本发明属于智能交通信息处理技术领域，具体地说是一种基于概率模型的公交车辆旅行时间建模方法。
背景技术：
目前，面对不断增大的城市交通需求、道路拥堵、空气污染、以及有限的土地资源，许多城市开始推行“公交都市”的出行理念，“公交都市”即通过提升城市公共交通服务水平，鼓励人们减少私家车出行，转而选择城市公共交通出行。公交车辆旅行时间可靠性是公共交通服务水平的核心要素，一方面，旅行时间可靠性是吸引出行者选择公交出行的重要因素，旅行时间预测也是智能乘客服务系统的重要组成部分，如准点率预测、延误时间预测和到达时间预测等；另一方面，旅行时间预测是公交运营的重要指标，准确的旅行时间预测可以帮助公交公司提前制定应对措施，提升公交系统运营效率，减少运营成本。
在旅行时间预测方面，现有技术主要专注于私家车旅行时间可靠性和波动的预测，如动态路径规划、预计到达时间估计等，分析基础为道路路段或路径。然而，公交车辆旅行时间与私家车旅行时间显著不同，除路段旅行时间外，公交车辆旅行时间还受到乘客上车行为(即站台停靠时间)的影响，当站台停靠时，公交车辆需要排队进入站台、等待乘客上下车以及从站台驶入主干道，这些过程都是公交旅行时间的重要组成部分，且涉及到同站台多线路公交车的交互行为。
此外，现有技术主要通过OLS(普通最小二乘法)、SVR(支持向量回归)、神经网络和深度学习等模型预测私家车旅行时间，得到结果为预测值；对公交车辆旅行时间分析而言，这些预测技术不能分析公交旅行时间波动的大小和原因，不能分析乘客的上车行为，不能考虑同站台间多线路公交车的交互行为。
技术实现要素：
本发明的目的为克服上述现有技术的不足，提供一种基于概率模型的公交车辆旅行时间建模方法，以分析在不同交通状态和乘客需求状态下公交旅行时间的可靠性。
本发明提供的一种基于概率模型的公交车辆旅行时间建模方法，具体步骤如下：
步骤1，采集待研究线路所有公交车辆的运营数据，包括：从起点站驶出时间、到达各中间站台时间、驶出各中间站台时间、到达终点站时间以及各站台上车人数；
步骤2，利用偏移lognormal分布对站台间路段旅行时间进行拟合；
步骤3，对公交车辆进入站台的过程进行建模，该过程为：排队进入站台、等待乘客上下车、从站台驶入主干道；对排队进入站台建模为一个先进先出(FIFO)队列，考虑了同站台的多线路公交车辆的交互行为；根据乘客上下车人数计算乘客上下车耗时；用正态分布拟合公交车辆从站台驶入主干道的时间。获取公交车辆站台停靠时间，公交车辆站台停靠时间为排队时间乘客上下车时间tb和驶入主干道时间β之和。
步骤4，根据步骤2和步骤3得到的路段旅行时间和站台停靠时间，计算公交车辆的路线旅行时间，并分析旅行时间的分布、期望、方差和可靠性。
公交车辆的路线旅行时间T为所有的路段旅行时间和所有的站台停靠时间之和，表示为：
其中，IR为待研究线路的所有路段，SR为待研究线路的所有公交站台，ti为公交车辆在路段i上的旅行时间，ts为公交车辆在站台s的停靠时间。
相对于现有技术，本发明的优点和积极效果在于：
(1)与私家车旅行时间预测方法不同，本发明方法不仅考虑了路段旅行时间，还考虑了公交车辆站台停靠时间，这使对公交车辆旅行时间预测更加适用。
(2)本发明通过概率模型对公交旅行时间建模，采用概率建模方法分析了路段旅行时间和乘客上车行为对旅行时间的影响，同站台间多线路公交车辆交互行为，并得到旅行时间的概率分析，除预测功能外，还能够分析旅行时间波动的原因，分析旅行时间可靠性，这对提升公共交通服务水平和运营效率至关重要。
(3)本发明对公交车停靠站台过程进行建模，分析了同站台多线路公交车的交互作用，这是其他预测方法没能考虑的。
附图说明
图1为本发明的公交车辆旅行时间建模方法的流程示意图；
图2为本发明方法为公交车辆站台停靠建模的示意图；
图3为实施例中公交线路示意图；
图4为实施例中模型拟合结果示意图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提供一种基于概率模型的公交车辆旅行时间建模方法，流程如图1所示，包括如下步骤：
步骤1)数据采集及处理。所用数据包含公交IC卡刷卡数据和公交车GPS数据，对所要研究线路所有运营公交车辆提取以下信息：从起点站驶出时间、到达各中间站台时间、驶出各中间站台时间、到达终点站时间、各站台上车人数。为研究同站台多线路公交车的交互情形，还需要经过所有中间站台的不同线路公交车辆运营状态，所需提取信息同上。
步骤2)计算站台间路段旅行时间。首先，用偏移lognormal分布对站台间的路段旅行时间进行拟合，lognormal分布能够拟合路段旅行时间分布峰值前移的情形，且增加的偏移量能够刻画公交车辆路段平均旅行时间。
假定站台间路段旅行时间服从偏移lognormal分布，站台间路段旅行时间可计算为：
ti＝λi+exp(μi+σizi) (1)
其中，ti表示公交车辆在路段i上的旅行时间，i为正整数；λi表示该路段的畅通行驶时间，为分布偏移量；exp(μi+σizi)表示超出畅通行驶时间的部分，服从lognormal分布，其中μi、σi分别为超出行驶时间的均值和方差，zi为标准正态分布。根据上式，可得路段i旅行时间期望E(ti)和方差Var(ti)分别为：
步骤3)排队进入站台时间建模。如图2所示，当公交车辆驶入站台时，可能存在其他线路公交车辆正在站台中上客或下客，此时需要等待其他线路公交车辆上下客完成并驶出站台时，该公交车辆才能进入站台，该过程可描述为一个先进先出队列。
设站台序号为s∈SR，SR为待研究线路的公交站台集合，s为正整数；设除待研究线路外其他所有驶过该站台s的公交线路的集合为Ls，当待研究线路的公交车辆驶入站台s时来自线路l的公交车辆也在队列中的概率pls服从如下所示的贝努利分布：
其中，为根据运营经验得到的两线路公交车辆相遇概率，Ms为待研究线路与线路l的公交车在站台s的相遇次数，Ns为待研究线路的公交车辆驶过站台s的次数，为参数为1,的贝努利分布。则公交车辆排队等候的时间为：
其中tls为线路l公交车辆在站台s的上下客时间和驶出站台时间之和。
步骤4)乘客上下车耗时计算。假定每个人上下公交车辆花费时间α，则公交车辆上下客时间取决于上客和下客的最大人数，因此上下客时间tb可计算为
其中分别为下车和上车的人数。
步骤5)公交车辆驶入主干道时间拟合。根据以往的研究结论，本发明用正态分布拟合公交车驶入主干道的时间β，如下：
其中μm是公交车辆驶入主干道的平均时间，σm为该时间的方差。
步骤6)公交车辆站台停靠时间汇总。如图2所示，公交车辆站台停靠时间为排队时间、乘客上下车时间和驶入主干道时间之和，在排队时间计算过程中考虑了同站台多线路公交车辆的交互行为，乘客上下车时间考虑了乘客上车行为，在驶入主干道部分考虑了公交车辆与主干道车辆的交互行为，公交车辆总停靠时间ts可计算如下：
站台停靠时间的期望和方差分别为
步骤7)公交车辆路线旅行时间拟合。路线旅行时间T为路段旅行时间TL和站台停靠时间TS之和，传统私家车旅行时间预测方法主要考虑了路段旅行时间，因此不能分析公交车辆的站台停靠行为。
其中，IR为所研究线路的所有路段，SR为所研究线路的所有公交站台。
路线旅行时间期望和方差分别为
其中，ρij表示路段i和路段j的旅行时间相关系数，设路段i和路段j的速度向量分别为Xi和Xj，则ρij可表示为：
实施例
下面结合一个如图3所示的实例来说明本发明基于概率模型的公交车辆旅行时间建模方法，具体如下：
1)、数据采集。如图3所示，选择2017.05.01到2017.05.31杭州68路上行公交线路作为研究对象，68路共计11站台，全长11.73公里。提取68路的所有IC卡刷卡记录和GPS记录，IC卡刷卡记录包含字段：卡号、刷卡时间、线路ID、车载机ID，GPS数据包含以下字段：车载机ID、时间、经度、纬度、驶出站台标识、到达站台标识。同时提取所有经过68路中间站台的公交线路数据，数据格式如上。
2)、提取到离站时间和上车人数。到站时间计算为第一次出现到达站台标识的时间；离站时间为第一次出现离站标识的时间；上车人数为两个连续站台到达标识时间段内的刷卡记录数。其他经过中间站台的线路提取方法同上。
3)、站台间路段旅行时间拟合。11个公交站台将68路划分为10个路段，用偏移lognormal分布拟合结果如下表1所示：
表1路段旅行时间
通过Kolmogorov–Smirnov(KS)检验，所有拟合在0.05水平显著，说明了本发明方法的可行性。
4)、进站排队时间拟合。以第10个站台“文惠路口”为例，线路135,187,535,2,105,84和90都经过该站台；当68路到达该站台时，其他线路正在该站台等待乘客上下车的概率，以及各线路的平均上车人数可统计如下表2所示：
表2站台“文惠路口”进站排队时间
假定上下车每人耗时3.23秒，68路在该站台的排队时间可计算为：3.23*(4.3％*3.49+9.2％*3.58+2.0％*2.96+5.4％*2.67+4.2％*1.6+3.6％*1.7+4.4％*2.77)＝6.24s。
5)、人均上车时间拟合。本发明用最小二乘回归OLS拟合上下客时间和上车人数之间的关系。所得关系式为y＝3.23x+7.21，R2＝0.346，回归系数在0.05水平显著。
6)、驶入主干道耗时拟合。用正态分布拟合驶入主干道耗时，得到如下关系式
β～N(9.74,1.552) (12)
7)、站台停靠时间计算。站台停靠时间为排队时间、乘客上下车时间和驶入主干道时间之和。计算结果如下表3所示：
表3 68路车辆的站台停靠时间
8)、路线旅行时间估计。路线旅行时间为路段旅行时间和站台停靠时间之和。
因此68路车的路线旅行时间的期望为1333.61+216.72＝1550.33s，68路车的路线旅行时间的方差为264.39+79.99＝344.38s。通过bootstrap抽样，可以得到路线旅行时间的分布，图4显示了拟合的路线旅行时间和真实的路线旅行时间。从图中可以看出，利用本发明方法拟合的路线旅行时间和真实的路线旅行时间相差较小，因此，可以利用本发明方法比较准确地分析不同交通状态和乘客需求状态下公交旅行时间的可靠性，以用于提升公共交通服务水平和运营效率。