【技术实现步骤摘要】
本专利技术属于智能公交领域，更具体地，涉及一种基于gps数据及时空关联性的公交到站时间预测方法及系统。
技术介绍
1、随着城市化进程的不断推进，空气污染问题与交通拥堵问题日益严重，阻碍社会发展，开展公共交通建设能够有效改善该问题。但受限于市区内公交车到达时间和行程时间的不确定性，许多乘客仍反感乘坐公交车出行。因此，提供准确的公交到站时间信息能够提高乘客的公交出行意愿。在实际运营中，公交到站时间通过预测每辆公交车从当前位置到后续多个站点的剩余行程时间获得。
2、在公交到站时间预测算法方面，历史平均模型、时间序列分析模型、卡尔曼滤波模型以及机器学习模型等方法都得到了广泛的应用。在实际运营中，公交到站时间受多种随机因素的影响，并且这些因素之间往往相互关联。机器学习模型擅长从数据中捕捉非线性关系与复杂的潜在模式，并且不同的机器学习模型拥有各自的优缺点。因此，构建包含多个机器学习算法的组合模型用于公交到站时间预测正成为当下的趋势。但如何针对公交到站时间预测问题中数据的不同特点，针对性地选择并组合不同机器学习模型，仍缺少充分的研究。p>
3、在数据本文档来自技高网...
【技术保护点】
1.基于GPS数据及时空关联性的公交到站时间预测方法，其特征在于，包括：
2.如权利要求1所述的基于GPS数据及时空关联性的公交到站时间预测方法，其特征在于，所述S1包括：
3.如权利要求2所述的基于GPS数据及时空关联性的公交到站时间预测方法，其特征在于，所述S2包括：
4.如权利要求3所述的基于GPS数据及时空关联性的公交到站时间预测方法，其特征在于，所述S3中基于Seq2Seq网络结构，利用LSTM模型，并引入注意力机制，构建序列数据的多时间步预测模型。
5.如权利要求4所述的基于GPS数据及时空关联性的公交到站时...
【技术特征摘要】
1.基于gps数据及时空关联性的公交到站时间预测方法，其特征在于，包括：
2.如权利要求1所述的基于gps数据及时空关联性的公交到站时间预测方法，其特征在于，所述s1包括：
3.如权利要求2所述的基于gps数据及时空关联性的公交到站时间预测方法，其特征在于，所述s2包括：
4.如权利要求3所述的基于gps数据及时空关联性的公交到站时间预测方法，其特征在于，所述s3中基于seq2seq网络结构，利用lstm模型，并引入注意力机制，构建序列数据的多时间步预测模型。
5.如权利要求4所述的基于gps数据及时空关联性的公交到站时间预测方法，其特征在于，所述多时间步预测具体包括：
6.如权利要求5所述的基于gps数据及时空关联性的公交到站时间预测方法，其特征在于，所述s4包括：
7.如权利要求1所述的基于gps数据及时空关联性的公交到站时间预测方法，其特征在于，所述的s4中构建的剩余到站时间预测模型采用xgboost模型，用于所述xgboost模型...
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。