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SVM和Kalman滤波的公交车到站时间预测模型

提出一种基于支持向量机(SVM)和Kalman滤波的公交车辆到站时间预测模型。在该模型中,SVM基于历史数据,按照时间段、天气和路段3个输入特性,预测各路段车辆运行时间的基线;然后通过Kalman滤波利用最新的车辆运行信息,结合SVM输出的基线时间来动态预测车辆到达各时间点的实际时间;最后,应用大连市经济技术开发区7路公交线的数据对该模型进行了校验。实例验证结果表明:该模型具有较高的预测精度。

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。

基于运行时间预测的枢纽内多线路协调调度研究

针对传统调度模型预见性不强的弱点,提出一个基于支持向量机(SVM)的公交车辆到达枢纽时间的预测模型,基于该模型构建以所有乘客节约时间最大为目标的调度模型,动态协调公交车辆从枢纽的发车时间,并基于遗传算法对该模型进行求解。最后,我们以大连市沙河口火车站枢纽为实例,对该模型和算法的可行性进行了检验,结果显示,本文提出的调度方法优于传统调度策略。

公交车辆行程到站时间预测模型优化研究

随着智能公交系统的发展,有效提高公交车辆到站时间预测精确率,是提升公共交通服务水平,结合智能交通(ITS)发展的关键举措。在结合公交车辆GPS运行数据的基础上,构建卡尔曼滤波与支持向量机结合的预测模型。最后,应用山东省日照市19路公交线路的公交运行数据对该模型进行校验,并评价该模型的预测精确程度,评价结果表明,对公交到站时间据本文模型有较高的预测精度。

应用支持向量机预测公交车运行时间

采用一种新颖的神经网络-支持向量机(SVM),来预测公交车的到站时间,其目的是要验证SVM在运行时间预测领域的可行性.该模型采用了时间段、天气、路段以及当前路段的运行时间和下一路段的最新运行时间5个输入变量.最后,应用大连市开发区4路公交线对该模型进行了校验,并得到若干结论.