一种基于网络的公交车到站时间预测方法
【专利摘要】本发明公开了一种基于网络的公交车到站时间预测方法，基于城市的交通状况将交通数据进行综合，将其量化为影响因子来对交通状况进行量化，然后将量化的交通状况组成数据库，成为本发明预测公交时间到站的所有程序的基石，通过BP神经网络方法得出公交车到站的最佳平均时间，这样就能得出公交车最佳到站时间，这样得出的数据就能够极大方便人们的出行。
【专利说明】
一种基于网络的公交车到站时间预测方法
技术领域
[0001] 本发明属于网络技术领域，特别涉及一种基于网络的公交车到站时间预测方法。
【背景技术】
[0002] 在同一条公交线路中主干道、次干道、环线路段等不同道路条件会影响公交车辆 的运行速度;雨、雪、沙尘、大雾等天气变化也会不可避免地延缓车辆的达到时间。由于电子 站牌仅在部分重要车站设立，因此，公交车辆到达下一设立电子站牌的站点前总的行程时 间可以分为下列几个部分:车辆以行驶速度通过路段的平均行驶时间；在下游交叉口处因 信号灯控制影响的排队延误时间；车辆通过该交叉口的通过时间；在预测站点的前几个站 点因乘客上下车而停歇的时间；在预测站点的前几个站点因车辆进出车站减速和加速而损 失的时间。因此，在公交车辆到站时间预测过程中，算法需要充分考虑上述各种因素的影 响，运用适当的误差补偿手段，从而最大限度提高车辆到达时间的预测精度。
[0003] 综上，本发明通过将影响交通到站时间的各项因素综合考虑，基于网络将各项因 素量化来得出最佳的到站时间，大大提高了公交车到站时间预测的精度。
【发明内容】
[0004] 本发明所要解决的问题是提供一种基于网络的公交车到站时间预测方法。
[0005] 为了实现上述目的，本发明采取的技术方案为： 一种基于网络的公交车到站时间预测方法，包括如下步骤： (1) 首先建立公交车运行状态的历史数据库； (2) 采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处 的最佳平均行程时间； (3) 引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间； 优选的，所述步骤（1)历史数据库建立过程如下：公交车在运行过程中，向总调度监控 中心上传运行状态信息，包括不同时段公交车站间的行程时间、交叉口数量、客流量、线路 长度、天气条件以及乘客满意度信息，总调度监控中心以天为单位将信息按照高峰小时、平 峰、夜间进行分类整理后存储，同时更新历史数据库。
[0006] 优选的，所述步骤(2)BP神经网络方法采用三层结构的BP神经网络，其中输入层为 影响行程时间主要因素，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个 数和输出神经元个数决定，通常采用以下公式获得:L = Nm/(n+m)，其中m和n为输出、输入神 经元数，L为隐层神经元数，N为样本容量。
[0007] 优选的，所述步骤(3)修正最佳平均行程时间包括以下步骤： 1) 监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置； 2) 监控中心判断车辆实际位置与预计到达位置之间距离是否大于50m，若为是，执行步 骤3)，若为否执行步骤4); 3) 监控中心修正预测时间，并将预测时间信息发送给电子站牌，电子站牌对其进行显 示； 4) 监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送"路段 拥堵，公交车到达将稍延后"信息给电子站牌，电子站牌对其进行显示，并执行步骤5)，若为 否，则返回步骤1); 5) 监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电子站 牌，电子站牌对其进行显示； 6) 车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤1)，若为否，电子站牌显 示"车辆到站"信息。
[0008] 优选的，所述步骤(2)BP神经网络的输入层中影响行程时间主要因素包括考察时 段、客流量、交叉口数量、路线长度、天气情况以及乘客满意度。
[0009] 优选的，所述步骤(3)修正最佳平均行程时间的步骤3)中监控中心按100m来修正 预测时间。
[0010] 有益效果:本发明提供了 一种基于网络的公交车到站时间预测方法，基于城市的 交通状况将交通数据进行综合，将其量化为影响因子来对交通状况进行量化，然后将量化 的交通状况组成数据库，成为本发明预测公交时间到站的所有程序的基石，通过BP神经网 络方法得出公交车到站的最佳平均时间，这样就能得出公交车最佳到站时间，这样得出的 数据就能够极大方便人们的出行。
【具体实施方式】
[0011] 实施例1: 一种基于网络的公交车到站时间预测方法，其加工工艺包括如下步骤： (1) 首先建立公交车运行状态的历史数据库，历史数据库建立过程如下:公交车在运行 过程中，向总调度监控中心上传运行状态信息，包括不同时段公交车站间的行程时间、交叉 口数量、客流量、线路长度、天气条件以及乘客满意度信息，总调度监控中心以天为单位将 信息按照高峰小时、平峰、夜间进行分类整理后存储，同时更新历史数据库； (2) 采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处 的最佳平均行程时间，BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响行 程时间主要因素，包括考察时段、客流量、交叉口数量、路线长度、天气情况以及乘客满意 度，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数 决定，通常采用以下公式获得:L = Nm/(n+m)，其中m和n为输出、输入神经元数，L为隐层神经 元数，N为样本容量； (3) 引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间，修 正最佳平均行程时间包括以下步骤： 1) 监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置； 2) 监控中心判断车辆实际位置与预计到达位置之间距离是否大于50m，若为是，执行步 骤3)，若为否执行步骤4); 3) 监控中心按100m来修正预测时间，并将预测时间信息发送给电子站牌，电子站牌对 其进行显示； 4) 监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送"路段 拥堵，公交车到达将稍延后"信息给电子站牌，电子站牌对其进行显示，并执行步骤5)，若为 否，则返回步骤1); 5) 监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电子站 牌，电子站牌对其进行显示； 6) 车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤1)，若为否，电子站牌显 示"车辆到站"信息。
[0012] 经过以上工艺后，分别取出样品，测量结果如下：
根据上述表格数据可以得出，当实施例1实施基于网络的公交车到站时间预测方法，预 测的成功率为93.2%，与实际时间误差为2.5min，执行出错率为0.5%。，执行精度为0.001，而 现有技术标准方法预测的成功率为84.7%，与实际时间误差为3.2min，执行出错率为0.8% 〇， 执行精度为0.010,这表明本发明基于网络的公交车到站时间预测方法，预测成功率高，与 实际到站时间误差小，执行的出错率低，执行的精度高，因此本发明具有显著的优越性。
[0013]本发明提供了一种基于网络的通过人脸识别性别的方法，基于城市的交通状况将 交通数据进行综合，将其量化为影响因子来对交通状况进行量化，然后将量化的交通状况 组成数据库，成为本发明预测公交时间到站的所有程序的基石，通过BP神经网络方法得出 公交车到站的最佳平均时间，这样就能得出公交车最佳到站时间，这样得出的数据就能够 极大方便人们的出行。
[0014]以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发 明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领 域，均同理包括在本发明的专利保护范围内。
【主权项】
1. 一种基于网络的公交车到站时间预测方法，其特征在于，其制备工艺包括： (1) 首先建立公交车运行状态的历史数据库； (2) 采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处 的最佳平均行程时间； (3 )引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间。2. -种加工权利要求1所述的基于网络的公交车到站时间预测方法，其特征在于:所述 步骤（1)历史数据库建立过程如下：公交车在运行过程中，向总调度监控中心上传运行状态 信息，包括不同时段公交车站间的行程时间、交叉口数量、客流量、线路长度、天气条件以及 乘客满意度信息，总调度监控中心以天为单位将信息按照高峰小时、平峰、夜间进行分类整 理后存储，同时更新历史数据库。3. -种加工权利要求1所述的基于网络的公交车到站时间预测方法，其特征在于:所述 步骤(2)BP神经网络方法采用三层结构的BP神经网络，其中输入层为影响行程时间主要因 素，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元个数 决定，通常采用以下公式获得:L = Nm/(n+m)，其中m和η为输出、输入神经元数，L为隐层神经 元数，N为样本容量。4. 一种加工权利要求1所述的基于网络的公交车到站时间预测方法，其特征在于:所述 步骤(3)修正最佳平均行程时间包括以下步骤： 1) 监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置； 2) 监控中心判断车辆实际位置与预计到达位置之间距离是否大于50m，若为是，执行步 骤3)，若为否执行步骤4); 3) 监控中心修正预测时间，并将预测时间信息发送给电子站牌，电子站牌对其进行显 示； 4) 监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送"路段 拥堵，公交车到达将稍延后"信息给电子站牌，电子站牌对其进行显示，并执行步骤5)，若为 否，则返回步骤1); 5) 监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电子站 牌，电子站牌对其进行显示； 6) 车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤1)，若为否，电子站牌显 示"车辆到站"信息。5. 根据加工权利要求3所述的基于网络的公交车到站时间预测方法，其特征在于:所述 步骤（2)BP神经网络的输入层中影响行程时间主要因素包括考察时段、客流量、交叉口数 量、路线长度、天气情况以及乘客满意度。6. 根据加工权利要求4所述基于网络的公交车到站时间预测方法，其特征在于:所述步 骤(3 )修正最佳平均行程时间的步骤3 )中监控中心按I OOm来修正预测时间。
【文档编号】G08G1/127GK105894848SQ201610484654
【公开日】2016年8月24日
【申请日】2016年6月29日
【发明人】董雄飞
【申请人】合肥民众亿兴软件开发有限公司