[发明专利]一种基于BP神经网络的公交车车内拥挤度实时预测方法

说明书

本发明提供基于BP神经网络的公交车车内拥挤度实时预测方法，属于公交车车内拥挤度预测方法技术领域。该基于BP神经网络的公交车车内拥挤度实时预测方法包括如下步骤：S1：获取初始运行数据和实时运行数据；S2：建立预测模型；S3：获取包括预测车内人数的输出向量；S4：获取预测拥挤度。本发明中预测出公交车在任意站台时的预测车内人数，预测精度较高，再根据预测车内人数和公交车对应的拥挤程度等级表获取预测拥挤度，效率较高，预测精度较高。

技术领域

本发明属于公交车车内拥挤度预测方法技术领域，涉及一种基于BP神经网络的公交车车内拥挤度实时预测方法。

背景技术

城市公共交通作为市民出行的主要交通工具，在城市经济和建设等方面起着越来越大的作用。我国城市公共交通体系中，公共汽车、电车就已占据主体，承担了城市80％以上的客流量。随着社会经济的迅速发展和城镇化进程速度的持续加快，城市公共交通压力越发明显。然而，在市民出行总量持续增长的情况下，由于缺少实时、确切的乘客流量和交通信息，经常出现乘客等车时间过长或车辆空车率过高等情况，使得城市公共交通分担率连续降低，公共交通也存在着资源分配不合理的现象，导致等车时间长、乘车拥挤甚至挤不上车等问题。严重影响了市民生活水平的进步和城市的发展。

发明内容

本发明针对现有的技术存在的上述问题，提供一种基于BP神经网络的公交车车内拥挤度实时预测方法，本发明所要解决的技术问题是：如何提供一种可以基于BP神经网络预测公交车内拥挤度的实时预测方法。

本发明的目的可通过下列技术方案来实现：

一种基于BP神经网络的公交车车内拥挤度实时预测方法，包括如下步骤：

S1：获取公交车在启动时的初始运行数据和运行时的实时运行数据；

S2：建立基于BP神经网络的预测模型；

S3：将初始运行数据或者初始运行数据和实时运行数据或者除了公交车最后运行的第一运行数据外的任意连续的第二运行数据、第三运行数据分别作为输入向量输入预测模型以获取包括预测车内人数的输出向量；

S4：根据预测车内人数和公交车对应的拥挤程度等级表获取预测拥挤度。

优选的，所述初始运行数据包括初始电机转速、初始车速、初始所在经度位置、初始所在纬度位置、初始电机功率和初始加速度，所述运行数据包括实时电机转速、实时车速、实时所在经度位置、实时所在纬度位置、实时电机功率、实时电机转矩和实时加速度。

优选的，所述实时运行数据和初始运行数据均为通过车载T-box获取。

优选的，步骤S1中包括对初始运行数据进行归一化处理以得到第一处理运行数据和对实时运行数据进行归一化处理以得到第二处理运行数据。把输入向量和输出向量的取值范围都归一到[0，1]。

优选的，步骤S3中具体包括：

S31：将公交线路划分为n个公交站，建立n-1个预测模型；

S32：如果公交车所处的公交站为第2个公交站，则预测模型的输入向量为初始运行数据，如果公交车所处的公交站为第3公交站，则预测模型的输入向量为初始运行数据和公交车运行至第2个公交站时的第四运行数据，如果公交车所处的公交站为第4至n个公交站中的第x个公交站，则预测模型的输入向量为第x-2个公交站对应的第五运行数据和第x-1个公交站对应的第六运行数据，其中4≤x≤n。

优选的，步骤S4中的拥挤程度等级表包括宽松等级、舒适等级和拥挤等级，所述宽松等级为小于或者等于3人/m^2，所述舒适等级为大于3人/m^2且小于6人/m^2，所述拥挤等级为大于或者等于6人/m^2。

优选的，步骤S2中具体步骤如下：

S21：设定预测模型的输入层、输出层和隐含层；