基于动态交通信息的公交到站预测服务

公交到站时间(BAT)服务是提高公众交通吸引力的关键服务之一。服务给使用者提供实时车辆到站信息能够使用户更好的安排自己的公共交通行程。因此,实时公交到站时间预测技术在智能交通领域已经成为研究的热点。在本文中采用了新的公交到站时间预测模型。该模型提出了一套完整的算法来解决BAT预测中大规模的实时交通信息的计算,采用了高效的算法来实时纠正车辆的行驶方向。动态交通信息作为数据基础支撑BAT的计算。同时,采用虚拟预测来处理GPS数据丢失的情况保证了服务提供的稳定性。实验结果表明模型拥有较高的准确率(超过85.1%)和计算速度(最高处理5000条每秒)。

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%。

一种公交到站时间预测方法

基于公交GPS轨迹数据和路段在空间关系和时空分布上的分析和处理,开展了公交车辆到站时间预测的研究,提出并实现了基于空间关系的路段平均到站总时间与基于属性数据修正的综合预测方法;以北京市300路内环公交线路为例进行了验证和效果评价,并对下一步工作进行了展望。

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。

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。

公交车到站时间预测模型研究

为了研究影响公交车到站时间的机理,以广州公交140路相邻的3个站点为例,经数据处理和挖掘后,提取停靠时间、行驶时间和社会车速度这3个特征向量,并运用BP神经网络、支持向量机、决策树、随机森林等6个模型来预测公交车到站时间。根据公交车到站时间预测的特征和6个预测模型的特征等提出了可拓预测模型。可拓预测模型的RMSE和MAE在所运用模型中是最低的,证明该方法有效。

基于天牛须小波神经网络的公交到站时间预测

通过对公交运行环境的实际分析,考虑工作日和非工作日的运行特性差异,提出了一种基于天牛须搜索算法的小波神经网络(BAS-WNN)公交到站时间预测模型。该模型利用寻优性能更强的天牛须搜索算法优化WNN的初始参数,使得WNN对时间序列的预测具有更好的性能。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,将该优化算法与传统的WNN算法和Elman神经网络算法用MATLAB分别仿真测试,对比结果显示,无论工作日还是非工作日,BAS-WNN预测模型对公交到站时间的预测均具有更高的准确性且结果更加稳定。