一种基于SVM及H_∞滤波的动态公交到站时间预测方法

专利名称：一种基于SVM及H_∞滤波的动态公交到站时间预测方法
技术领域：
本发明涉及一种基于SVM及H00滤波的动态公交到站时间预测方法，属于智能交通 系统领域。
背景技术：
作为公交系统信息化的关键技术，实时精确的公交到站时间预测不但可以方便出 行者选择乘车线路、缓解等待出行者的焦急情绪，而且为公交管理部门科学、高效、合理调 度公交车辆提供强有力的依据，从而极大地丰富公交运输服务的内容、树立公交运输的良 好形象、能够吸引更多的出行者选择公交出行方式，进而一定程度上缓解城市交通压力。已有公交到站时间预测方法有以下几种基于历史数据的预测方法通过假设交通 运行模型循环变化、实际行驶情况围绕历史行驶情况小幅度波动为前提；基于实时数据预 测方法假设下一时刻行程时间与当前时刻行程时间相同；时间序列模型通过寻找历史数据 间存在的内在数学规律进而预测出非独立变量的值；变量衰减预测方法以多个重要因素为 变量，获得车站间行程函数，建立公交车到达下游站点时间的数学预测模型；基于人工仿 生智能算法的预测方法仿效人类大脑的学习方式，通过训练和测试两个阶段实现；Kalman 滤波器是一个最优化自回归数据处理算法，该方法利用不断逼近的方式获得较高的预测精 度。基于历史数据的预测方法无法反映动态多变的交通状态，时间序列模型、变量衰减模型 同样无法反映实时交通信息，基于实时数据的预测方法受外界影响较大。基于人工仿生智 能算法由于其训练时间长无法用于实时预测，Kalman滤波器由于其对噪声约束过强，实际 预测性能降低。综合以上分析，本发明提出一种基于SVM及H00滤波的动态公交车到站时间预测方 法。该方法综合考虑了公交车到站时间历史数据和公交车运行实时信息，提高了到站时间 预测的精确性；动态预测部分首次引入Hj虑波思想，对噪声统计特性不作任何假设，增强 了到站时间预测的鲁棒性；SVM模型构建采用离线方式，解决了到站时间预测的实效性问 题。整个方法提高了到站时间预测的精确性、鲁棒性和实效性。

发明内容
本发明的目的在于提供一种基于SVM及H00滤波的动态公交车到站时间预测方法。 该方法分为两个部分静态预测部分和动态预测部分。静态预测部分是基于历史数据库， 采用SVM方法预测相邻站点之间的的运行时间；动态预测部分是基于H00滤波思想，根据实 时车辆运行信息并结合相邻站点之间的的运行时间，动态预测公交车辆到达各个站点的时 间。一种基于SVM及H00滤波的动态公交车到站时间预测方法，包括以下步骤(1)根据公交车到达每个站点的历史时间数据库，对原始数据进行预处理，对预处 理数据进行整理得到符合预设记录格式的数据集；(2)通过统计分析的方法对步骤(1)得到的数据集进行分类，得到工作日平峰类
4数据集、工作日高峰类数据集、周末平峰类数据集和周末高峰类数据集；(3)选取SVM模型构建的输入变量，采用SVM方法对步骤⑵中分类得到的数据集 进行SVM模型构建和测试，设定SVM模型的测试精度阈值，若SVM模型的测试精度达到阈值 要求，SVM模型构建完成，否则重新构建SVM模型；所述的输入变量包括天气、路段、时间段 和日期；历史时间数据库更新后，重复步骤(1)、(2), (3)对SVM模型进行重新构建和测 试；(4)确定输入变量的数值，根据步骤(3)构建完成的SVM模型，得到公交线路上相 邻站点之间的的运行时间；(5)根据滤波状态方程和观测方程，结合步骤(4)得到的公交线路上相邻站点之 间的运行时间和公交车上自动报站系统提供的实时运行信息，采用Hj虑波方法得到公交 车到达下游每个站点的时间，实现动态公交车到站时间预测；所述的实时运行信息包括车 辆达站点时间、公交运行线路号、公交到达站点号。步骤(1)中所述的原始数据的预处理包括两个阶段丢失数据处理阶段和行程时 间计算阶段；丢失数据处理阶段是按照相同车辆、相同线路两个记录字段对原始数据进行 排序，通过检测站点编号字段是否连续，判断数据是否丢失；若丢失记录条数大于3个，包 括3个，则丢弃包含该记录的所有站点数据；若丢失记录条数少于3个，则通过相邻上游站 点和下游站点平均运行速度和当前路段的长度计算补齐；行程时间计算阶段是利用相邻两 个站点到站时间相减得到。步骤(1)中所述的数据记录格式包括多个字段，如路段行程时间、天气、路段、平 峰时间段、高峰时间段、工作日和周末。步骤(3)中所述的测试精度阈值采用均方误差衡量，均方误差定义如下
权利要求
1.一种基于SVM及H00滤波的动态公交车到站时间预测方法，其特征在于，预测方法包 括以下步骤(1)根据公交车到达每个站点的历史时间数据库，对原始数据进行预处理，对预处理数 据进行整理得到符合预设记录格式的数据集；(2)通过统计分析的方法对步骤(1)得到的数据集进行分类，得到工作日平峰类数据 集、工作日高峰类数据集、周末平峰类数据集和周末高峰类数据集；(3)选取SVM模型构建的输入变量，采用SVM方法对步骤O)中分类得到的数据集进 行SVM模型构建和测试，设定SVM模型的测试精度阈值，若SVM模型的测试精度达到阈值要 求，SVM模型构建完成，否则重新构建SVM模型；所述的输入变量包括天气、路段、时间段和 日期；历史时间数据库更新后，重复步骤(1)、(2)、(3)对SVM模型进行重新构建和测试；(4)确定输入变量的数值，根据步骤(3)构建完成的SVM模型，得到公交线路上相邻站 点之间的的运行时间；(5)根据滤波状态方程和观测方程，结合步骤(4)得到的公交线路上相邻站点之间的 运行时间和公交车上自动报站系统提供的实时运行信息，采用Hj虑波方法得到公交车到 达下游每个站点的时间，实现动态公交车到站时间预测；所述的实时运行信息包括车辆达 站点时间、公交运行线路号、公交到达站点号。
2.根据权利要求1所述的一种基于SVM及H00滤波的动态公交车到站时间预测方法，其 特征在于，步骤(1)中所述的原始数据的预处理包括两个阶段丢失数据处理阶段和行程 时间计算阶段；丢失数据处理阶段是按照相同车辆、相同线路两个记录字段对原始数据进 行排序，通过检测站点编号字段是否连续，判断数据是否丢失；若丢失记录条数大于3个， 包括3个，则丢弃包含该记录的所有站点数据；若丢失记录条数少于3个，则通过相邻上游 站点和下游站点平均运行速度和当前路段的长度计算补齐；行程时间计算阶段是利用相邻 两个站点到站时间相减得到。
3.根据权利要求1所述的一种基于SVM及H00滤波的动态公交车到站时间预测方法，其 特征在于，步骤(1)中所述的数据记录格式包括多个字段，如路段行程时间、天气、路段、平 峰时间段、高峰时间段、工作日和周末。
4.根据权利要求1所述的一种基于SVM及H00滤波的动态公交车到站时间预测方法，其 特征在于，步骤(3)中所述的测试精度阈值采用均方误差衡量，均方误差定义如下臓=械Hf其中Ii为到站时间的真实值，λ为SVM模型的预测值，N为SVM模型测试样本的数量。
5.根据权利要求1所述的一种基于SVM及Hj虑波的动态公交车到站时间预测方法， 其特征在于，步骤(5)中所述的滤波状态方程和观测方程分别为xk+1 = 17 + +^和yk = ο]「-ΓHxk+Vk，其中， = [tk sk]T,F= o i ,H=
i ，tk 表示站点 k 到达预测目的站点的实际运行时间，Tk,k+1表示站点k和k+Ι之间的实际运行时间，％代表从源站点 到站点k的实际运行时间，yk表示从源站点到站点k的观测运行时间，{wk，vk}分别代表统计特性未知的系统噪声和测量噪声。
全文摘要
一种基于SVM及H∞滤波的动态公交车到站时间预测方法，该方法分为两个部分第一部分是基于SVM方法，利用公交车到达每个站点的历史时间数据库构建SVM模型，确定输入变量的值，预测相邻站点之间的的运行时间；第二部分是基于H∞滤波思想，结合实时公交车运行信息和相邻站点之间的运行时间，预测公交车到达下游每个站点的时间。该方法综合考虑公交车到站时间历史数据和公交车运行实时信息，提高了到站时间预测的精确性；动态预测部分首次引入H∞滤波思想，对噪声统计特性不作任何假设，增强了到站时间预测的鲁棒性；SVM模型构建采用离线方式，解决了到站时间预测的实效性问题。整个方法提高了到站时间预测的精确性、鲁棒性和实效性。
文档编号G08G1/123GK102074124SQ20111002881
公开日2011年5月25日 申请日期2011年1月27日 优先权日2011年1月27日
发明者刘洋, 朱振兴, 朱衍波, 邢建平, 马振良, 高亮, 黄国俊 申请人:山东大学