本发明专利技术提供了一种公交到站时刻预测方法及装置，属于公交到站时刻预测技术领域。通过车载网联终端和移动通信网络，获取历史运行数据和实时运行数据，建立基于XGBoost模型的公交到站时刻预测模型，采用车辆历史数据对其进行训练和测试，并采用平均绝对误差和正则项的组合作为得分函数，通过交叉验证的方式对公交到站时刻预测模型进行参数调优，从而得到精确度较高的公交到站时刻预测模型；将车辆运行数据输入该公交到站时刻预测模型，可以使预测出的公交车到达目标站点的预测时刻更加准确。的公交车到达目标站点的预测时刻更加准确。的公交车到达目标站点的预测时刻更加准确。
【技术实现步骤摘要】
一种公交到站时刻预测方法及装置
[0001]本专利技术提供了一种公交到站时刻预测方法及装置，属于公交到站时刻预测
技术介绍
[0002]随着公共交通基础设施建设的日益完备，公共出行已成为民众日常通勤和出行的主要选择。地铁得益于其固定且不受外界干扰的线路，使得地铁到站时刻可以精准预测，为乘客出行带来便利。目前，国内众多有地铁需求且有经济实力的城市已经开始进行地铁的规划、设计及运营，但地铁建设成本较高，无法在所有地市及乡镇普及，而且地铁站点设计对城市的覆盖度相对公路公共交通站点较低，因此，公路公共交通在缓解城市交通压力中仍扮演重要的角色。
[0003]便利性是民众出行主要的关注点之一，如果公交车辆抵达站台的时刻可以精确预测，那么民众将可以更加合理的安排出行方式，民众出行便利性提升的同时，对公路公共交通满意度也将增加，同时将吸引更多民众在出行时选择公共交通，缓解城市交通压力。而且公交车辆抵达站台的时刻可以精确预测，可以提高公交公司对公交车的调度能力，使公交资源得到充分、均衡利用。
[0004]因此，在城市公交运行过程中，若不能准确地预测公交到站时间，既会影响乘客的候车体验，也不利于公交公司对公交车的调度。
技术实现思路
[0005]本专利技术的目的在于提供一种公交到站时刻预测方法及装置，用于解决无法准确预测公交到站时刻的问题。
[0006]为了实现上述目的，本专利技术提供了一种公交到站时刻预测方法，包括如下步骤：
[0007]1)在待预测公交车从出发站点前往目标站点的运行过程中，获取公交车运行数据，所述公交车运行数据包括实时运行数据，所述实时运行数据包括从出发站点到目标站点之间的行程信息，实时运行数据还包括待预测公交车当前位置与前公交车所在位置之间的距离、高峰时间段信息和天气情况中的至少一种数据；
[0008]2)将公交车运行数据输入到预先建立的公交到站时刻预测模型，输出待预测公交车从当前位置到达目标站点所需的预测运行时长；
[0009]3)根据预测运行时长，计算待预测公交车到达目标站点时的预测时刻。
[0010]本专利技术的公交到站时刻预测方法，通过获取公交车运行过程中的公交车运行数据，公交车运行数据包括与待预测公交车运行相关的实时运行数据，实时运行数据包括与运行路线相关的行程信息，还包括待预测公交车当前位置与前公交车所在位置之间的距离、高峰时间段信息和天气情况中的至少一种数据；将公交车运行数据输入预先建立的公交到站时刻预测模型，输出待预测公交车从当前位置到达目标站点所需的预测运行时长，进而计算待预测公交车到达目标站点的预测时刻。本专利技术在现有公交车到站预测技术的基
础上，进一步考虑与公交车到站相关的其他因素，采用待预测公交车在当前位置与前公交车位置之间的距离、高峰时间段信息和天气情况这三种数据中的至少一种数据，建立预测准确度更高的公交到站时刻预测模型，从而提高公交到站时刻预测的准确度。
[0011]进一步地，在上述方法中，所述行程信息包括整个行程信息和本次行程信息，所述整个行程信息包括出发站点ID、目标站点ID和从出发站点指向目标站点的运行方向，所述本次行程信息包括待预测公交车当前位置与目标站点之间的距离；
[0012]将待预测公交车从出发站点前往目标站点的运行线路作为整个行程，将待预测公交车从当前位置前往目标站点的运行线路作为本次行程。
[0013]对待预测公交车从出发站点前往目标站点的运行路线进行标定，得到整个行程和本次行程，因此，行程信息可以分为整个行程信息和本次行程信息，整个行程信息采用出发站点ID、目标站点ID和从出发站点指向目标站点的运行方向，本次行程信息采用待预测公交车当前位置与目标站点之间的距离，通过采用这些行程信息，对影响公交到站时刻预测的因素考虑更加全面，从而提高公交到站时刻预测的准确度。
[0014]进一步地，在上述方法中，所述实时运行数据还包括待预测公交车从出发站点运动到当前位置等待红绿灯所经历的时长、本次行程的剩余红绿灯个数和整个行程的红绿灯个数中的至少一种数据。
[0015]还考虑待预测公交车从出发站点运动到当前位置等待红绿灯所经历的时长、本次行程的剩余红绿灯个数和整个行程的红绿灯个数中的至少一种实时运行数据，建立出更加准确的公交到站时刻预测模型，使预测出的公交到站时刻更加准确。
[0016]进一步地，在上述方法中，所述公交车运行数据还包括历史运行数据，所述历史运行数据包括整个行程的历史平均载客率和/或出发站点处历史平均上下车时长。
[0017]还从公交车的历史运行数据出发，考虑历史运行数据中的整个行程的历史平均载客率和出发站点处历史平均上下车时长对公交到站时刻预测的影响，并以此建立出更加准确的公交到站时刻预测模型，从而提高公交到站时刻预测的准确度。
[0018]进一步地，在上述方法中，所述公交车运行数据还包括历史运行数据，所述历史运行数据包括整个行程的红绿灯历史等待时间和/或整个行程的红绿灯历史最大等待时间。
[0019]考虑历史运行数据中整个行程的红绿灯历史等待时间和整个行程的红绿灯历史最大等待时间对公交到站时刻预测的影响，并以此建立出更加准确的公交到站时刻预测模型，从而提高公交到站时刻预测的准确度。
[0020]进一步地，在上述方法中，所述公交车运行数据还包括历史运行数据，所述历史运行数据包括整个行程的历史平均运行速度、整个行程的历史最大运行速度、整个行程的历史平均运行时间和整个行程的历史最大运行时间中的至少一种数据。
[0021]考虑历史运行数据中的整个行程的历史平均运行速度、整个行程的历史最大运行速度、整个行程的历史平均运行时间和整个行程的历史最大运行时间对公交到站时刻预测的影响，并以此建立出更加准确的公交到站时刻预测模型，从而提高公交到站时刻预测的准确度。
[0022]进一步地，在上述方法中，所述公交到站时刻预测模型采用XGBoost模型。
[0023]针对上述提到的公交到站时刻预测模型，提出一种具体的模型来实现，即XGBoost模型，便于本专利技术的实施和应用。
[0024]进一步地，在上述方法中，在对XGBoost模型训练时，对XGBoost模型的学习率、迭代次数、回归树最大深度、回归树叶子节点权值、随机采样比例、每个回归树的随机采样占比和叶节点分裂最小损失函数下降值进行参数调优。
[0025]在对公交到站时刻预测模型，即XGBoost模型，进行训练和测试时，对该模型的参数进行调整以优化模型，根据对实际调试结果的分析，学习率、迭代次数、回归树最大深度、回归树叶子节点权值、随机采样比例、每个回归树的随机采样占比和叶节点分裂最小损失函数下降值对公交到站时刻预测模型的影响较大，因此主要对这些参数进行调整，可以降低训练和测试模型时的工作量，并提高公交到站时刻预测模型的精度。
[0026]进一步地，在上述方法中，在参数调优时，采用平均绝对误差和正则项的组合作为得分函数，所述得分函数为：
[0027][0028]式中，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种公交到站时刻预测方法，其特征在于，包括如下步骤：1)在待预测公交车从出发站点前往目标站点的运行过程中，获取公交车运行数据，所述公交车运行数据包括实时运行数据，所述实时运行数据包括从出发站点到目标站点之间的行程信息，实时运行数据还包括待预测公交车当前位置与前公交车所在位置之间的距离、高峰时间段信息和天气情况中的至少一种数据；2)将公交车运行数据输入到预先建立的公交到站时刻预测模型，输出待预测公交车从当前位置到达目标站点所需的预测运行时长；3)根据预测运行时长，计算待预测公交车到达目标站点时的预测时刻。2.根据权利要求1所述的公交到站时刻预测方法，其特征在于，所述行程信息包括整个行程信息和本次行程信息，所述整个行程信息包括出发站点ID、目标站点ID和从出发站点指向目标站点的运行方向，所述本次行程信息包括待预测公交车当前位置与目标站点之间的距离；将待预测公交车从出发站点前往目标站点的运行线路作为整个行程，将待预测公交车从当前位置前往目标站点的运行线路作为本次行程。3.根据权利要求2所述的公交到站时刻预测方法，其特征在于，所述实时运行数据还包括待预测公交车从出发站点运动到当前位置等待红绿灯所经历的时长、本次行程的剩余红绿灯个数和整个行程的红绿灯个数中的至少一种数据。4.根据权利要求2所述的公交到站时刻预测方法，其特征在于，所述公交车运行数据还包括历史运行数据，所述历史运行数据包括整个行程的历史平均载客率和/或出发站点处历史平均上下车时长。5.根据权利要求2所述的公交到站时刻预测方法，其特征在于，所述公交车运行...
【专利技术属性】
技术研发人员：姚鑫鑫，李峰，黄正华，徐慧，田长青，肖丹丹，马鹏飞，
申请(专利权)人：宇通客车股份有限公司，
类型：发明
国别省市：
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。