一种基于历史轨迹数据的实时公交到站预测算法

实时公交到站预测是智慧出行服务的重要组成部分,可靠的预测结果能够帮助乘客合理规划出行方案、减少等车时间。针对常见实时公交到站算法存在的所需数据类型多、模型复杂、应用场景单一、算法复杂度高等问题,本文提出了一种基于历史轨迹数据的实时公交到站预测算法,为乘客提供时间、剩余站点数量和剩余距离的预测结果。并开发Android应用,接入深圳市实时公交GPS数据,验证了本文所提出算法的准确性和简单性,可满足大规模应用的需求。

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%。

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。

基于时空相关属性模型的公交到站时间预测算法

公交车辆到站时间的预测是公交调度辅助决策系统的重要依据,可帮助调度员及时发现晚点车辆,并做出合理的调度决策.然而,公交到站时间受交通拥堵、天气、站点停留和站间行驶时长不固定等因素的影响,是一个时空依赖环境下的预测问题,颇具挑战性.提出一种基于深度神经网络的公交到站时间预测算法STPM,算法采用时空组件、属性组件和融合组件预测公交车辆从起点站到终点站的总时长.其中,利用时空组件学习事物的时间依赖性与空间相关性.利用属性组件学习事物外部因素的影响.利用融合组件融合时空组件与属性组件的输出,预测最终结果.实验结果表明,STPM能够很好地结合卷积神经网络与循环神经网络模型的优势,学习关键的时间特征与空间特征,在公交到站时间预测的误差百分比和准确率上的表现均优于已有的预测方法.

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。

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。

利用梯度提升树预测公交车到站时间

当前我国公交公司普遍采用让具有丰富经验的公交调度人员以人工估计车辆到站的方法来调度车辆的发车。这种方式缺少计算辅助,加上工作量大,经常容易出现错误预估导致无法缓解道路上常发生的同路公交车遇到一起(串车)或者相隔太远(大间隔)的情况。公交到站时间受道路交通、乘客人数、时间、天气等诸多因素影响,具有不确定性。本文基于该现实问题从公交公司角度出发,提出了一种基于动态特征选择和梯度提升树的公交到站时间预测算法。其动态主要体现在对于不同线路、同一线路不同方向经过特征选择分别选取对该线路该方向站点停留和站间行驶影响较大的特征。该算法用于辅助公交调度人员参考到站时间,从而使得调度人员可以作出更准确有效的调度策略。

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。

两种算法结合的公交到站时间预测

随着临港地区经济高速发展,人口规模与机动车拥有量急剧增加,公交优先战略对于缓解城市交通压力起着举足轻重的作用。在临港智能公交体系大背景下,尝试对公交到站时间进行算法分析研究,具体提供了一种结合非参数回归与卡尔曼滤波的公交车到站时间预测算法。通过非参数回归方法得到基于历史数据的公交车到站时间预测值,进而根据预测值和当前公交车实时运行结果的误差,通过不断更新最优到站时间估计和卡尔曼增益,实现对预测运行时间的修正。研究结果表明,基于非参数回归和卡尔曼滤波混合后的模型预测误差减小,预测效果良好。

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。