一种基于深度学习的公交车辆在线路站点停靠时间的预测方法技术

本发明专利技术提供一种基于深度学习的公交车辆在线路站点停靠时间的预测方法。包括：收集待预测公交线路的路网信息、GPS信息、乘车信息与行驶信息；对收集到的信息进行预处理操作，得到预测集；将得到的预测集输入到预测网络模型，得到公交车停靠时间预测值。本发明专利技术融合了长短时网络与图卷积网络，长短时网络对交通数据的时间序列的挖掘较为充分，图卷积网络则能有效地提取各个停靠站点间的空间关系。混合部分将三部分数据进行加权融合，能够较好地发掘数据的时间周期性特征。本发明专利技术结合图卷积网络与长短时网络，能够更好的挖掘交通数据的时间特征与空间特征，预测更加准确的公交停靠时间。

【技术实现步骤摘要】
一种基于深度学习的公交车辆在线路站点停靠时间的预测方法
本专利技术涉及公交车辆在线路站点停靠时间的预测
，具体而言，尤其涉及一种基于深度学习的公交车辆在线路站点停靠时间的预测方法。
技术介绍
近年来，我国经济高速发展，城市化进程也在不断加快。作为经济发展的重要支撑，交通运输业正经历着重重考验，如交通拥堵、交通事故与交通排放等。城市公共交通具有高效与节能的突出特点，在有效缓解交通问题的同时，也仍然存在不少缺点，其中公交运行效率亟待提高。公交停靠站作为公交线路的节点，广泛地分布在城市道路的各处，是乘客上下车与换乘的地点。公交车在站点的停靠时间占车辆运行时间的很大部分，所以公交站点停靠时间的预测对提升公交运行效率起着积极作用。现有的技术大多将停靠时间作为运行时间的一部分进行预测，没有将停靠时间独立出来的预测技术。目前大多数的预测方法对停靠站延误的因果分析较为充分，但对数据的分析还不够详尽，没能挖掘出足够的数据间的关系。深度学习以其强大的学习能力，能够更加有效地提取特征、对时间做出更准确的预测。
技术实现思路
本文档来自技高网...

【技术保护点】
1.一种基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，包括如下步骤：/nS1、收集待预测公交线路的路网信息、GPS信息、乘车信息与行驶信息；/nS2、对上述收集到的信息进行预处理操作，得到预测集；/nS3、将步骤S2中得到的预测集输入到预测网络模型，得到公交车停靠时间预测值。/n

【技术特征摘要】
1.一种基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，包括如下步骤：
S1、收集待预测公交线路的路网信息、GPS信息、乘车信息与行驶信息；
S2、对上述收集到的信息进行预处理操作，得到预测集；
S3、将步骤S2中得到的预测集输入到预测网络模型，得到公交车停靠时间预测值。


2.根据权利要求1所述的基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，所述步骤S1中收集的信息具体为：
所述待预测公交线路的路网信息，包括路网图、公交线路站点间的道路形态(站点间交通信号灯个数)、站点间行程；
所述待预测公交线路的乘车信息，包括在各站点刷卡上车的人数；
所述待预测公交线路的行驶信息，包括在每一个班次内，车辆在各站点的停靠时间。


3.根据权利要求1或2所述的基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，所述步骤S1收集信息的时间跨度为待预测时间段前三个月。


4.根据权利要求1所述的基于深度学习的公交车辆在线路站点停靠时间的预测方法，其特征在于，所述步骤S2中的预处理操作过程如下：
S21、根据站点间交通信号灯的个数，将道路形态划分为三类，具体的，将各路段的交通信号灯个数从小到大进行排列，形成个数序列，将序列的前30％的路段定义为A类道路形态，将序列中间的40％的路段定义为B类道路形态，将序列尾部的30％的路段定义为C类道路形态；
S22、将各路段的行程从大到小进行排列，形成行程序列，将序列的前30％的路段定义为A类行程，将序列中间的40％的路段定义为B类行程，将序列尾部的30％的路段定义为C类行程；
S23、将刷卡上车人数采用如下公式进行归一化处理为[0,1]上的数据：



其中，α为归一化后的数据，x为原始数据，xmin为原始数据中的最小值，xmax为原始数据中的最大值；
S24、生成图结构数据，每一个班次分别生成原始图、道路形态图与路段行程图，具体如下：
原始图表示为其中，b表示第b次班车，t表示为预测时间前t天，V表示原始图上节点集合，E表示原始图上连边集合，A表示邻接矩阵；
道路形态图表示为G2k(V,E,Ar)；其中，k表示第k幅道路形态图，k∈{1,2,3,4,5,6,7,8}；V表示图上节点集合；E表示图上连边集合；Ar表示邻接矩阵；
路段行程图表示为G3k(V,E,Al)；其中，k表示第k幅路段行程图，k∈{1,2,3,4,5,6,7,8}；V表示图上节点集合；E表示图上连边集合；Al表示邻接矩阵；
S25、得到预测集，预测集由月预测集、周预测集与临近预测集构成，具体如下：
Xm＝{Xm,1,Xm,2,Xm,3}



Xm,2＝{G21,G22,G23,…,G27,G28}
Xm,3＝{G31,G32,G33,…,G37,G38}
其中，Xm表示月预测集，Xm,1表示待预测班次i前一个月内的原始图集合，Xm，2表示道路形态图集合，Xm，3表示路段行程图集合；
Xw＝{Xw,1,Xw,2,Xw,3}



Xw,2＝{G21,...

【专利技术属性】
技术研发人员：姚宝珍，马安坤，曹峰，党鹏飞，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21