The invention discloses a bus arrival time prediction method based on network vector autoregressive model, which takes bus stations and intersections as nodes, builds urban traffic network based on urban road traffic information and bus route planning, extracts and infers data of public facilities, travel speed between stations, traffic congestion degree and so on from the database of intelligent transportation system, and travels between stations. Travel speed matrix and low-dimensional implicit factors of urban traffic network are constructed. The regression relationship between implicit factors is constructed and the travel speed of corresponding sections is predicted. Based on the extended network vector space autoregressive model, historical data are learned to predict the future travel speed between stations. Then the travel time between stations is estimated according to the distance between stations and the predicted travel speed. This method takes into account the city. The topological correlation of urban traffic network makes full use of bus arrival time, bus GPS positioning information and other data, which effectively improves the prediction effect.
【技术实现步骤摘要】
一种基于网络向量自回归模型的公交到站时间预测方法
：本专利技术涉及到城市智能公共交通信息处理
，具体涉及一种基于网络向量自回归模型的公交到站时间预测方法。
技术介绍
：近年来，中国经济的快速发展与科技的迅猛进步促进了城市公共交通水平的大幅提升。其中，公交车是城市公共交通的重要组成部分，已成为人们现代生活中必不可少的交通工具。随着城市化进程的不断推进及城市规模的迅速扩张，乘客总量增加快、公交客流强度变化范围大、客运效果在不同时段差异大等问题日益凸显。准确预测公交到站时间是缓解城市公共交通压力的一项重要手段。一方面，公交到站时间预测可为公交车客流引导、公交安全管理与运营协调提供决策支持，有利于提供城市公交网络运行效率、减少交通拥堵。另一方面，可为乘客提供公交到站时间的查询服务，帮助乘客做出规划，缓解候车乘客的焦躁情绪。公交到站时间预测是指利用智能交通系统采集到的数据建模预测公交车到达车站的时间。相应的建模方法大致可分为时间序列分析和机器学习两类策略。时间序列分析策略提取历史公交线路站点间旅行时间作为时间序列，并对其进行平稳性、随机性等检验，然后依据检验情况选择合...
【技术保护点】
1.一种基于网络向量自回归模型的公交到站时间预测方法，其特征在于，该方法主要包括以下步骤：A、面向智能交通系统的数据预处理：以公交站点和路口为节点，基于城市道路交通信息与公交线路规划情况构建城市交通网络，并从智能交通系统数据库抽取、推断公共设施数量、站点间旅行速度、交通拥堵程度等数据；B、基于奇异值矩阵分解的站点间旅行速度缺失填补：对于旅行速度存在缺失的某时段，提取该时段的站点间旅行速度矩阵与城市交通网络的低维隐含因子，构建隐含因子间回归关系并预测相应路段的旅行速度；C、基于网络向量部分线性自回归模型的站点间旅行速度预测：基于拓展网络向量空间自回归模型学习历史数据，从而预测...
【技术特征摘要】
1.一种基于网络向量自回归模型的公交到站时间预测方法，其特征在于，该方法主要包括以下步骤：A、面向智能交通系统的数据预处理：以公交站点和路口为节点，基于城市道路交通信息与公交线路规划情况构建城市交通网络，并从智能交通系统数据库抽取、推断公共设施数量、站点间旅行速度、交通拥堵程度等数据；B、基于奇异值矩阵分解的站点间旅行速度缺失填补：对于旅行速度存在缺失的某时段，提取该时段的站点间旅行速度矩阵与城市交通网络的低维隐含因子，构建隐含因子间回归关系并预测相应路段的旅行速度；C、基于网络向量部分线性自回归模型的站点间旅行速度预测：基于拓展网络向量空间自回归模型学习历史数据，从而预测未来某时段站点间旅行速度；D、公交到站时间预测及修正：依据站点间距离及预测的旅行速度估计站点间旅行时间，进而累加公交车到目标站点间各路段的旅行时间，并参照历史数据进行修正。2.根据权利要求1所述的基于网络向量自回归模型的公交到站时间预测方法方法，其特征在于所述步骤A具体主要包括以下步骤：(1)构建站点间旅行关系网络首先，依据经纬度将路口作为节点放置在大地坐标系中，并依据城市道路规划情况连接节点，具体可使用网络G＝(V，L)描述；其中，V代表路口集合，V＝{v1，v2，…vn}，n＝|V|是路口总数，L代表路口间存在的路段集合，L＝{<vh，vl)|vh，vl∈V，1＜h，l＜n}，G中的节点有经纬度的位置限定，反映城市道路情况；然后依据公交线路规划情况向城市道路交通网络中添加公交站点；重新定义节点集合为V＝V1∪V2，V1代表路口集合，V2代表站点集合；站点经纬度、路口间距离、站点距最近路口间距离由智能交通系统的数据库获得；进而，计算站点间旅行距离，两站点均与某路口紧邻，明确两站点与路口的确切位置关系，给定两站点i和j，它们的方位角Azij(0°＜Azij＜360°)根据以下模型得出：cos(c)＝cos(90-Wi)×cos(90-Wj)+sin(90-Wi)×sin(90-Wj)×cos(Ji-Jj)其中，Wi代表节点i的纬度，Ji代表节点i的经度，Wj代表节点j的纬度，Jj代表节点j的经度；根据夹角关系可计算站点间距离，其中有三种情况分别为，站点A和站点B相对于路口的方位角不相等，站点A和站点B之间的距离DAB是两个站点与路口距离之和；站点A和站点B相对于路口的方位角不相等，但是和为360°，站点A和站点B之间的距离DAB是两个站点与路口距离之和；站点A和站点B相对于路口的方位角相等，站点A和站点B之间的距离DAB是两个站点与路口距离差的绝对值；针对以上三种情况，计算求得站点间的距离；然后，依据公交线路规划情况生成站点间旅行距离矩阵D；最后，从G中提取站点间旅行关系网络GBus＝(VBus，LBus)，其中，VBus代表公交站点集合，VBus＝{v1，…，vN}，N＝|VBus|视为站点间旅行关系网络中公交站点的个数，LBus代表站点间相邻路段的集合，LBus＝{<vh，vl>|vh，vl∈VBus，1＜h，l＜N}，根据站点间旅行距离矩阵生成站点间旅行关系网络GBus的邻接矩阵为A＝(aij)∈RN×N，其中，当(vh，vl)∈LBus，aij＝1，反之aij＝0；(2)提取站点间旅行速度从智能交通系统数据库中提取旅行时间，转换为旅行速度，对旅行速度建模预测；将所抽取数据的初始时刻作为起始时间，并按固定时段为间隔划分T个时段；Yt∈RN×N为t时段的旅行时间矩阵，其元素为代表t时段从站点i到站点j的平均旅行时间，因此，构成了一个T维的高维度向量；给定某站点间旅行时间可依据以下模型得到站点间旅行速度依次序将站点间旅行时间矩阵转化为站点间旅行速度矩阵，进而生成高维旅行速度向量(3)提取相关协变量采用记录站点i到站点j间旅附近的公共设施数量；采用公交GPS数据评估旅行路段的拥堵程度；给定相邻两站点i和j，依据GPS数据统计在t时段内相邻站点i和j间公交车的...
【专利技术属性】
技术研发人员：吴舜尧，刘殿中，张齐，余翔，宋涛涛，
申请(专利权)人：青岛大学，
类型：发明
国别省市：山东,37
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。