[发明专利]一种公交车辆从起点到终点总行驶时间预测方法及装置

说明书

本发明公开了一种公交车辆从起点到终点总行驶时间预测方法及装置。该方法在时空特征和属性特征等对影响公交车辆总行驶阶段的各种因素进行处理，充分考虑到了影响结果变化的各种因素。采用特征组合的方式对时空特征和属性特征进行组合，并对其中的缺失数据进行处理，以应对实际应用中发生的数据丢失等异常情况，通过ConvLSTM神经网络预测出各站停留时长、各站行驶时长，通过嵌入处理和标准化处理得到外部属性特征。利用各站停留时长、各站行驶时长和所述外部属性在层叠LSTM神经网络对总时长进行准确的预测。本发明提出的方法能够辅助现有公交公司进行调度决策，帮助调度员及时发现晚点车辆，并根据预测结果作出合理的调度决策。

技术领域

本发明涉及公交车信息处理领域，具体涉及一种公交车辆从起点到终点总行驶时间预测方法、装置及存储介质。

背景技术

目前，我国公交采取排班制发车，以达到公交公司和乘客之间的效益平衡。但由于道路交通、天气等因素复杂多变，导致车辆常常不能按照计划发车时间发班，进而会出现“串车”和“大间隔”现象。为应对各种原因导致车辆不能按原计划发班的情况，需要进行车辆的实时调度。现有的公交调度方式主要由人工完成，即公交调度员通过监视面板观察所负责线路的当前车辆分布状况。调度员根据自身经验估计车辆回场时间，进而进行下一班次发车时间的调整。现有调度方式仅依靠调度员的经验估计车辆到站时间，不仅工作量巨大，且常由于错误预估导致调度策略无法被准确执行，仍无法缓解“串车”和“大间隔”现象的发生。因此，良好的调度系统迫切需要一个能准确预测到站时间的算法，进而辅助调度员合理预估车辆回场时间。这也是近年来智能交通(ITS，Intelligent TransportationSystem)应用的典型场景。

现有关于行驶时长的预测研究常基于历史数据、时间序列数据借助回归模型、卡尔曼滤波模型、神经网络、组合预测模型等方式进行。如：Chun-Hsin Wu等人利用支持向量回归(SVR，Support Vector Regression)进行交通时长的预测(Wu C H,Ho J M,Lee DT.Travel-time prediction with support vector regression[J].IEEE Transactionson Intelligent Transportation Systems,2004,5(4):276-281.)。在该论文的研究中，通过使用过去t个时刻的真实交通时长数据，预测未来一段时间内的交通行驶时长。通过实验证明，该方法在预测旅行时间问题上具有一定可行性。但其在特征使用上，仅使用了过去时刻的数据，无法体现外在因素如驾驶员风格、车辆性能、道路交通状况的差异对预测结果的影响。Vanajakshi L等人利用卡尔曼滤波技术预测不同交通条件下的出行时间(Vanajakshi L,Subramanian S C,Sivanandan R.Travel time prediction underheterogeneous traffic conditions using global positioning system data frombuses[J].IET INTELLIGENT TRANSPORT SYSTEMS,2009,3(1):1-0.)。在该论文的研究中，对路段进行等距离划分，利用2辆前序车辆收集到的信息进行当前车辆的预测。在该方法中假设任何时刻均有两辆前序车辆跑完全程为其收集信息，在实际应用中，较难实现。Mathieu Sinn等人提出了一种用于预测到站时间的基于实时GPS数据的非参数算法，关键思想是使用内核回归模型来表示位置更新与公交车站到达时间之间的依赖关系(Sinn,Yoon,Calabrese,et al.Predicting arrival times of buses using real-time GPSmeasurements[C]International IEEE Conference on Intelligent TransportationSystems.IEEE,2012.)。实验表明，对于50分钟的时间范围，算法的预测误差平均小于10％。在该论文的研究方法中，通过依据历史数据与当前状况的相似性为其赋予不同的权重，计算当前状况的预测值。这种方式对于模型训练的时间跨度要求较为严格，需要更长时间的数据样本。