一种公交车到站时间测算方法和装置制造方法
【专利摘要】本发明提出了一种公交车到站时间测算方法和装置。该方法包括：将每一条公交运行线路划分为多个运行部，分别建立对应的人工神经网络模型；针对每一个运行部，训练得到其对应的人工神经网络模型的参数值；确定公交车当前位置和目标站之间的所有目标运行部，针对每一个目标运行部，获取其对应的影响因素的当前值，并输入其对应的人工神经网络模型，得到与各个目标运行部对应的各人工神经网络模型的输出值，根据所有输出值得到公交车到达目标站的时间。该装置包括：划分模块，模型建立模块，第一人工神经网络模型处理模块，当前状态处理模块，第二人工神经网络模型处理模块以及测算模块。本发明能够使得测算出的公交车到站时间更为准确。
【专利说明】一种公交车到站时间测算方法和装置
【技术领域】
[0001] 本发明涉及信息处理技术，特别是涉及一种公交车到站时间测算方法和装置。
【背景技术】
[0002] 随着城市智能交通的发展，城市交通运营管理和服务信息化水平已经得到很大提 高，但对于公交系统，公交到站预测仍然是难点和重点，对公交到站的准确预测直接关系到 公交乘客的满意度。
[0003] 目前，在一些城市已经出现了公交到站预测服务，比如，在公交车站旁设立电子屏 幕，显示某一线路的公交车到达当前车站还需经过的车站的数目。但是，公交车距离当前车 站的车站数目，对于用户来说并不直观，用户更希望知道等待时间，即公交车到达当前公交 车站的预计时间。因此，目前应运而生了一种基于人工神经网络来测算公交车到站时间的 方法。
[0004] 在目前基于人工神经网络测算公交车到站时间的方法中，首先建立公交车运行的 历史数据库；然后，采用人工神经网络方法对历史数据进行训练，得出公交车由发车点到达 目标车站的最佳平均行程时间；最后，在实际道路预测中，引入公交车当前在道路上运行的 动态运行信息来修正预先得到的最佳平均行程时间，从而测算出公交车到站的时间。
[0005] 由此可见，在现有技术中，虽然能够利用人工神经网络来测算公交车到站时间，但 是，其测算依据主要是公交车运行的历史数据，公交车当前在道路上运行的动态运行信息 只是用来修正预先测算的到站时间。而目前，道路运行状况越来越复杂和多变，主要依据历 史数据测算到站时间，即使经过修正也仍然会导致测算时间不准确。另外，现有技术中在 进行人工神经网络训练的时候，针对一条公交线路进行一个人工神经网络模型的建立和训 练，没有考虑公交车在运行中的不同道路阶段具有明显差异的特征，也会导致训练结果不 准确，从而使得最终测算的公交车到站时间不准确。
【发明内容】
[0006] 本发明实施例的目的在于提出一种公交车到站时间测算方法和装置，能够使得测 算出的公交车到站时间更为准确。
[0007] 为达到上述目的，本发明实施例公开了一种公交车到站时间测算方法，将每一条 公交运行线路划分为多个运行部，为每一个运行部分别建立对应的人工神经网络模型；针 对每一个运行部，获取其对应的影响公交车到站时间的影响因素的历史值以及该运行部对 应的历史运行时间，并输入其对应的人工神经网络模型，训练后得到其对应的人工神经网 络模型的参数值；该方法还包括：确定公交车当前位置和目标站之间的所有目标运行部， 针对每一个目标运行部，获取其对应的所述影响因素的当前值，并输入其对应的人工神经 网络模型，根据训练得到的人工神经网络模型的参数值，得到与各个目标运行部对应的各 人工神经网络模型的输出值，根据所有输出值得到公交车到达目标站的时间。
[0008] 较佳地，所述将每一条公交运行线路划分为多个运行部包括：将每一条公交车运 行线路上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段，分别划分为一个运 行部；
[0009]和 / 或，
[0010] 所述人工神经网络模型包括：一个输入层、一个隐层和一个输出层，其中，输入层 神经元为所述影响公交车到站时间的影响因素；输出层神经元为时间；隐层神经元的个数 利用如下公式确定：
【权利要求】
1. 一种公交车到站时间测算方法，其特征在于， 将每一条公交运行线路划分为多个运行部，为每一个运行部分别建立对应的人工神经 网络模型；针对每一个运行部，获取其对应的影响公交车到站时间的影响因素的历史值以 及该运行部对应的历史运行时间，并输入其对应的人工神经网络模型，训练后得到其对应 的人工神经网络模型的参数值； 该方法还包括： 确定公交车当前位置和目标站之间的所有目标运行部，针对每一个目标运行部，获取 其对应的所述影响因素的当前值，并输入其对应的人工神经网络模型，根据训练得到的人 工神经网络模型的参数值，得到与各个目标运行部对应的各人工神经网络模型的输出值， 根据所有输出值得到公交车到达目标站的时间。
2. 根据权利要求1所述的公交车到站时间测算方法，其特征在于， 所述将每一条公交运行线路划分为多个运行部包括：将每一条公交车运行线路上的每 一个交叉路口、每一个车站、每两个交叉路口之间的路段，分别划分为一个运行部； 和/或， 所述人工神经网络模型包括：一个输入层、一个隐层和一个输出层，其中，输入层神经 元为所述影响公交车到站时间的影响因素；输出层神经元为时间；隐层神经元的个数利用 如下公式确定
，其中S为隐层神经元个数，a为输入层神经元的个数，b为输 出层神经元的个数，η为1到10之间的整数。
3. 根据权利要求1所述的公交车到站时间测算方法，其特征在于， 所述影响公交车到站时间的影响因素包括：时间段、天气状况、特殊事件、周末节假日、 上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度中的任意一个或多 个。
4. 根据权利要求3所述的公交车到站时间测算方法，其特征在于，所述影响因素的历 史值和所述影响因素的当前值均为归一化数值； 该归一化数值的得到方法包括： 当所述影响因素中包括时间段时，将一天的时间以早、午、晚高峰为分界，分为七个时 间段，分别对应归一化数值为〇. 1，〇. 2,0. 3,0. 4,0. 5,0. 6,0. 7 ; 当所述影响因素中包括天气状况时，极其恶劣对应的归一化数值为〇. 9,恶劣对应的归 一化数值为〇. 5,正常对应的归一化数值为0. 1 ; 当所述影响因素中包括特殊事件时，交通正常对应的归一化数值为〇. 1，影响严重对应 的归一化数值为0. 5,极其严重对应的归一化数值为0. 9 ; 当所述影响因素中包括周末节假日时，周一至周日对应的归一化数值分别为〇. 1至 〇. 7,小长假对应的归一化数值为0. 8,长假对应的归一化数值为0. 9 ; 当所述影响因素中包括上下游路况时，畅通对应的归一化数值为〇. 1，拥堵对应的归一 化数值为〇. 5,严重拥堵对应的归一化数值为0. 9 ; 当所述影响因素中包括车辆距车站位置时，以车辆位置所在的两站之间的距离为分 母，以车辆距离下一个站点的距离为分子，将得到的分数值作为归一化数值； 当所述影响因素中包括车辆在前一段运行过程中晚点的程度时，对应的归一化数值 =0. 5+ (晚点时长*总线路长度)/ (已运行距离*预计完成线路时长*2)，并且，如果公交车 晚点，那么晚点时长为正数，如果公交车提前到达，那么晚点时长为负数；如果归一化数值 计算结果大于1，则取1，小于〇则取〇。
5. 根据权利要求1至4中任意一项所述的公交车到站时间测算方法，其特征在于， 如果公交车当前所在的目标运行部为两个交叉路口之间的第一路段，且位于该第一路 段的中间位置时，所述根据所有输出值得到公交车到达目标站的时间包括： 在得到对应第一路段的人工神经网络模型的第一输出值后，计算第二输出值，第二输 出值=第一输出值X (公交车当前所在位置与该第一路段结束点之间的距离长度/该第一 路段的总长度)，然后将第二输出值作为最终输出值与除第一路段之外其他目标运行部的 人工神经网络模型对应的最终输出值相加，得到公交车到站目标站的时间； 和/或， 如果所述目标站位于两个交叉路口之间的第二路段，且位于该第二路段的中间位置 时，所述根据所有输出值得到公交车到达目标站的时间包括： 在得到对应第二路段的人工神经网络模型的第三输出值后，计算第四输出值，第四输 出值=第三输出值X (目标站所在位置与该第二路段开始点之间的距离长度/该第二路段 的总长度)，将第四输出值作为最终输出值与除第二路段之外其他目标运行部的人工神经 网络模型对应的最终输出值相加，得到公交车到站目标站的时间。
6. -种公交车到站时间测算装置，其特征在于，包括： 划分模块，用于将每一条公交运行线路划分为多个运行部； 模型建立模块，用于为所述每一个运行部分别建立对应的人工神经网络模型； 第一人工神经网络模型处理模块，用于针对每一个运行部，获取其对应的影响公交车 到站时间的影响因素的历史值以及该运行部对应的历史运行时间，并输入其对应的人工神 经网络模型，训练后得到其对应的人工神经网络模型参数； 当前状态处理模块，用于确定公交车当前位置和目标站之间的所有目标运行部，针对 每一个目标运行部，获取其对应的所述影响因素的当前值，并输入其对应的人工神经网络 模型； 第二人工神经网络模型处理模块，用于根据训练得到的人工神经网络模型参数，得到 与各个目标运行部对应的各人工神经网络模型的输出值，并传输至测算模块； 测算模块，用于根据接收到的所有输出值得到公交车到达目标站的时间。
7. 根据权利要求6所述的公交车到站时间测算装置，其特征在于， 所述划分模块具体将每一条公交车运行线路上的每一个交叉路口、每一个车站、每两 个交叉路口之间的路段，分别划分为一个运行部； 和/或， 所述模型建立模块建立包括一个输入层、一个隐层和一个输出层的所述人工神经网络 模型，其中，输入层神经元为所述影响公交车到站时间的影响因素；输出层神经元为时间； 隐层神经元的个数利用如下公式确定
其中S为隐层神经元个数，a为输入 层神经元的个数，b为输出层神经元的个数，η为1到10之间的整数。
8. 根据权利要求6所述的公交车到站时间测算装置，其特征在于， 所述第一人工神经网络模型处理模块获取如下影响公交车到站时间的影响因素：时间 段、天气状况、特殊事件、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行 过程中晚点程度中的任意一个或多个。
9. 根据权利要求8所述的公交车到站时间测算装置，其特征在于，所述第一人工神经 网络模型处理模块包括第一归一化子模块，用于获取归一化数值的影响因素的历史值； 所述第二人工神经网络模型处理模块包括第二归一化子模块，用于获取归一化数值的 影响因素的当前值； 所述第一归一化子模块和第二归一化子模块通过以下方式获取归一化数值： 当所述影响因素中包括时间段时，将一天的时间以早、午、晚高峰为分界，分为七个时 间段，分别对应归一化数值为〇. l，〇. 2,0. 3,0. 4,0. 5,0. 6,0. 7 ; 当所述影响因素中包括天气状况时，极其恶劣对应的归一化数值为〇. 9,恶劣对应的归 一化数值为〇. 5,正常对应的归一化数值为0. 1 ; 当所述影响因素中包括特殊事件时，交通正常对应的归一化数值为〇. 1，影响严重对应 的归一化数值为0. 5,极其严重对应的归一化数值为0. 9 ; 当所述影响因素中包括周末节假日时，周一至周日对应的归一化数值分别为〇. 1至 〇. 7,小长假对应的归一化数值为0. 8,长假对应的归一化数值为0. 9 ; 当所述影响因素中包括上下游路况时，畅通对应的归一化数值为〇. 1，拥堵对应的归一 化数值为〇. 5,严重拥堵对应的归一化数值为0. 9 ; 当所述影响因素中包括车辆距车站位置时，以车辆位置所在的两站之间的距离为分 母，以车辆距离下一个站点的距离为分子，将得到的分数值作为归一化数值； 当所述影响因素中包括车辆在前一段运行过程中晚点的程度时，对应的归一化数值 =0. 5+ (晚点时长*总线路长度)/(已运行距离*预计完成线路时长*2)，并且，如果公交车 晚点，那么晚点时长为正数，如果公交车提前到达，那么晚点时长为负数；如果归一化数值 计算结果大于1，则取1，小于〇则取〇。
10. 根据权利要求6至9中任意一项所述的公交车到站时间测算装置，其特征在于， 所述第二人工神经网络模型处理模块进一步包括第一修正子模块，用于在公交车当前 所在的目标运行部为两个交叉路口之间的第一路段，且位于该第一路段的中间位置时，在 得到对应该第一路段的人工神经网络模型的第一输出值后，计算第二输出值，第二输出值= 第一输出值X (公交车当前所在位置与该第一路段结束点之间的距离长度/该第一路段的 总长度）；将该第二输出值作为该第一路段的人工神经网络模型对应的最终输出值传输至 测算模块； 和/或， 所述第二人工神经网络模型处理模块进一步包括第二修正子模块，用于在目标站位于 两个交叉路口之间的第二路段，且位于该第二路段的中间位置时，在得到对应第二路段的 人工神经网络模型的第三输出值后，计算第四输出值，第四输出值=第三输出值X(目标站 所在位置与该第二路段开始点之间的距离长度/该第二路段的总长度)，将该第四输出值作 为该第二路段的人工神经网络模型对应的最终输出值传输至测算模块； 和/或， 所述测算模块用于将接收到的所有输出值相加，得到公交车到达目标站的时间。
【文档编号】G08G1/123GK104217605SQ201310214542
【公开日】2014年12月17日 申请日期:2013年5月31日 优先权日:2013年5月31日
【发明者】张伟伟, 陈耀伟 申请人:张伟伟, 陈耀伟