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。

基于行程数据的公交车到站时间预测

为向乘客提供较为准确的上下车时间参考,解决长距离预测中误差累积明显的问题,构建基于双层、双注意力、双向长短期记忆(LSTM)神经网络的公交车到站时间预测模型,提出一种基于行程数据的公交车到站时间预测方法.以广州市B2路、 560路公交车工作日的实际运行数据为例,对该预测方法进行精度验证.结果表明,由该模型所预测的行程时间,其平均绝对百分比误差为8.09%,在长距离到站时间估算上,15个站点的预测误差可保持在4.00 min左右.

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%.

基于动态百分位行程时间的公交到站时间预测模型

解析了公交运行服务过程,将公交车辆的到站时间划分为路段区间与路段区段行程时间,并研究了路段行程时间的百分位值统计特征规律,提出了在偏差率低于50%的条件下,以样本频率最大为目标的路段行程时间预测模型。基于开发的到站时间预测实验平台,结合实际线路公交车辆的实时运行数据,分别针对基于动态百分位行程时间、均值行程时间及50分位值行程时间的3种到站时间预测方法进行了试验验证,并进行了三者的对比分析。研究结果表明,基于动态百分位行程时间及50分位值行程时间的预测方法较基于均值行程时间的预测方法更接近现实,具有更高的稳定性和精度。

基于随机森林的列车到站时间预测方法

在铁路行车调度指挥中,需要实时预测列车的到站时间,以便制定相应的运营策略,并提供较为可靠的旅客服务信息。在分析列车运行过程的基础上,提出基于随机森林的列车到站时间预测模型,并给出详细的求解过程。最后利用津秦高速铁路相关数据对模型进行仿真验证,结果表明,基于随机森林的列车到站时间预测方法能够有效地提高列车到站时间预测的准确性。

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。

基于前车数据的动态公交车辆到站时间预测模型研究

在以往研究成果基础上,基于采集获取的实时车辆定位信息,提出了一种基于前车的公交车辆到站时间动态预测模型。在建立路段行程时间计算模型时考虑了前车的平均瞬时速度,在计算站点区域停留时间时建立了基于前车的预测模型,提出了一种参数容易获取、便于实际计算的模型,用于预测公交车辆在信号控制交叉口的延误。用上海市58路公交车的GPS数据对预测模型进行了验证,结果表明预测模型具有较高的预测精度,能够较为准确地预测公交车辆到站时间。

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。

基于前车与经验数据的车辆到站时间预测模型

公交车辆运行经验数据体现了到站时间的一般性规律,前车数据反映了到站时间的实时性。提出一种基于前车与经验数据的公交车辆到站时间预测模型。在该模型中对站点间路段行驶时间及站点停留时间区分了高峰期和非高峰期,站点间的延时时间考虑了不同方向红灯等待时间的区别以及斑马线的影响。用杭州公交104路公交车的数据对预测模型进行了验证,结果表明,该预测模型具有较高的预测精度,能够较为准确地预测公交车辆到站时间。

基于蓝牙感知的公交车辆到站时间预测方法研究

采用基于蓝牙的智能感知技术,实现对公交车辆运行状态信息的自动采集,并对公交车辆到站时间预测方法进行专项研究。通过算例证明该方法具有较高的预测精度,为动态车辆调度、运行质量评估、乘客交通信息服务等提供有力的支撑。

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。

基于GRU和Kalman滤波组合模型的公交车辆到站时间预测方法研究

准确的公交到站时间信息能够为人们的出行规划提供有效依据,降低出行时间成本。文章以尽量减少预测公交到站时间与实际时间的偏差为目标,避免行驶过程中各类突发事件对预测结果的影响,建立了一种基于GRU和Kalman滤波的组合模型来对公交车辆到站时间进行实时预测。其中GRU神经网络利用历史数据对公交车辆在各个站点间的行驶时间进行计算,得到基础时间到站时间序列,再通过Kalman滤波利用公交车辆行驶过程中获取的实时信息,对到站时间的预测结果进行优化更正。研究结果表明,GRU预测模型在预测效率上相对于LSTM模型高出5.3%~7.9%。在结合Kalman滤波后,SVM、LSTM、GRU组合模型的综合评价指标MAPE分别为3.71%、2.63%、2.04%。因此,文章所提出的组合模型能够更有效地预测公交到站时间。

城市公交车辆到站时间预测研究

要解决城市交通问题,需要发展城市公共交通。现阶段,在很多中小城市,常规公共汽车是公共交通的主要组成部分。常规公共汽车是覆盖面最广、运行线路最多、乘车费用最低的一种解决城市居民出行的最好方式。然而现阶段在很多中小城市,常规公交的出行比例不高,公交对居民出行的吸引力较低。究其原因主要是由于常规公交车到站时间不确定,准时性较差,乘客需要等待未知的时间,需要时刻关注到站的车辆信息,公交信息发布较落后,出现“伸脖子”等公交的情况。乘客容易出现焦急的等待情绪,或者直接改换其他交通方式出行。因此,准确实时的公交车到站时间预测可以提高中小城市居民公交出行的比例,提高乘客乘车的满意度,提高城市公交的服务水平,对解决交通问题具有重要意义。

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.

公交到站时间实时预测信息发布技术研究

本文提出并采用一种离线预测与在线预测相结合的、基于历史数据并根据在线数据修正的、能减少服务器运算复杂性的较高性能的计算机模型和公交车到站时间预测算法.并以公交车实时GPS运行信息为运算依据,应用Java EE、JSP开发、MySQL数据库和Android手机操作系统开发等技术,在服务器端以公交车有限状态机模型来掌握公交车的实时信息,开发了一个集中式、企业级、手机平台上的、基于请求与响应的综合系统,能够向乘客手机客户端发送目标线路上车辆到站情况的预测信息,提高出行效率.最后基于大连市旅顺口区18路公交车运行数据进行了系统测试,结果表明,以该算法为基础的系统具有良好的性能.

基于预测算法的公交车实时到站时间查询系统

公交车是目前城市中最为普遍的一种大众运输工具,随着城市化和机动化的发展,使城市人口和地域不断增加,对公共交通的需求相应快速增长,出行者对公交系统提出了更多更高的要求。公交车辆到站时间是城市智能公共交通系统服务的重要指标参数之一,也是乘坐公共交通出行者最为关注的基本信息之一,为满足公交出行者对所乘线路公交车辆的到站时间可实时查询的需要,介绍城市公交实时到站时间查询系统的设计。在需求分析的基础上,通过概念结构、逻辑结构的设计建立了查询系统的数据模型,提出了一种到站时间的预测算法。该算法将路线划分成站间路段,以实时收集到的车辆进出站信息为基础,从历史纪录中得到通过每个路段的运行时间。通过聚类分析、判别分析的方法确定预测的运行时间,最后通过简单计算得到用户需要的预测到站时间,并且将到站时间通过网络公开展示给系统的用户。

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。