[发明专利]一种基于海量历史GPS轨迹数据的公交车到站时间预测方法

说明书

技术领域

本发明涉及公交车到站时间预测方法，尤其涉及一种基于海量历史GPS轨迹数据的公交车到站时间预测方法。

背景技术

公交到站时间是指沿公交线路运行的公交车辆的当前位置相距目标站点的行程时间。随着社会经济的发展，机动车数量急剧增加，城市交通面临着巨大的挑战。优先发展公共交通、实现智能公交，既是智能交通系统的重要内容，也是解决城市交通问题的有效途径。而研究和开发高性能的公交车辆到达时间预测技术，对实现公交系统在管理和服务的信息化基础上实现智能化，提高城市公共交通的管理和服务水平具有重要意义。而且，随着与智能交通相关领域理论和技术的飞速发展，以及人们对应对城市交通问题的要求和期望越来越高，作为智能交通重要部分的智能公交，也更倾向于提供更加全面、更加细化的信息服务。

公交到站时间预测就是智能公交的一个核心服务，能够为智能调度和公众出行服务提供核心技术支持。一方面，大众出行者对能实时把握出行过程中的时间分配从主观上急需公交到站时间的预测能力。另一方面，要实现公交运营调度的精细化、智能化，也必须以公交到站时间作为重要依据。另外，城市交通、地理信息系统、移动与通讯业、统计学，以及数据融合和挖掘等相关领域理论技术为到站时间预测提供了强有力的技术支撑。

公交到站时间预测模型有很多，常见的例如基于历史数据的预测模型、回归预测模型、基于平均速度的预测模型、基于离散傅里叶变换和车辆延误的预测模型等。这里主要介绍三种较多使用的预测模型。

其中，时间序列模型主要是利用交通流的时间变化规律，获取交通数据具有周期性和局部特性变化特征，进而通过当前与历史交通状况的对比，预测出车辆到站时间。因此，这种模型的预测精度主要取决于对比结果的相似度。相似度较高的，对应的预测精度也相对较高，但对于对比结果存在很大差异的，预测结果会很不理想。卡尔曼滤波预测模型是一种滚动并实时修正的模式，即包括通过历史状态(通常是前一步状态)预测当前状态，又包括利用当前实际观测状态修正预测结果，因而它即考虑了历史数据的影响，又兼顾了当前突发事件的反馈，具有很高的实时性能和较高的预测精度。但是，也由于这种滚动预测模式，导致了多步预测的性能和精度的下降。神经网络预测模型通过神经元网络寻找交通数据与到站时间数据间的关系，具有分部存储、并行处理、自组织、自学习、非线性逼近等优点。目前绝大多数采用BP算法，并以样本的方差和作为训练的收敛条件。神经网络模型能很好地拟合历史数据，但其精度主要取决于训练时间的长短，因而预测的实时性较差。

同时，现有的大多公交车辆到站时间预测模型都是基于海量的交通记录，侧重于在数学上建立解算和参数方程组，来预测目标对象的到站时间等相关数据，其计算过程复杂，难以进一步提高预测精度。

发明内容

本发明提供了一种预测精度很高的基于海量历史GPS轨迹数据的公交车到站时间预测方法。

本发明提供的技术方案为:

一种基于海量历史GPS轨迹数据的公交车到站时间预测方法，包括:

构建系统:

步骤一、构建一公交路线，所述公交路线包括有m个公交站点;

步骤二、以m个公交站点为分界点，将所述公交路线划分为m-l个顺序的行车路段;

步骤三、获取多趟公交车沿所述公交路线运行的多个轨迹点，任一轨迹点具有空间坐标值和时间值，根据空间坐标值将任一趟公交车的多个轨迹点匹配到m-l个行车路段上;

步骤四、计算m-l个行车路段的平均行程时间，其中，每趟公交车经过每个行车路段的行程时间通过该趟公交车匹配到该行车路段上的若干轨迹点的时间值求解得到，则多趟公交车经过该行车路段的行程时间的平均值为该行车路段的平均行程时间;

预测公交车到站时间:

以公交车的当前位置所在的行车路段为当前行车路段，当前位置到最近的公交站点的距离d_i与当前行车路段的总距离D_i的比值为比例系数P_i，当前行车路段的平均行程时间为T_i，则当前位置到达最近的公交站点的预测时间T为T=P_i·T_i，i≤m-l。

优选的是，所述的基于海量历史GPS轨迹数据的公交车到站时间预测方法中，

根据空间坐标值将任一趟公交车的多个轨迹点逐个匹配到m-l个行车路段上，其具体实现过程为: