一种公交车到站时间预测模型控制方法技术

本发明专利技术涉及一种公交车到站时间预测模型控制方法，该方法包括以下步骤：1)首先建立公交车运行状态的历史数据库；2)采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处的最佳平均行程时间；3)引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时间。与现有技术相比，本发明专利技术具有不仅能在公交车正常运行条件下较准确的预测公交车到站时间，而且在道路拥挤、发生交通意外、天气状况恶劣、越过较多红绿灯路口、高低平峰运行时段等复杂运行条件下较准确的预测公交车到站时间，并且还能根据公交车运行的最新历史数据自动更新预测模型中的参数的优点。

【技术实现步骤摘要】

本专利技术涉及公交车到站时间预测模型，尤其是涉及一种公交车到站时间预测模型 控制方法。
技术介绍
1、影响公交车到站时间预测信息的因素分析1)公交车的定位精度公交车辆的定位信息由安装在车辆上的GPS车载系统提供，主要由经纬度、速度、 方向等数据组成，因此GPS的定位精度是影响公交车到站时间的重要因素之一。目前在无 遮挡情况下，GPS接收机的平均定位精度在12米左右，并且提供的车载系统具有地图匹配 的功能以及GPS盲区补偿功能，可以比较精确的反映车辆的实时位置。2)道路交通对公交车辆的影响公交车辆在城市道路的运行过程中会受到交通流的影响，从而产生运行速度的变 化。当道路上的交通流量到达一定程度时，公交车和其他社会车辆之间开始相互影响，使得 车辆行驶缓慢；在通过无信号交叉口时，在有些情况下还需要停车等待。3)信号灯交叉口对公交车辆的影响在车辆行驶过程中，还要受到红绿灯控制影响而出现排队等待的情况。由于目前 的公交智能调度系统还不能与城市交通控制系统(UTCS)相连接，无法得到交叉路口的信 号灯配时信息，所以信号灯交叉口的停车延误将成为影响车辆到站时间的主要因素，尤其 是一般的公交车站都设立在通过交叉口 100米左右的地方，所以更增加了准确计算公交车 到站时间的难度。4)交通流量随时间段变化的影响交通流量随时间段变化的影响最为明显，一天中同一路段在早高峰、晚高峰和平 峰时段所对应的流量存在巨大差异；而周末和工作日在同一时间的流量也有不同，所以对 行程时间的影响也不一样。这样车辆的到站时间也会随着日不平均系数、周不平均系数、月 不平均系数以及节假日时段而发生变化。另外，鉴于客流集散度的不同，在高峰客流时乘客 上下车停歇的时间要远大于平峰客流。5)交通状况、天气条件等因素的影响在同一条公交线路中主干道、次干道、环线路段等不同道路条件会影响公交车辆 的运行速度；雨、雪、沙尘、大雾等天气变化也会不可避免地延缓车辆的达到时间。由于电子站牌仅在部分重要车站设立，因此，公交车辆到达下一设立电子站牌的 站点前总的行程时间可以分为下列几个部分车辆以行驶速度通过路段的平均行驶时间；在下游交叉口处因信号灯控制影响的排队延误时间；车辆通过该交叉口的通过时间；在预测站点的前几个站点因乘客上下车而停歇的时间；在预测站点的前几个站点因车辆进出车站减速和加速而损失的时间。因此，在公交车辆到站时间预测过程中，算法需要充分考虑上述各种因素的影响， 运用适当的误差补偿手段，从而最大限度提高车辆到达时间的预测精度。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种公交车到站时 间预测模型控制方法。本专利技术的目的可以通过以下技术方案来实现，其特征在于，该方法包括以下步骤1)首先建立公交车运行状态的历史数据库；2)采用BP神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站 牌处的最佳平均行程时间；3)引入公交车动态运行信息来修正由BP神经网络方法给出的最佳平均行程时 间。所述的步骤1)中的历史数据库建立过程如下公交车在运行过程中，向总调度监 控中心上传运行状态信息，包括不同时段公交车站间的行程时间、交叉口数量、客流量、线 路长度、天气条件以及乘客满意度信息，总调度监控中心以天为单位将信息按照高峰小时、 平峰、夜间进行分类整理后存储，同时更新历史数据库。所述的步骤2)中的BP神经网络方法采用三层结构的BP神经网络，其中输入层为 影响行程时间主要因素，包括考察时段、客流量、交叉口数量、路线长度、天气情况以及乘客 满意度，输出层为最佳平均行程时间，隐层的神经元个数由输入神经元个数和输出神经元 个数决定，通常采用以下公式获得L = Nm/(n+m)，其中m和η为输出、输入神经元数，L为 隐层神经元数，N为样本容量。所述的步骤幻中的修正最佳平均行程时间包括以下步骤1)监控中心获取GPS数据，确定最近到达车辆信息，并计算其预计到达位置；2)监控中心判断车辆实际位置与之间距离是否大于50m，若为是，执行步骤3)，若 为否执行步骤4)；3)监控中心按50m来修正预测时间，并将预测时间信息发送给电子站牌，电子站 牌对其进行显示，并进入步骤4)；4)监控中心判断车辆在目的车站前一路口是否遇到红灯，若为是，监控中心发送 “路段拥堵，公交车到达将稍延后”信息给电子站牌，电子站牌对其进行显示，并执行步骤 5)，若为否，则返回步骤1)；5)监控中心同时采用平滑算法来重新得到车辆到站时间预测值，并将其发送给电 子站牌，电子站牌对其进行显示；6)车辆到站后，监控中心判断车辆是否出站，若为是，执行步骤1)，若为否，电子 站牌显示“车辆到站”信息。与现有技术相比，本专利技术具有以下优点1、不仅能在公交车正常运行条件下较准确的预测公交车到站时间，而且在道路拥 挤、发生交通意外、天气状况恶劣、越过较多红绿灯路口、高低平峰运行时段等复杂运行条件下较准确的预测公交车到站时间。2、本专利技术能根据公交车运行的最新历史数据自动更新预测模型中的参数，是一种 完全动态的公交车到站时间预测模型和计算方法。附图说明图1为本专利技术的BP神经网络结构图；图2为本专利技术的公交车到站时间预测及 显示流程图；图3为本专利技术的监控中心信息处理流程 图。具体实施例方式下面结合附图和具体实施例对本专利技术进行详细说明。定位精度、信号灯、交通流量、天气变化、客流集散度、交通事故等都会给到站时 间预测结果带来不同程度的随机误差。在这些随机因素中，诸如交通流量、客流集散度等 在不同星期的对应时间具有高度的相似性，而天气变化的影响力也具有某种程度的可估计 性。由于城市公交电子站牌一般仅在部分重要站点处设立(而不是站站都有)，而且目前 的APTS系统还不能与城市交通控制系统(UTCS)相连接，无法得到交叉路口的信号灯配时 信息，因而交叉路口信号灯的延误成为影响预测精度的主要不确定性因素。由此可见，公交 车到站时间的预测具有一定的规律性，并且受到多种随机因素的影响，所以必须在充分利 用历史运行数据的基础上采用先进的智能控制理论和方法来解决。目前，的车辆到站时间预测方面的方法主要有历史趋势法、多元线性回归、时间 序列分析、卡尔曼滤波、神经网络、随机排队理论模型、专家系统等。在本系统中将采用神经网络和动态加权平均相结合的方法实现，即利用神经网络 对车辆的历史运行数据进行训练，给出在不同影响因素条件对预测结果的综合影响，得到 统计意义上的最佳平均行驶时间，同时利用动态获得的实时数据对预测结果进行修正。为了得到精确的预测结果，提出以下三点要点，作为车辆到达时间预测的依据1)车辆到达某一站点的累计到达时间误差最小；2)电子站牌显示时间或距离与车辆真实位置误差< 50m ；3)定位信息上传时间根据车辆位置变化，而不是固定时间间隔上传。将市民乘客对公交到站时间的满意度作为车辆到站时间预测算法的最终衡量标 准。根据以往在国外APTS项目建设中的对经验，乘客在公交车辆到达提前1分钟至延误5 分钟的范围内是可以接受的，并且可以提升对公交服务水平的信任。在使用神经网络进行车辆到达时间预测的方法中，需要用到历史数据进行训练， 因此历史数据库的建立至关重要。由交通调查得到公交车运行的基本数据及公交线路的地 理信息数据(如站间长度、交本文档来自技高网...

【技术保护点】
一种公交车到站时间预测模型控制方法，其特征在于，该方法包括以下步骤：１）首先建立公交车运行状态的历史数据库；２）采用ＢＰ神经网络方法对历史数据进行训练来得出公交车由发车点到达电子站牌处的最佳平均行程时间；３）引入公交车动态运行信息来修正由ＢＰ神经网络方法给出的最佳平均行程时间。

【技术特征摘要】

【专利技术属性】
技术研发人员：姚薇，
申请(专利权)人：上海遥薇实业有限公司，
类型：发明
国别省市：31