[发明专利]一种基于概率模型的公交车辆旅行时间建模方法

说明书

本发明公开了一种基于概率模型的公交车辆旅行时间建模方法，属于智能交通信息处理技术领域。本发明方法包括：对公交车辆的运营数据进行采集和处理；利用偏移lognormal分布对站台间路段旅行时间进行拟合；考虑同站台的多线路公交车辆的交互行为，对排队进入站台建模为一个先进先出队列，基于概率模型对公交站台停靠时间建模；根据各路段旅行时间和各站台停靠时间，得到公交车辆的路线旅行时间，并分析旅行时间的分布、期望、方差和可靠性。本发明方法适用于对公交车辆旅行时间预测，预测结果准确；本发明能够分析旅行时间波动的原因，以提升公共交通服务水平。

技术领域

本发明属于智能交通信息处理技术领域，具体地说是一种基于概率模型的公交车辆旅行时间建模方法。

背景技术

目前，面对不断增大的城市交通需求、道路拥堵、空气污染、以及有限的土地资源，许多城市开始推行“公交都市”的出行理念，“公交都市”即通过提升城市公共交通服务水平，鼓励人们减少私家车出行，转而选择城市公共交通出行。公交车辆旅行时间可靠性是公共交通服务水平的核心要素，一方面，旅行时间可靠性是吸引出行者选择公交出行的重要因素，旅行时间预测也是智能乘客服务系统的重要组成部分，如准点率预测、延误时间预测和到达时间预测等；另一方面，旅行时间预测是公交运营的重要指标，准确的旅行时间预测可以帮助公交公司提前制定应对措施，提升公交系统运营效率，减少运营成本。

在旅行时间预测方面，现有技术主要专注于私家车旅行时间可靠性和波动的预测，如动态路径规划、预计到达时间估计等，分析基础为道路路段或路径。然而，公交车辆旅行时间与私家车旅行时间显著不同，除路段旅行时间外，公交车辆旅行时间还受到乘客上车行为(即站台停靠时间)的影响，当站台停靠时，公交车辆需要排队进入站台、等待乘客上下车以及从站台驶入主干道，这些过程都是公交旅行时间的重要组成部分，且涉及到同站台多线路公交车的交互行为。

此外，现有技术主要通过OLS(普通最小二乘法)、SVR(支持向量回归)、神经网络和深度学习等模型预测私家车旅行时间，得到结果为预测值；对公交车辆旅行时间分析而言，这些预测技术不能分析公交旅行时间波动的大小和原因，不能分析乘客的上车行为，不能考虑同站台间多线路公交车的交互行为。

发明内容

本发明的目的为克服上述现有技术的不足，提供一种基于概率模型的公交车辆旅行时间建模方法，以分析在不同交通状态和乘客需求状态下公交旅行时间的可靠性。

本发明提供的一种基于概率模型的公交车辆旅行时间建模方法，具体步骤如下：

步骤1，采集待研究线路所有公交车辆的运营数据，包括：从起点站驶出时间、到达各中间站台时间、驶出各中间站台时间、到达终点站时间以及各站台上车人数；

步骤2，利用偏移lognormal分布对站台间路段旅行时间进行拟合；

步骤3，对公交车辆进入站台的过程进行建模，该过程为：排队进入站台、等待乘客上下车、从站台驶入主干道；对排队进入站台建模为一个先进先出(FIFO)队列，考虑了同站台的多线路公交车辆的交互行为；根据乘客上下车人数计算乘客上下车耗时；用正态分布拟合公交车辆从站台驶入主干道的时间。获取公交车辆站台停靠时间，公交车辆站台停靠时间为排队时间乘客上下车时间t^b和驶入主干道时间β之和。

步骤4，根据步骤2和步骤3得到的路段旅行时间和站台停靠时间，计算公交车辆的路线旅行时间，并分析旅行时间的分布、期望、方差和可靠性。

公交车辆的路线旅行时间T为所有的路段旅行时间和所有的站台停靠时间之和，表示为：

其中，I_R为待研究线路的所有路段，S_R为待研究线路的所有公交站台，t_i为公交车辆在路段i上的旅行时间，t_s为公交车辆在站台s的停靠时间。