模型，能够较为准确 地预测公交车在站点的停靠时间。
[0043]本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0044]为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用 的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本 领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他 的附图。
[0045] 图1为本发明实施例一提供的一种基于回归拟合的公交站点停靠时间预测方法的 处理流程图；
[0046] 图2为本发明实施例一提供的一种上车时间与上车人数关系的散点图；
[0047] 图3为本发明实施例一提供的一种下车时间与下车人数关系的散点图；
[0048]图4为本发明实施例提供的一种车内乘客密度状态对上车时间的影响示意图；
[0049] 图5为本发明实施例提供的一种车内乘客密度状态对下车时间的影响示意图；
[0050] 图6为本发明实施例提供的一种不同车门数与下车时间的对比示意图；
[0051] 图7为本发明实施例提供的一种停靠站时间与用时最长车门乘客上下车时间关系 示意图。
【具体实施方式】
[0052] 下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始 至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参 考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0053] 本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式"一"、"一 个"、"所述"和"该"也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措 辞"包括"是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加 一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元 件被"连接"或"耦接"到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在 中间元件。此外，这里使用的"连接"或"耦接"可以包括无线连接或耦接。这里使用的措辞 "和/或"包括一个或更多个相关联的列出项的任一单元和全部组合。
[0054] 本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术 语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该 理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意 义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0055] 为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步 的解释说明，且各个实施例并不构成对本发明实施例的限定。
[0056] 本发明实施例基于对北京市六环内各方向23条公交线路不同站点的现状数据采 集，提出了一种公交站点停靠时间预测模型，即利用上下车客流量就可预测公交车在站点 的停靠时间。首先分析了上下车人数、车内拥挤度、车门数及公交车上台阶数等影响因素对 公交停靠时间的影响程度。根据分析结果，排除台阶数对停靠时间的影响。其中，由于目前 北京市公交车有两种车型:两门车与三门铰接车。三门铰接车与两门车的停靠时间有着一 定的差异，通过回归拟合，得到三门车公交下车客流分配关系。
[0057] 本发明实施例在建立乘客上下车时间预测模型时，选择上下车人数及车内拥挤度 两个因素作为自变量，得到不同拥挤情况下乘客上下车时间与上下车人数之间的关系式。 继续通过回归拟合，得到用时最长的车门处，乘客上下车时间与站点停靠时间的关系。最 后通过多种函数比较，选取二次函数作为公交站点停靠时间预测模型。
[0058]该实施例提供了一种基于回归拟合的公交站点停靠时间预测方法的处理流程如 图1所示，图1所示的流程图中左边虚线框部分为公交车停靠时间影响因素分析。
[0059]通过分析上下车人数、车内拥挤度、车门数、台阶数及售票方式等五个因素对公交 停靠时间的影响程度，选择影响作用显著的因素来进一步研究。经过数据分析，最后考虑上 下车人数、车内拥挤度、车门数三个因素为公交站点停靠时间影响因子。以下是各因素分析 过程：
[0060] ①上下车人数
[0061] 通过数据整理，得到566组有效数据，基于该有效数据分析上车时间与上车人数关 系的散点图如图2所示，分析下车时间与下车人数关系的散点图如图3所示。
[0062] 由以上图2和图3可看出，上下车时间随上下车人数的增多呈增长趋势。其中上车 过程数据较离散，时间随机性较大，这是因为在上车过程中可能存在部分乘客耗时过多等 现象。而从下车时间与下车人数散点图可看出，下车过程中数据较上车明显集中，且更有规 律性，这是因为大部分乘客下车前已做好准备，大部分乘客在15秒内完成下车。上下车人数 这一因素对停靠时间影响较大。
[0063] ②车内拥挤度
[0064] 公交车内乘客密度状态对乘客上下车时间有一定的影响。若车内乘客较少，则乘 客上车后在车内行走较快，单位乘客上车时间会较短，同样，乘客下车也较快;但在车内较 拥挤时，乘客上下车受阻大，出入均比较耗时。本发明实施例将公交车内乘客密度状态分为 两种情况:一是车内非拥挤状态，乘客上下车基本不受来自其他乘客的阻力；二是车内乘 客密度状态，站立乘客较多，上下车较困难。
[0065] 本发明实施例提供的一种车内乘客密度状态对上车时间的影响示意图如图4所 示，本发明实施例提供的一种车内乘客密度状态对下车时间的影响示意图如图5所示，由图 4和图5可看出，拥挤状态下上车时间和下车时间均明显高于非拥挤状态，所以在研究中应 充分考虑拥挤度这一因素对公交站点停靠时间的影响。
[0066] ③车门数
[0067]本发明实施例提供的一种不同车门数与下车时间的对比示意图6所示。目前北京 市有两种公交车型，双门车为前门上车，后门下车;三门车为中门上车，前后门下车。当下车 人数相同时，两门车和三门车下车时间是有差异的。
[0068]④台阶数
[0069] 台阶数指公交车门上下车台阶个数。目前北京市公交车辆台阶个数情况有:无台 阶、一个台阶和两个台阶。理论上来说，台阶个数越多，乘客上下车时间也就越多，台阶个数 对上下车时间影响并不大，一种台阶个数对上车时间、下车时间的影响如下表所示：
[0070]
[0071] ⑤售票方式
[0072] 目前北京市公交都设有一卡通刷卡机，所以售票方式对乘客上下车时间影响不 大。
[0073] 图1所示的流程图的右边虚线框部分为公交站点停靠时间预测部分
[0074] ①上下车客流预测。直接利用已有预测方法来预测客流，比如，基于数据挖掘的动 态公交客流0D获取方法研究等。
[0075]②公交车型判断。
[0076]当公交车为两门车，则打后=打，直接进行第三步；
[0077] 当公交车为三门车，则进行下车客流分配，分配方法如下：
[0078] Pf后=0.5461 XPf-0.0741
[0079] Pnt=PT_Pre
[0080] 式中，Ρτ -下车总人数；
[0081] 前门下车人数；
[0082] Pf后一后门下车人数。
[0083] ③乘客上下车时间预测
[0084] 首先根据车内人数进行车内乘客密度状态划分，将车内乘客密度状态划分为拥挤 状态或非拥挤状态。
[0085] 选定应用于乘客上、下车时间回归拟合过程的多种模型函数，选定进行乘客上、下 车时间回归拟合运算的拟合软件，以每个车门的上、下车人数、车内乘客密度状态为自变 量，以每个车门的乘客上、下车时间为因变量，在所述拟合软件中输入所述自变量和所述因 变量，依次选取所述多种模型函数中的每种模型函数，分别针对所述自变量和所述因变量 进行回归拟合运算，得到每种乘客密度状态下每种模型函数下的所述自变量与所述因变量 之间的关系式，以及每个模型函数的拟合优度值。
[0086] 分别针对每种乘客密度状态，将各种模型函数的拟合优度值进行比较，选择拟合 优度值最高的模型函数，将拟合优度值最高的模型函数下的所述自变量与所述因变量之间 的关系式确定为该种乘客密度状态下最终的每个车门的上、下车人数与每个车门的乘客 上、下车时间之间的关系式。
[0087]本发明实施例采用五种非线性函数，即多项式函数、对数函数、幂函数、指数函数 以及S-型曲线等的回归模型集合来研究上、下车时间与上、下车人数、车内乘客密度状态之 间的关系，以上、下车人数、车内乘客密度状态为自变量，以上、下车时间为因变量，利用 SPSS(Statistical Product