[发明专利]一种基于模拟退火算法的公交实时到站时间预测方法

说明书

技术领域

本发明涉及城市智能公交系统技术领域，具体涉及一种基于模拟退火算法的公交实时到站时间预测系统和方法。

背景技术

公交车到站时间预测是公交系统智能化和信息化的关键技术，受到了国内外研究人员的极大关注。但是由于种种客观因素的影响，一直很难找到非常有效的方法来得到比较准确的预测结果。目前统计出影响预测准确性的因素有：（1）公交车辆的定位精度的影响。目前的车载GPS系统本身的定位精度是影响公交车到站时间的重要因素之一。（2）道路交通拥堵情况的影响。城市道路拥堵情况以及其它车辆与公交车的相互影响，使得公交车的行驶速度很难控制。（3）道路交叉口的信号灯的影响。（4）交通流量随时间变化而变化的影响。如早晚高峰时段、工作日和周末等流量都是不同的。（5）天气变化的影响。如雨、雪、雾霾、沙尘等不可避免延缓车辆的到达时间。（6）上下客人流量的多少也会影响车辆在站台的停留时间。

以上的这些不确定的影响因素很难找到一个数学公式来表达出来，是完全非线性的问题，目前这个问题被人们归类为NP难题。在分析这个问题过程中，人们发现诸如交通流量、客流集散度等在不同星期的对应时间上具有高度的相似性，而天气变化的影响力也具有某种程度的可估计性。而城市交通控制系统与公交系统是不相连的，公交系统无法得到交叉路口的交通信号灯的时间信息，信号灯的延误是一种不确定的影响因素。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法主要有：历史趋势法、多元线性回归法、时间序列分析、卡尔曼滤波法、神经网络、随机排队机理论模型以及专家系统等。

基于历史数据的到达时间预测模型是以大量公交行车历史数据为基础，假设交通模式具有循环变化的规律，在特定路段内历史行驶时间与当前行驶时间是一致的。专利号200510110083提出了基于人工神经网络结果的公交车到达时间预测模型，以到达时间、站点滞留时间以及公交时刻表时间差为输入，由最小预测误差确定隐含层权重和参数的最优解，由预测结果选择、训练网络来确定最佳的训练函数。人工神经网络模型具有解决复杂非线性问题的能力，但是在实际应用中却需要利用经验尝试选择较优的训练函数、学习函数以及一些参数达到一定的预测精度，同时很难实现实时在线的训练和动态预测。专利号200910199431.4提出了一种公交车到站时间预测模型控制方法，采用BP神经网络对历史数据进行训练，然后引入公交车的动态运行信息来修正BP神经网络方法得到的平均行程时间。专利号201310099912.4提出了用于公交系统的自适应调度方法，根据统计的历史行车时间采用遗传算法预测路线行车时间。专利号201210256952.3提出了一种基于最大熵理论的公交车到站时间实时预测系统和方法，但是该方法缺少基于历史数据的经验，很难处理公交运行过程中的不确定的随机因素的影响,该方法的实时性和自适应性较差。

模拟退火算法(SA)是一种优秀的优化算法，首先是由Metropolis等于20世纪50年代初提出的，它是依据固体退火原理而发展起来的。其基本原理是：首先让固体温度升高至充分高，然后再让其徐徐冷却，温度升高时，固体内部粒子变为紊乱无序，内能增大，而固体内部的粒子慢慢冷却时逐渐趋向有序，在确定的每个温度其状态都可以达到平衡；最后在常温时变得稳定，即达到基态，内能降到最低。依据退火准则，当粒子在温度t时，其趋于平衡的概率为exp(-ΔJt)，其中J为温度为t时刻的内能，ΔJ为其内能的改变量。Kirkpatrick等人于1983年将SA应用到组合优化问题当中，将内能E映射为目标函数值，温度t映射成控制参数，从而得到解组合优化问题的SA：由初始解i以及控制参数初值t开始，对待求解进行“产生一个新解—>计算目标函数差—>舍弃或者接受”的迭代，并不断衰减t的值，算法终止时所得到的解即为所得最优或近似最优解，它是一种启发式迭代优化搜索算法和模式识别算法。

发明内容

本发明的目的是为了克服现有的公交车实时到站时间预测不准的问题，提供一种基于模拟退火算法的公交实时到站时间预测方法。

为了实现上述的发明目的，本发明采用下述的技术方案：

一种基于模拟退火算法的公交实时到站时间预测方法，包含以下的顺序步骤：

步骤1、基于历史行车数据建立不同站点不同班次的公交车历史运行时间的数据库；

步骤2、采用模拟退火算法对历史运行时间数据进行训练，对数据进行聚类，形成一个基于时间段聚类的不同路段的平均行驶时间OD矩阵；