一种快速公交停靠站的延误时间组合预测方法技术

本发明专利技术提供一种快速公交停靠站的延误时间组合预测方法，应用于有公交专用道的快速公交BRT系统，通过交通信息采集设备采集BRT车辆和同路段社会车辆必要的交通流信息，将信息整合成一个时间序列，对数据序列先进行线性自回归预测，再将得到的初始残差用经遗传算法优化参数后的支持向量机方法进行非线性回归法预测，叠加得到最终的BRT车辆停站延误。本发明专利技术在快速公交模式的前提下，充分利用BRT系统的先进的交通信息采集技术，紧密结合复杂交通系统的实时运行参数，运用先进的数据处理手段，对BRT车辆的停站延误进行准确预测，为其时间层面的优先提供依据，从而提高快速公交系统的整体运行效率。

【技术实现步骤摘要】
【专利摘要】本专利技术提供，应用于有公交专用道的快速公交BRT系统，通过交通信息采集设备采集BRT车辆和同路段社会车辆必要的交通流信息，将信息整合成一个时间序列，对数据序列先进行线性自回归预测，再将得到的初始残差用经遗传算法优化参数后的支持向量机方法进行非线性回归法预测，叠加得到最终的BRT车辆停站延误。本专利技术在快速公交模式的前提下，充分利用BRT系统的先进的交通信息采集技术，紧密结合复杂交通系统的实时运行参数，运用先进的数据处理手段，对BRT车辆的停站延误进行准确预测，为其时间层面的优先提供依据，从而提高快速公交系统的整体运行效率。【专利说明】
本专利技术属于公交停靠站时间预测
，用于快速公交BRT系统，具体涉及一种快速公交停靠站延误时间的组合型数值预测方法。
技术介绍
城市公共交通在缓解由城市巨大的交通需求引发的交通拥堵、交通安全以及交通污染方面有着积极的意义。然而，现状下我国的城市交通体系不够完善，技术水平相对落后，服务质量相对低下，公共交通在与众多交通方式的竞争中处于不利地位，通过先进的软硬件技术手段，提升公交的运行效率和服务水平是以公交优先带动城市交通问题解决的必然之举。大多数国外的快速公交系统与ITS技术紧密结合，能够实时较为准确的提供BRT车辆行驶的相关信息，尤其是BRT车辆的到站时刻给乘客，这迅速的提升了公共交通在城市交通中的地位，提升了公交出行的比例，但国内的大多数快速公交系统虽然拥有相对先进的用于交通信息采集的硬件设备，却缺乏较好的技术手段去利用丰富的交通信息资源对公交车的行驶时间，尤其是公交车的站点延误进行预测。这显然难以给科学的公交优先策略提供有力支撑，更无法体现快速公交在改善城市交通现状中的优越性，对整个城市交通系统运行效率存在不利影响。
技术实现思路
本专利技术要解决的问题是:我国的大多数快速公交系统信息化智能化程度较低，不能运用先进的数据处理技术利用好大量的智能硬件设施采集到的交通信息数据来预测快速公交在站台的延误，降低了快速公交系统控制与管理的科学性、整体性和实际运行效率。本专利技术的技术方案为:，应用于快速公交BRT系统，通过交通信息采集设备采集相关数据，运用线性模型和非线性模型相组合的方法，对BRT车辆的站台延误进行预测，包括如下步骤:1)采集BRT公交站台所在路段的公交车辆、社会车辆和乘客的相关信息:BRT公交车辆的相关信息包括:公交车进站延误时间Velayi ；当下所检测的BRT公交车与上一辆BRT公交车的时间距离t—%，其中i表示第i辆检测到的BRT公交车；社会车辆相关信息包括:检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数ntraffic,以及距离停车处最近的下游交叉口进口道处的排队长度Itaaff'，其中i表示这时检测到第i辆BRT公交车；乘客相关信息:检测到第i辆BRT公交车时，造成此延误的上车乘客数Iiini和下车乘客数nout，其中i表示这时检测到第i辆BRT公交车。2)将步骤I)中采集到的BRT公交车延误数据tdelayi (i=l, 2，3…N)按照采集到的时间顺序组成一个时间序列，建立自回归移动平均模型(ARIMA)进行停站延误的初始预测模型:φ （B）▽ tVelayi = θ(B)εi(I)式中，Vd= (1-B)d; ^为零均值白噪声序列;d为非负整数，对应于普通差分阶数；Φ (B) = 1-(J)1B-----ΦρΒd;Θ⑶=1- Θ ^——Θ p。p，q均为模型参数。3)根据步骤2)中所预测到的结果俨' (i=l, 2，3...N)，将Velayi与作差，得到第一次预测的误差Atdelayi,将其所为下一步预测的输入向量的主变量，将步骤I)采集到的当下所检测的BRT公交车与上一辆BRT公交车的时间距离theadw'，检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数Iiteffici，距离停车处最近的下游交叉口进口道处的排队长度Itaffici和乘客此时上下课的人数η'、η°'作为下一预测输入向量的属性变量。4)根据步骤 3)构造的输入向量序列 Xi = ( Λ tdelayi； theadwayi； Htraffici, Itraffici, Iiini,H0uti)，将向量序列带入支持向量回归机模型中进行残差序列的预测，模型可通过下式子求解:【权利要求】1.，其特征是，应用于快速公交BRT系统，通过交通信息采集设备采集相关数据，运用线性模型和非线性模型相组合的方法，对BRT车辆的站台延误进行预测，包括如下步骤: 1)采集BRT公交站台所在路段的公交车辆、社会车辆和乘客的相关信息: BRT公交车辆的相关信息包括:公交车进站延误时间tdelayi，当下所检测的BRT公交车与上一辆BRT公交车的时间距离t—%，其中i表示第i辆检测到的BRT公交车； 社会车辆相关信息包括:检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数Htraffici,以及距离停车处最近的下游交叉口进口道处的排队长度Itaff'，其中i表示这时检测到第i辆BRT公交车； 乘客相关信息:检测到第i辆BRT公交车时，造成此延误的上车乘客数n'和下车乘客数η°'，其中i表示这时检测到第i辆BRT公交车； 2)将步骤I)中采集到的BRT公交车延误数据Celayi(i=l, 2，3…N)按照采集到的时间顺序组成一个时间序列，建立自回归移动平均模型(ARIMA)进行停站延误的初始预测模型:Φ (B)▽ tVelayi = θ(B) ε i (1) 式中，Vd= (1-B)d; εi为零均值白噪声序列； d为非负整数，对应于普通差分阶数； Φ (B)=H1B-...-ΦΡΒΡ; θ(B)=1- θB-...-θqBq ；p, q均为模型参数； 3)根据步骤2)中所预测到的结果俨'(i=l, 2，3...N)，将tdelayi与tpreAi作差，得到第一次预测的误差Δtdelayi,将其所为下一步预测的输入向量的主变量，将步骤I)采集到的当下所检测的BRT公交车与上一辆BRT公交车的时间距离Peadwayi，检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数Iitaffici,距离停车处最近的下游交叉口进口道处的排队长度Itaaffici和乘客此时上下课的人数n'、n°'作为下一预测输入向量的属性变量；4)根据步骤3)构造的输入向量序列 Xi = (Atdelayi, ^eadwayi,Htraffici, Itraffici,Hini,Houti)，将向量序列带入支持向量回归机模型中进行残差序列的预测，模型可通过下式求解: 2.根据权利要求1所述的快速公交停靠站的延误时间组合预测方法，其特征是步骤1)，在公交站台BRT车辆停车处布置检测器，测得第i辆公交车停靠的时间Velayi和到达的时刻ti;与之间车辆到达的时间V1作差，得到当下所检测的BRT公交车与上一辆BRT公交车的时间距离Peadwayi，在公交站台所在的道路路段和交叉口进口道上布置检测器，可检测到路段上的社会车辆数Iitaffici和距离停车处最近的下游交叉口进口道处的排队长度Itaffici，通过人工采集的方法，可以得到上下客人数η'、η°'。3本文档来自技高网...

【技术保护点】
一种快速公交停靠站的延误时间组合预测方法，其特征是，应用于快速公交BRT系统，通过交通信息采集设备采集相关数据，运用线性模型和非线性模型相组合的方法，对BRT车辆的站台延误进行预测，包括如下步骤： 1）采集BRT公交站台所在路段的公交车辆、社会车辆和乘客的相关信息： BRT公交车辆的相关信息包括：公交车进站延误时间tdelayi，当下所检测的BRT公交车与上一辆BRT公交车的时间距离theadwayi，其中i表示第i辆检测到的BRT公交车； 社会车辆相关信息包括：检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数ntraffici，以及距离停车处最近的下游交叉口进口道处的排队长度ltraffici，其中i表示这时检测到第i辆BRT公交车； 乘客相关信息：检测到第i辆BRT公交车时，造成此延误的上车乘客数nini和下车乘客数nouti，其中i表示这时检测到第i辆BRT公交车； 2）将步骤1）中采集到的BRT公交车延误数据tdelayi（i=1,2,3…N）按照采集到的时间顺序组成一个时间序列，建立自回归移动平均模型（ARIMA）进行停站延误的初始预测模型： φ(B)▽dtdelayi＝θ(B)εi(1) 式中，▽d＝(1‑B)d;εi为零均值白噪声序列； d为非负整数，对应于普通差分阶数； φ(B)＝1‑φ1B‑…‑φpBp; θ(B)＝1‑θ1B‑…‑θqBq；p，q均为模型参数； 3）根据步骤2）中所预测到的结果tpreAi（i=1,2,3…N），将tdelayi与tpreAi作差，得到第一次预测的误差Δtdelayi，将其所为下一步预测的输入向量的主变量，将步骤1）采集到的当下所检测的BRT公交车与上一辆BRT公交车的时间距离theadwayi，检测到第i辆BRT公交车时，停车处所在路段上的社会车辆数ntraffici， 距离停车处最近的下游交叉口进口道处的排队长度ltraffici和乘客此时上下课的人数nini、nouti作为下一预测输入向量的属性变量； 4）根据步骤3）构造的输入向量序列xi＝(Δtdelayi，theadwayi，ntraffici，ltraffici，nini，nouti)， 将向量序列带入支持向量回归机模型中进行残差序列的预测，模型可通过下式求解： 约束条件为： 由此，求得的拉格朗日待定系数αi和回归函数f(x)则为：其中K(x,xi)成为核函数； 5）运用遗传算法重复步骤4），对支撑向量回归机模型的参数进行优化，优化参数有：惩罚因子C、不敏感损失系数ε以及核函数参数γ; 6）选取不同的核函数，每个核函数各自分别重复步骤4）和步骤5）至达到最大迭代遗传算法中设置的最大进化数目T，选择预测效果最优的核函数带入预测模型中； 7）将步骤2）和步骤6）所得的初始预测结果tpreAi和残差预测结果tpreBi进 行累加，得到最终的预测结果tprei。...

【技术特征摘要】

【专利技术属性】
技术研发人员：丁剑，杨敏，王炜，曹屹，王硕，
申请(专利权)人：东南大学，南京全司达交通科技有限公司，
类型：发明
国别省市：江苏;32