[发明专利]一种基于SVM的自适应公交到站时间预测方法

说明书

本发明属于城市智能公共交通信息处理技术领域，具体到一种基于SVM的自适应公交到站时间预测方法，考虑了多种影响公交到站时间的动态因素，将其量化并建立了基于SVM的集合了天气、星期、法定假日、地理位置等静态信息和上游路段速度、下游路段速度、下游路段最新花时、路况拥挤程度、时间段等动态信息的公交到站时间预测模型；同时根据公交到站时间历史数据的波动性，自适应地选择公交预测模型，在保证准确性的同时提高了预测效率。本发明可较为精确效率地预测公交到站时间，有利于提高公共交通的服务水平。

技术领域

本发明属于城市智能公共交通信息处理技术领域，具体涉及一种自适应公交到站时间预测方法。

背景技术

发展城市公共交通是缓解城市交通拥堵、改善人居环境最有效的手段之一。公交到站时间预测是实现智能化公交信息服务的基础，可靠地预测公交到站时间有利于提高公共交通的服务水平，以吸引更多的城市居民选择公共交通，降低城市碳排放，进而减少温室效应。

目前的预测模型有基于历史数据模型、统计回归理论模型、卡尔曼滤波模型和机器学习模型等。历史数据模型以大量的历史数据为基础，通过假设公共交通是一个循环往复的过程来预测公交到站时间，然而历史数据模型对突发事件的预测效果不理想。回归预测模型能够在最大程度上减小因素波动所造成的影响，然而它对应用环境的要求比较高，较大的历史均值偏差将导致预测的不准确。基于Kalman滤波模型具有良好的预测性能，但随着迭代次数的增加其性能会有非常明显的衰退。机器学习的方法虽能够解决小样本、非线性、维数灾难、过学习和局部极小点等问题，具有出色的统计学习能力，但目前一般以不多于5个特征作为SVM的特征输入，并不能准确反映公交车在实际的运行过程中收到的随机干扰。

除上述问题之外，在目前SVM的模型中，每一段预测都是基于同一个模型，输入的都是同样的特征变量，却忽略了每一段的交通状况都是不一样的。从以往的历史数据中可以看出，前一站与后一站到站时间波动性不大的情况是存在的，波动性很大的情况也同样是存在的，具体的原因可能与路况条件等因素有关。所以，用同一个模型来预测整个公交到站时间显然是不够准确的。而且，随着公交车到站时间的更新，用于SVM模型的数据量也不断扩大，每一次更新数据都需要重新建模，导致SVM的训练时间和训练次数也会不断增加，是十分不合理的。

发明内容

一种基于SVM的自适应公交到站时间预测方法，该方法以大量公交实时数据为基础，结合多种影响公交到站时间的动态因素，将其量化并建立了基于SVM的集合了天气、星期、法定假日、地理位置等静态信息和上游路段速度、下游路段速度、下游路段最新花时、路况拥挤程度、时间段等动态信息的公交到站时间预测模型，分别以x¹，x²，x³，x⁴，和表示。确定SVM特征向量后，将这9个特征作为输入变量，输出变量为公交到站时间。以m车到达k站为例，输入(x¹，x²，x³，x⁴，和)来预测m车到达k+1站点的时间，然后更新k-1→k路段的最新速度与时间，随着公交到站时间的不断更新，后续公交到站时间不断修正，直到公交车运行结束，抵达终点。同时针对基准系统在预测时，根据大量公交到站时间历史数据的波动性，自适应地选择公交预测模型，以提高预测效率。

优选的，天气因素为天气状况的变化影响公交的某些性能参数，对于天气信息的采集可以查询天气预报或者实时记录当天的天气情况。本专利设某一天的天气情况为ω，ω＝{0,1,2,3,4}，其中，0代表晴天，1表示小雨，2表示大雨，3表示雪，4表示冰雪。

优选的，星期因素为工作日和休息日的交通情况是不同的。一周的7天分别表示d＝{1,2,3,4,5,6,7}。

优选的，法定假日因素为法定假日内，客流量往往会急剧变大，交通繁忙，突发性事件发生频率也较高。本文用b来表示当天是否是法定节日，b为布尔型的变量，取值：b＝1，true；b＝0，false。