【技术实现步骤摘要】
：本专利技术涉及一种基于SVM及H∞滤波的动态公交到站时间预测方法，属于智能交通系统领域。技术背景：作为公交系统信息化的关键技术，实时精确的公交到站时间预测不但可以方便出行者选择乘车线路、缓解等待出行者的焦急情绪，而且为公交管理部门科学、高效、合理调度公交车辆提供强有力的依据，从而极大地丰富公交运输服务的内容、树立公交运输的良好形象、能够吸引更多的出行者选择公交出行方式，进而一定程度上缓解城市交通压力。已有公交到站时间预测方法有以下几种：基于历史数据的预测方法通过假设交通运行模型循环变化、实际行驶情况围绕历史行驶情况小幅度波动为前提；基于实时数据预测方法假设下一时刻行程时间与当前时刻行程时间相同；时间序列模型通过寻找历史数据间存在的内在数学规律进而预测出非独立变量的值；变量衰减预测方法以多个重要因素为变量，获得车站间行程函数，建立公交车到达下游站点时间的数学预测模型；基于人工仿生智能算法的预测方法仿效人类大脑的学习方式，通过训练和测试两个阶段实现；Kalman滤波器是一个最优化自回归数据处理算法，该方法利用不断逼近的方式获得较高的预测精度。基于历史数据的预测方法无法反映动态多变的交通状态，时间序列模型、变量衰减模型同样无法反映实时交通信息，基于实时数据的预测方法受外界影响较大。基于人工仿生智能算法由于其训练时间长无法用于实时预测，Kalman滤波器由于其对噪声约束过强，实际预测性能降低。综合以上分析，本专利技术提出一种基于SVM及H∞滤波的动态公交车到站时间预测方法。该方法综合考虑了公交车到站时间历史数据和公交车运行实时信息，提高了到站时间预测的精确...
【技术保护点】
一种基于ＳＶＭ及Ｈ∞滤波的动态公交车到站时间预测方法，其特征在于，预测方法包括以下步骤：（１）根据公交车到达每个站点的历史时间数据库，对原始数据进行预处理，对预处理数据进行整理得到符合预设记录格式的数据集；（２）通过统计分析的方法对步骤（１）得到的数据集进行分类，得到工作日平峰类数据集、工作日高峰类数据集、周末平峰类数据集和周末高峰类数据集；（３）选取ＳＶＭ模型构建的输入变量，采用ＳＶＭ方法对步骤（２）中分类得到的数据集进行ＳＶＭ模型构建和测试，设定ＳＶＭ模型的测试精度阈值，若ＳＶＭ模型的测试精度达到阈值要求，ＳＶＭ模型构建完成，否则重新构建ＳＶＭ模型；所述的输入变量包括天气、路段、时间段和日期；历史时间数据库更新后，重复步骤（１）、（２）、（３）对ＳＶＭ模型进行重新构建和测试；（４）确定输入变量的数值，根据步骤（３）构建完成的ＳＶＭ模型，得到公交线路上相邻站点之间的的运行时间；（５）根据滤波状态方程和观测方程，结合步骤（４）得到的公交线路上相邻站点之间的运行时间和公交车上自动报站系统提供的实时运行信息，采用Ｈ∞滤波方法得到公交车到达下游每个站点的时间，实现动态公交车到站时间预测；所述...
【技术特征摘要】
1.一种基于SVM及H∞滤波的动态公交车到站时间预测方法，其特征在于，预测方法包括以下步骤：(1)根据公交车到达每个站点的历史时间数据库，对原始数据进行预处理，对预处理数据进行整理得到符合预设记录格式的数据集；(2)通过统计分析的方法对步骤(1)得到的数据集进行分类，得到工作日平峰类数据集、工作日高峰类数据集、周末平峰类数据集和周末高峰类数据集；(3)选取SVM模型构建的输入变量，采用SVM方法对步骤(2)中分类得到的数据集进行SVM模型构建和测试，设定SVM模型的测试精度阈值，若SVM模型的测试精度达到阈值要求，SVM模型构建完成，否则重新构建SVM模型；所述的输入变量包括天气、路段、时间段和日期；历史时间数据库更新后，重复步骤(1)、(2)、(3)对SVM模型进行重新构建和测试；(4)确定输入变量的数值，根据步骤(3)构建完成的SVM模型，得到公交线路上相邻站点之间的的运行时间；(5)根据滤波状态方程和观测方程，结合步骤(4)得到的公交线路上相邻站点之间的运行时间和公交车上自动报站系统提供的实时运行信息，采用H∞滤波方法得到公交车到达下游每个站点的时间，实现动态公交车到站时间预测；所述的实时运行信息包括车辆达站点时间、公交运行线路号、公交到达站点号。2.根据权利要求1所述的一种基于SVM及H∞滤波的动态公交车到站时间预测方法，其特征在于，步骤(1)中所述的原始数据的预处理包括两个阶段：丢失数据处理阶段和行程时间计算阶段；...
【专利技术属性】
技术研发人员：邢建平，马振良，高亮，黄国俊，刘洋，朱衍波，朱振兴，
申请(专利权)人：山东大学，
类型：发明
国别省市：88
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。