一种公交车站点间行程时间预测方法技术

本发明专利技术公开了一种基于自适应衰减卡尔曼滤波的公交车站点间行程时间预测方法，利用车载GPS装置获取站点间公交车历史行程时间数据，结合自适应衰减滤波预测模型对未来站点间公交车行程时间进行预测。本发明专利技术通过引入遗忘因子抑制了历史陈旧数据对滤波的影响，以确保新息在预测过程中的优越地位，克服了常规预测模型发生滤波发散和计算发散的不足。同时本发明专利技术以指数递减的噪声模型作为滤波启动值，有效提高了模型的预测精度和效率。本发明专利技术弥补了常规卡尔曼滤波鲁棒性较差的不足，具有预测精度高、计算过程简便、实用性强的优点。

【技术实现步骤摘要】

本专利技术涉及信息处理
，特别涉及。
技术介绍
城市公共交通是现代城市中效率最高、费用最省的道路运输形式。提升公共交通服务水平，增强公共交通出行吸引力度，对高效利用道路交通设施资源、缓解城市交通拥堵、改善人居环境具有重要意义。其中，准确、可靠的公交车辆行程时间预测技术是提升公共交通服务水平，合理调度公交车辆，为乘客提供及时、必需的换乘信息的基础。道路交通状况具有时空分布特性，随着时间和路段的变化而变化，致使公交车辆在不同路段、不同时间运行的外界影响因素很难应用数学模型准确地标定和预测。但考虑到公交车辆在某路段上的未来行程时间与该路段前几个时段的行程时间存在着一定的内在联系，仍然可以利用公交车辆在某路段前几个时段行程时间的历史数据来预测公交车辆在该路段未来时段的行程时间。卡尔曼滤波采用状态方程和观测方程组成的线性随机系统的空间模型来描述滤波器，按线性无偏最小均方误差估计准则，采用一套递推算法对该滤波器的状态变量作最佳估计，计算量和存储量小，可以很好的用于公交车辆行程时间预测的技术中。但是常规的卡尔曼滤波模型鲁棒性较差，很难适应不断变化的道路交通状况。在公交车辆行程时间预测过程中，当系统的噪声模型与量测值的统计模型不匹配时，就会产生滤波器发散和计算发散等问题。
技术实现思路
专利技术目的针对常规卡尔曼滤波模型在进行公交车辆行程时间预测过程中鲁棒性不足的问题，本专利技术的目的是提供一种适应性更强的公交车站点间行程时间预测方法。技术方案为实现上述专利技术目的，本专利技术采用的技术方案为，考虑到相邻班次公交车具有更为相似的道路交通状况，本专利技术通过在常规卡尔曼滤波递推算法中添加遗忘因子来增大新息影响的权重比例，从而抑制陈旧数据对滤波的影响。同时本专利技术采用与行车时间数据相适应的滤波启动方式，可以有效提高卡尔曼滤波的运算效率。本专利技术具体包括如下步骤(A)采集公交运行线路信息、公交车辆运行信息和公交GPS运行数据；(B)根据步骤(A)中得到的公交运行线路信息与公交GPS运行数据，计算第k班次公交车在路段Li的行程时间y (k)，其中k为公交车发车班次，Li为站点间路段编号且i = 1,2-NC-1, Nc为公交线路站点个数；(C)建立公交车辆行程时间的状态空间模型，设计卡尔曼滤波递推算法；(D)结合步骤(A)中采集的公交车辆运行信息和步骤(C)中设计的卡尔曼滤波递推算法，引入遗忘因子，建立自适应衰减滤波行程时间预测算法模型；(E)根据步骤(A)中采集的公交车辆运行信息和公交运行线路信息，结合统计学理论，选择滤波启动值模型和系统噪声模型；(F)输出公交车辆站点间行程时间预测值T(k+l/k)。所述步骤(A)中，公交运行线路信息可包括公交线路走向、线路里程、公交站点位置与站点个数N。、路段与交叉口交通管控形式；公交车辆运行信息可包括公交车发车时间间隔h、公交客流高峰时段，以及公交车辆运行时的天气状况、道路状况和交通状况；公交 GPS运行数据可包括公交站点名称、公交车辆车牌编号、公交车辆班次编号k、公交车辆发车时刻、公交车辆驶入站点时刻和公交车辆驶离站点时刻。所述步骤(B)中，第k班次公交车在路段Li的行程时间y(k)称为滤波实际测量值，即第k班次公交车在i+Ι站点的进站时刻与i站点的出站时刻的差值，且i+Ι ( N。。所述步骤(C)可包括如下步骤(Cl)结合公交车辆运行特征，建立公交车辆行程时间的状态空间模型为T (k+1/k) = Φ (k) T (k/k) +B (k) μ (k) + Γ (k) ω (k), y (k) = H (k) T (k/k) +ν (k)其中，T(k+l/k)是对第k+1班次公交车行程时间的预测值，T(k/k)是将第k班次公交车行程时间的预测值T(k/k_l)用第k班次公交车行程时间的实际观测值y(k)修正而得到的最优值，ΦΟΟ为状态转移矩阵，B(k)为控制向量矩阵，Γ (k)为系统噪声矩阵，H(k) 为系统观测矩阵，μ (k)为控制向量，ω (k)为输入白噪声，v(k)为系统观测噪声，且ω (k) 和 v(k)的均值都为零,即 Ε = O, E = O ；(C2)根据最优估计理论，设计公交车辆行程时间的卡尔曼滤波递推算法为T (k+l/k+1) = T (k+l/k) +G (k+1) T(k+l/k) = T (k/k)G (k+1) = P (k+l/k) P (k+l/k) = P (k/k)+Q (k)P (k+l/k+1) = P (k+l/k)其中，T(k+l/k)是第k+1班次公交车行程时间的预测值，T(k+l/k+l)是将第 k+1班次公交车行程时间的预测值T(k+l/k)用第k+Ι班次公交车行程时间的实际观测值 y(k+l)修正而得到的最优值，T(k/k)是将第k班次公交车行程时间的预测值T(k/k-l)用第k班次公交车行程时间的实际观测值y(k)修正而得到的最优值，G(k+1)是第k+1班次公交车辆行程时间预测的滤波预报器增益，P(k+l/k)是第k+Ι班次公交车辆行程时间的预报误差方差阵，P (k/k)是对第k班次公交车辆行程时间预报误差方差阵修正而得的最优值， P(k+l/k+l)是对第k+1班次公交车辆行程时间预报误差方差阵修正而得的最优值，Q (k)为输入白噪声方差，R(k)为系统观测噪声方差，In是一个单位矩阵。所述步骤⑶可包括如下步骤(Dl)将遗忘因子λ (k+1)引入公交车行程时间预报误差方差阵的运算过程中，即 P*(k+l/k) = λ (k+1) P (k/k)+Q (k)，其中P* (k+1/k)为用遗忘因子修正的第k+1班次公交车辆行程时间的预报误差方差阵，且λ (k+1)彡I ；(D2)根据卡尔曼滤波器发散与否的判别依据推导出遗忘因子的表达式，也即 2(6 + 1) = ^&-声}/{声}，其中Zk = y(k)-T(k/k-l)为更新序列，即实际测量值与预测值之差，tr为输入白噪声的迹，tr为第k班次公交车预报误差方差阵的迹，Y为储备系数且Y彡I。所述步骤(Dl)中，卡尔曼滤波遗忘因子引入的出发点是抑制历史陈旧数据对预测结果的影响，增大新息对预测未来行程时间的影响权重。所述步骤(D2)中，卡尔曼滤波器发散与否的判别依据是，即卡尔曼滤波器的实际估计误差应小于理论预计误差值的Y倍以上，否则滤波发散。所述步骤(E)可包括如下步骤(El)确定滤波启动值模型根据统计学理论，选择T(0/0) = E;依据滤波收敛原理，令Ρ(0/0) =Ιη/ξ，其中ξ是一个很小的正数，In为单位矩阵；(Ε2)确定系统噪声模型将系统输入噪声ω (k)和系统观测噪声V (k)看作零均值、不相关的正态白噪声序列，且方差按指数递减Q(k) =Q(0)e_ak，R(k) =R(0)e_ek，其中a、β均为模型参数，由行程时间实测数据统计特性决定。本专利技术首先通过信息采集获取基础数据资料，然后将采集到的公交车站点间历史行程时间作为量测值输入卡尔曼滤波递推算法中并确定滤波启动值，最后经过上述运算预测公交车站点间未来行程时间T(k+l/k)。有益效果本专利技术提供的，结合公交车交通运行特性通过引入遗忘因子和选择适宜的启动值对常规卡尔曼滤波递推算法进行优化，利用公交车辆车载GPS装置本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：王炜，王宝杰，杨敏，
申请(专利权)人：东南大学，
类型：发明
国别省市：