基于双向长短期记忆网络的公交到站时间预测模型

为实现准确预测公交到站时间,提高城市公交出行分担率,本文提出一种基于双向长短期记忆神经网络(BiLSTM)并考虑超参数寻优的公交到站时间预测模型。通过引入非线性收敛因子、正弦余弦算子及自适应参数改进海鸥算法对双向LSTM模型实现超参数寻优,并增加Attention机制以提高双向LSTM处理信息能力,构建改进海鸥算法优化增加Attention机制的双向LSTM(ISOA-BiLSTM-Attention)预测模型。使用中国江西省南昌市220路公交GPS数据分方向和分时段预测车辆到站时间,验证模型预测精度。结果表明:整体上来说,Attention机制优化后的双向LSTM模型比单独采用双向LSTM模型预测精度更好;改进的海鸥算法可对双向LSTMAttention模型实现较好的优化效果,相较于现有模型及标准海鸥算法(SOA)优化双向LSTMAttention模型,ISOA-BiLSTM-Attention对于不同方向及不同时段公交到站时间预测的平均绝对百分比误差、均方根误差及平均绝对误差至少分别降低5.96%、9.87%及7.99%;同时,ISOABiLSTM-Attention具有最大的模型决定系数R2值,体现了该预测模型泛化能力及稳定性较好,可针对公交到站时间进行较为准确地拟合。

使用AVL数据的公交到站时间CEEMD-LSTM预测模型

针对现实中公交运行受突发路况影响,运行速度呈现非平稳性的问题,平稳化处理运行速度具有重要意义.结合时序特征处理技术和深度学习,建立一种使用自动车辆定位数据预测公交到站时间的互补集合经验模态分解(CEEMD)-长短期记忆(LSTM)神经网络模型.该模型收集公交自动车辆定位数据(AVL),经预处理后引入互补集合经验模态分解平稳化公交运行速度,再借助Adam参数寻优后的长短期记忆神经网络,对福州市303路公交某日早高峰公交到站时间进行预测.结果表明:优化的公交到站时间预测模型平均绝对误差比单一模型低了1.69 min,预测精度高于长短期记忆神经网络模型和经验模态分解的到站时间预测模型,可有效地为安装车载自动车辆定位系统的公交线路预测公交到站时间提供参考.

基于粒子群小波神经网络的公交到站时间预测

公交到站时间的实时预测是公交出行信息发布、公交出行诱导、公交动态调度的关键技术.基于公交车辆运行特性分析,将公交到站时间分为路段运行时间和站点停靠时间两部分,并考虑工作日与周末的运行特性差异,最后结合迭代思想提出利用粒子群小波神经网络模型预测公交到站时间.实例分析表明:粒子群算法能有效降低小波神经网络模型的训练误差;结合迭代法使用公交车上一站运行时间作为预测输入能够有效提高预测精度;该预测模型对于公交车在工作日和周末到站时间的预测均能达到较高的精度,平均绝对百分比误差分别为10.82%和9.85%.

基于模糊神经网络的短时公交到站时间预测

研究了中国公交运营特点,利用全球定位系统和电子票务收费系统收集的车辆实时信息,建立了路段和站点补偿模糊神经网络模型,分别预测车辆的路段行驶时间和站点停留时间.路段预测模型的输入是所有重合线路的站点行驶数据,改变了现有预测模型只采用单线路数据的不足.以济南市一条实际公交线路为例,利用VISSIM模拟专用道和非专用道两种道路结构并计算到站时间预测值,结果证明:提出的模型性能明显优于平均值法和卡尔曼滤波法,15min内预测累积误差小于10%,而在公交专用道上误差小于7%.

基于AVL数据的公交到站时间实时预测模型

公交车辆到站时间预测是公交信息服务、公交动态调度的关键参数。基于实时和历史的公交车辆自动定位数据(AVL)需求分析,将公交车辆到站时间划分为站点停靠时间、区段全程运行时间和区段部分运行时间,分别采用点估计法、BP神经网络法和自适应指数平滑法对其进行动态预测。最后结合实验线路公交车辆的AVL运行数据,对预测模型进行了验证和评价分析。研究结果表明:本预测模型由于将历史数据规律和实时交通状况进行了有效融合,从而提高了公交到站时间预测的鲁棒性和预测精度。

基于遗传算法的模糊神经网络公交到站时间预测模型研究

公交到站时间的预测受到诸多因素的影响,各种因素对预测准确度不可度量,很难采用传统数学模型进行建模解决。采用基于遗传算法的模糊神经网络模型对公交到站时间进行预测,该模型将遗传算法和模糊推理系统融入多层前馈神经网络中,并通过模糊规则的隶属度进行初始化与更新网络各个参数初始值,同时利用多子群自适应遗传算法进行宏观搜索,提高整个网络的寻优能力。模型以成都市某线路公交运行时间预测为例对其进行了模拟仿真,仿真结果表明基于遗传算法的模糊神经网络公交到站时间预测模型具有较高的准确性与可靠性。

公交到站时间预测研究现状与发展趋势

实时的公交到站时间预测是智能公交的重要组成部分,准确的预测有利于帮助居民进行出行规划和减少等待时间。通过研究公交到站时间预测的原理和方法,系统总结了基于GPS、APC等数据的统计学方法和分析模型。对历史平均法、神经网络、卡尔曼滤波、支持向量机和基于概率的预测模型等几种典型方法的预测原理进行了介绍,从预测精度、实时性、计算复杂性等几个方面对模型的优缺点进行了比较。分析了公交到站时间预测发展趋势,提出了该领域需要进一步研究的问题。

基于Spark与粒子滤波算法的公交到站时间预测系统

针对公交车到站时间预测准确性不高的问题,选用具有流式计算特点的粒子滤波(PF)算法,建立了一个公交到站时间预测模型。为更好地解决使用PF算法过程中存在的预测误差及粒子优化选择问题,通过引入上一趟公交车的行驶速度和构造观测值的方法对预测模型进行改进,使之具有更贴近实际路况的公交到站时间预测精度,并且能同时预测多个公交到达时间。基于该模型和Spark平台实现了一套公交到站时间实时预测软件系统,所有到站时间预测结果与实际相比,平峰的最大绝对误差为207 s,平均绝对误差为71. 67 s;高峰的最大绝对误差为270 s,平均绝对误差为87. 61 s,而预测结果的平均绝对误差在2 min以内是公认的理想结果。实验结果表明,所提模型及实现系统能准确预测公交到站时间,满足乘客实际需求。

基于GPS轨迹数据的公交到站时间预测方法研究

公交到站时间预测作为智能公交的核心内容之一,不仅可以极大地提高公交服务满意度进而提高公交出行率,而且可为智能公交调度系统的优化提供数据依据。本文将公交GPS数据和公交站点与线路等GIS数据进行融合、处理与分析,基于公交车轨迹数据和路段在空间关系和时空分布上的分析和处理,设置一定的离站距离阈值对当前公交站点进行缓冲区分析,搜索在最近一段时间内停靠该站点的公交车轨迹数据,获取不同车辆的轨迹信息,进行公交到站时间预测研究,建立预测模型,推算出公交到站时间,并以经过广州市体育中心公交站的多条公交线路为例验证预测方法的准确性。研究表明:通过模型预测所得多条公交线路的公交到站时间与实际调查记录时间误差较小。

基于分步式小波神经网络的公交到站时间预测

准确的公交到站时间的预测是智能公交系统的关键技术。文章对公交到站时间的影响因素进行分析,提出了基于分步式小波神经网络的公交到站时间预测模型,并通过实例分析对模型进行验证。结论表明,分步式小波神经网络预测模型可有效地进行公交到站时间的预测,预测结果具有较高的准确性和稳定性,较传统预测模型其预测精度提高约34.82%。

一种动态和自适应公交到站时间预测方法

公交到站时间预测是实现智能化公交信息服务的基础,可靠地预测公交到站时间有利于提高公共交通的服务水平,以吸引更多的城市居民选择公共交通。以某城市公交系统海量的历史数据为基础,建立了基于SVM的集合了静态和动态数据的公交预测模型,该模型引入上游路段速度、下游路段最新速度、下游路段最新花时、时间段和路况拥挤程度等动态信息作为模型特征。在此基础上,根据大量公交到站时间历史数据的波动性,提出了一个基于波动性的自适应预测模型。实验结果表明,自适应预测模型优于现有模型,提高了预测的精确度和效率。

基于门控循环单元神经网络的公交到站时间预测

为提高用户公交出行积极性、方便管理部门合理调度公交班次,利用大数据分析公交浮动车辆历史GPS数据,考虑不同线路、公交站点地理位置、不同驾驶员、气象情况、时间分布等多因素的影响,建立了一种基于门控循环单元(gated recurrent unit, GRU)神经网络的公交到站时间预测模型。该模型结合5 000多万条原始数据,借助分布式Hadoop集群中的Spark弹性分布式数据集进行数据清理,并运用站点匹配算法进行源数据匹配、Lasso算法优化特征选项及去除干扰。实验仿真结果表明:改进的GRU模型R-square拟合度达到94.547%,并且算法效率较传统长短期记忆(long short-term memory,LSTM)神经网络提高了近14%,为进一步提高公交到站时间的预测精度与效率提供了参考。

基于K-means聚类和SVM的公交到站时间预测算法

如何准确预测公交车到站时间是目前城市公共交通系统研究的核心问题之一。提出了一种基于K-means聚类和SVM的公交到站时间预测算法。该算法以SVM算法为核心,引入K-means聚类算法增强预测能力,并选用了均方根误差作为预测误差评价指标。为了验证算法的性能,选用了广州市二汽新福利公司的196路上行公交线的历史数据进行实验。仿真实验表明:所提出的模型具有更好的预测性能。

基于LightGBM-LSTM的公交到站时间预测

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。提出一种基于轻量级梯度提升机(LightGBM)和长短期记忆网络(LSTM)的公交到站时间预测模型,其中LSTM模型用来区分时序数据的高平峰模式,LightGBM模型用来预测公交到站的时长。以广州市某典型公交线路为例,从公交调度系统中提取大量的历史数据进行预处理,分析了影响公交到站时间的因素,构建模型的特征集,然后采用LightGBM模型进行预测,以平均绝对百分比误差(MAPE)作为预测模型的评价指标。结果表明,基于LightGBM-LSTM模型的预测准确率高于支持向量机模型、BP神经网络模型和多元线性回归模型。

基于CS-SNN的公交到站时间预测模型

针对公交到站时间预测不准以及工作日和周末运行特性差异的问题,提出了一种基于布谷鸟搜索算法的Spiking神经网络(CS-SNN)预测模型。通过分析和验证Spiking神经网络的性能特征,再采用寻优性能更强的CS算法优化Spiking神经网络的初始参数,最后利用行车历史数据对神经网络进行训练和建模来实现到站时间的准确预测,将该优化算法与未优化的SNN算法和Elman神经网络算法用MATLAB分别仿真测试。对比结果显示:无论工作日还是周末,CS-SNN预测模型对公交行程时间的预测均具有更高的准确性且结果更加稳定。

基于大规模数据的公交到站时间预测方法比较

公交到站时间预测作为提高公共交通运输服务水平的重要措施,能够鼓励用户使用公共交通出行,方便调度部门进行合理调度。通过研究现有文献,发现虽然已经提出了很多不同原理的公交到站时间预测方法,但由于各个文献中使用的数据集合、测试规模不同,所以在现有方法之间无法进行有效的比较,从而无法发现公交到站时间预测的基本问题。为了提供可靠准确的数据基础,实现在统一的数据集上公平地比较目前现有的方法,建立了北京市公交到站数据集。该公交到站数据集是目前为止最大的公交运营数据集,其中包含了各种复杂的路况和可能的情况。在北京市公交到站数据集上,通过选择典型到站预测方法,进行实验比较和结果分析,定位出公交到站时间预测的本质问题。

基于聚类分析算法的公交车到站时间预测研究

在现代城市中,准确获取公交车到站时间可以吸引更多人选择公交出行。但在目前城市交通日益拥堵的情况下,公交车在实际行驶过程中受多种因素的影响,导致行驶时间不稳定,这严重影响人们乘车体验感。本文结合了聚类分析和支持向量机,提出了一种基于聚类分析的公交到站时间预测模型。该模型使用了公交线路的站点数据,对所采集的数据进行标准化的预处理,并考虑了公交车在运行过程中受到的多种干扰因素,对鹰潭市27路公交上行线路进行了分析。结果表明,基于聚类分析和支持向量机的公交车到站时间预测模型的平均绝对误差在四十秒以内,预测精度也优于直接支持向量机的模型,能很好地预测公交车的到站时间。

基于GTO-CNN-BiLSTM模型的公交车到站时间预测

提升公交车到站时间预测精度可以提高乘客出行效率和公交服务质量、节省公交运营成本。通过分析公交车运行的影响因素、周期与相关性,文章建立了基于人工大猩猩部队算法的卷积双向长短期记忆神经网络(GTO-CNN-BiLSTM),通过人工大猩猩部队算法进行超参数寻优,获得更好的预测效果,采用呼和浩特62路公交到站时间数据进行预测,验证模型预测精度。研究表明:不论是在工作日还是非工作日,早晚高峰还是平峰,GTO-CNN-BiLSTM都能有最优预测效果,相较于卷积双向长短期记忆神经网络(CNN-BiLSTM)、双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM),GTO-CNN-BiLSTM预测结果的平均绝对误差至少减少7.57%,均方根误差至少减少3.84%,平均绝对百分比误差至少减少7.86%。

基于粒子滤波的公交车辆到站时间预测研究

准确预测公交车辆到站时间对于改善公交服务水平、提升公交吸引力、缓解交通拥堵具有重要意义.公交车辆到站时间受到实际路面情况影响很大,粒子滤波算法对于这种非线性、非高斯的随机系统具有很好的适用性.因此本文探索性地应用粒子滤波算法建立公交车辆到站时间预测模型(BAT-PF),并以北京市公交300路内环线位置数据为基础,选取高峰和平峰时刻进行实例研究,并将预测结果与卡尔曼滤波算法所得预测结果进行对比分析.结果表明,本文建立的公交车辆到站时间粒子滤波预测模型具有更好的适用性和稳定性,而且预测精度高.

基于深度学习和粒子滤波的公交车到站时间预测

在现代城市中,准确预测公交车的到站时间具有重要意义.尤其是在交通拥堵条件下,公交车的到站时间受到复杂路况的极大影响.本文结合深度学习和粒子滤波技术,提出了一种基于深度学习(长短期记忆人工神经网络)和粒子滤波(Particle Filter,PF)的公交到站时间预测模型.该模型使用了公交车卫星定位系统和公交线路位置等数据,对所采集的数据进行插值与归一化等预处理,并充分考虑了公交车在运行过程中受到的影响因素,对北京公交集团的4条典型公交线路进行了分析.结果表明,基于深度学习和粒子滤波的公交车到站时间预测模型的平均绝对误差在80 s以内,预测精度也显著高于标准LSTM模型和标准粒子滤波模型,能有效地预测公交车到站时间.