一种公交专用道上的公交车车路段运行时间预测方法
【专利摘要】本发明涉及一种公交专用道上的公交车车路段运行时间预测方法，它通过核函数将输入向量映射到一个高维的空间中，并在该高维空间解决回归函数的学习过程，从而将非线性问题转化为线性问题，显著提高了公交专用道上的公交车车行程时间预测的精度；另外通过将基本核函数加权相加获取组合核函数，保留了不同核函数的特性，可以更好地处理不同类型的数据输入，使得该模型有更强的鲁棒性，推进了智能交通的建设进程，对公交专用道上的公交车系统的优化调度以及乘客出行的便利都具有深远的影响。因此，本发明可以广泛用于公交车专用道上的公交车车路段运行时间预测领域。
【专利说明】一种公交专用道上的公交车车路段运行时间预测方法
【技术领域】
[0001] 本发明涉及一种时间预测方法，特别是关于一种公交专用道上的公交车车路段运 行时间预测方法。
【背景技术】
[0002] 公交专用道是在道路通行条件许可、交通拥挤的重要路段，通过标志、标线等划出 一条或几条车道，全天候或分时段限制其他车辆的通行，供公交车专用。APTS(Advanced PublicTransportationSystem，先进的公共交通系统）和ATIS(AdvancedTraveler InformationSystem，先进的出行者信息系统）是ITS(IntelligentTransportSystem， 智能交通系统）的两大核心子系统，准确合理地预测公交专用道上的公交车运行时间对于 ATIS来说，可以提供有效的出行信息，从而让乘客合理安排自己的出行计划，提高公交车服 务质量，对于APTS来说，可以让运营者采取适当的措施来调整运营计划，有效进行运营管 理。因此，准确合理的预测公交专用道上的公交车车运行时间是ITS最为关键的组成部分， 对于提升公交专用道上的公交车服务水平，增强公交车出行吸引力度，缓解城市交通拥堵 以及改善人居出行状况都具有重要意义。
[0003] 公交专用道上的公交车车运行时间受到很多随机因素的影响，例如：天气、交通状 况以及客流的变化等，公交车的运行状况与这些因素之间存在着非常复杂的关系，因此很 难应用数学模型进行准确的标定和预测。现有的用于公交专用道上的公交车车路段运行时 间预测的神经网络算法由于结构确定、过学习和欠学习以及局部收敛等问题，使神经网络 算法的精度并不高，而另一种预测方法-SVM(SupportVectorMachine,标准支持向量 机）的精度过度依赖核函数的选择，且目前没有成熟的理论对此进行指导，导致其鲁棒性 较差，在实际应用中常常得不到较好的预测结果。而多重核学习支持向量机能将多个基本 核函数通过加权相加的形式得到组合核函数，避免了核函数选择的盲目性，降低了对核函 数选择的依赖，提高了预测的鲁棒性。
【发明内容】
[0004] 针对上述问题，本发明采用提供了一种公交专用道上的公交车车路段运行时间预 测方法。
[0005] 为实现上述目的，本发明采取以下技术方案：一种公交专用道上的公交车车路段 运行时间预测方法，它包括以下步骤：1)采集公交车专用道上的公交车运行线路信息、公 交车车辆运行信息以及公交车GPS运行数据；2)根据得到的公交车专用道上的公交车运行 线路信息、公交车车辆运行信息与公交车GPS运行数据，获取公交车车辆在各个路段之间 的运行时间，并对运行时间进行归一化处理；3)选取若干基本核函数建立初步的多重核学 习支持向量机预测模型，并计算每一核函数所占的权重；4)采用步骤2)中所得数据训练初 步的多重核学习支持向量机预测模型，获得多重核学习支持向量机预测模型；5)针对多重 核学习支持向量机预测模型进行测试，采用均方根误差RMSE评价测试结果，若不满意，则 返回步骤3)重新选取基本核函数，构建初步的多重核学习支持向量机预测模型；若测试结 果满意，则进入下一步；6)针对道路系统中任意一条线路中公交车车辆站点间运行时间， 采用多重核学习支持向量机预测模型进行预测，得到相应的运行时间预测值。
[0006] 所述步骤1)中，公交专用道上的公交车运行线路信息包括公交车运行线路里程、 公交车站点位置以及站点个数和线路情况；公交车车辆运行信息包括公交车发车间隔、公 交车客流高峰时段、公交车车辆运行时的天气状况和道路交通状况；公交车GPS运行数据 包括公交车站点名称、公交车车辆车牌编号、公交车车辆班次编号、公交车车辆发车时刻、 公交车车辆驶入站点和驶离站点时刻。
[0007] 所述步骤2)中，根据公交车GPS运行数据，得到车辆经过任意路段的两个端点的 时刻，将这两个端点的时刻相减，得到该路段上公交车车辆的运行时间，并将运行时间进行 归一化，其归一化公式为：
[0008]
【权利要求】
1. 一种公交专用道上的公交车车路段运行时间预测方法，它包括以下步骤： 1) 采集公交车专用道上的公交车运行线路信息、公交车车辆运行信息以及公交车GPS 运行数据； 2) 根据得到的公交车专用道上的公交车运行线路信息、公交车车辆运行信息与公交车 GPS运行数据，获取公交车车辆在各个路段之间的运行时间，并对运行时间进行归一化处 理； 3) 选取若干基本核函数建立初步的多重核学习支持向量机预测模型，并计算每一核函 数所占的权重； 4) 采用步骤2)中所得数据训练初步的多重核学习支持向量机预测模型，获得多重核 学习支持向量机预测模型； 5) 针对多重核学习支持向量机预测模型进行测试，采用均方根误差RMSE评价测试结 果，若不满意，则返回步骤3)重新选取基本核函数，构建初步的多重核学习支持向量机预 测模型；若测试结果满意，则进入下一步； 6) 针对道路系统中任意一条线路中公交车车辆站点间运行时间，采用多重核学习支持 向量机预测模型进行预测，得到相应的运行时间预测值。
2. 如权利要求1所述的一种公交专用道上的公交车车路段运行时间预测方法，其特征 在于：所述步骤1)中，公交专用道上的公交车运行线路信息包括公交车运行线路里程、公 交车站点位置以及站点个数和线路情况；公交车车辆运行信息包括公交车发车间隔、公交 车客流高峰时段、公交车车辆运行时的天气状况和道路交通状况；公交车GPS运行数据包 括公交车站点名称、公交车车辆车牌编号、公交车车辆班次编号、公交车车辆发车时刻、公 交车车辆驶入站点和驶离站点时刻。
3. 如权利要求1所述的一种公交专用道上的公交车车路段运行时间预测方法，其特征 在于：所述步骤2)中，根据公交车GPS运行数据，得到车辆经过任意路段的两个端点的时 亥IJ，将这两个端点的时刻相减，得到该路段上公交车车辆的运行时间，并将运行时间进行归 一化，其归一化公式为：
其中，丨.为归一化后的公交车车辆运行时间值，Si为原始公交车车辆运行时间数值， Smin为样本序列中公交车车辆运行时间的最小值，Smax为样本序列中公交车车辆运行时间的 最大值。
4. 如权利要求2所述的一种公交专用道上的公交车车路段运行时间预测方法，其特征 在于：所述步骤2)中，根据公交车GPS运行数据，得到车辆经过任意路段的两个端点的时 亥IJ，将这两个端点的时刻相减，得到该路段上公交车车辆的运行时间，并将运行时间进行归 一化，其归一化公式为：
其中，卩为归一化后的公交车车辆运行时间值，Si为原始公交车车辆运行时间数值， Smin为样本序列中公交车车辆运行时间的最小值，Smax为样本序列中公交车车辆运行时间的 最大值。
5. 如权利要求1或2或3或4所述的一种公交专用道上的公交车车路段运行时间预测 方法，其特征在于：所述步骤4)中包括以下内容：将步骤2)中的由天气、时间段、路段、当 前路段上的运行时间、下一路段的运行时间5个变量构成的输入向量Xi和对应的公交车路 段运行时间Yi组成的样本数据分成训练样本和测试样本，并选取70%作为训练样本，其余 30 %用来检验训练结果的测试样本。
6. 如权利要求5所述的一种公交专用道上的公交车车路段运行时间预测方法，其特征 在于：所述步骤6)包括以下内容： ① 若此辆车是第一辆车，采用只包含时间段X1，天气X2和路段.?匕i+1三个变量构成三维 输入向量，用多重核学习支持向量机预测模型来预测各路段的虚拟的最新运行时间；当车 辆驶过以后，更新各路段的最新运行时间，作为下一辆公交车车的输入变量； ② 若此车不是第一辆车，则将时间段X1、天气X2和路段￥^+1、当前路段的运行时间 、下一路段最新的运行时间这五个变量作为输入变量，输入到多重核学习支持 向量机预测模型里；输出公交车车辆站点间运行时间预测值yk+1。
【文档编号】G08G1/00GK104318757SQ201410609740
【公开日】2015年1月28日 申请日期:2014年11月3日 优先权日:2014年11月3日
【发明者】于滨, 冮龙辉, 李婷, 竺寒冰 申请人:大连海事大学