里程表数值和相邻前一站点的里程表数值相减即可得到相邻两站之间的距离，计算公交车在站点之间的平均运行时间和平均行驶速度；根据实时GPS数据预测到站时间，采用两种数据回报方式，即按时间间隔回报数据和按距离间隔回报数据，分别建立卡尔曼迭代模型，之后，把两种数据来源分别进行到站时间预测得到的预测结果，按照预测过程中产生的运行时间方差，进行加权平均，作为发布在电子站牌上的预测结果。