[发明专利]一种基于分位数卷积网络的公交到站时间预测方法

说明书

本发明公开了一种基于分位数卷积网络的公交到站时间预测方法，对公交的到站时间进行点预测和分位数预测两种预测模式，从历史数据中提取更丰富的特征信息，更好地捕捉未来的不确定性。同时，本发明可以克服某些公交线路的历史数据稀疏或偶发性不可用的问题，利用历史中少量的公交GPS数据以及未来时刻已知的变化特征(如月份、星期、小时、是否开放公交专用道等)，便可以学习公交运行的复杂模式，得到未来一段时间的多步预测结果。日后本发明可以应用于公交车辆发班间隔过长、GPS信号不稳定的某些特定公交线路中。

技术领域

本发明涉及公交行程时间预测的技术领域，尤其涉及到一种基于分位数卷积网络的公交到站时间预测方法。

背景技术

常规公交是我国城市公共交通方式中历史最悠久，也是承担客运量最大的方式,，相对于地铁等轨道交通，有着密集的服务线网和可定制化的灵活性。

但近年来，随着城市轨道交通的快速发展、网约车以及慢行交通的兴起，在全国大部分城市中，常规公交所承担的公共交通客运量和客运比例近年来呈现明显的下降趋势。

其他交通方式的强力竞争是导致常规公交客运量出现萎缩的主要外因，从其内因看，常规公交也存在自身吸引力不足的问题：出行速度慢、线路服务准点率低，出行时间不可预计。为适应轨道交通和共享单车等其他新型交通方式规模发展对常规公交发展带来的重大影响，常规公交应从传统的单纯满足供需矛盾，以车辆更新、增加覆盖与“量”的供给，转变为更加注重公交服务协同优化和品质提升的“质”的飞越，进一步提供稳定可靠、可预测把控的公共交通服务。

实现更精准、可控的高质量公交服务，其基础是实现公交车到站预测准确率的提升。公交到站时间预测是实时公交出行信息发布、公交出行路径诱导、公交运行动态调度管理等的核心内容，准确的预测有利于帮助居民进行合理的出行规划选择和减少等待时间。目前国内外关于公交到站时间预测的方法可以分为两大类：基于统计的模型与基于分析的模型。前者主要考虑公交到站时问历史数据的变化规律，通过寻找历史到站时问与当前公交运行时间的关系进行预测。后者主要考虑各种内、外部变量(道路条件、交通条件、乘客流量等)对公交到站时间的影响，建立因果关系模型。常用的预测模型有神经网络(ANN)模型、卡尔曼滤波(KF)模型、支持向量机(SVM)模型等。

其中，[1]Jun Gong,Mingyue Liu,Sen Zhang.Hybrid dynamic predictionmodel of bus arrival time based on weighted of historical and real-time GPSdata[C]Control and Decision Conference(CCDC),201325th Chinese.IEEE,2013.基于历史和实时的GPS数据信息提出了混合的动态预测公交到站时间模型。首先，通过数据差值和处理算法获取实时GPS数据，并将其作为预测模型的输入变量；其次，根据各路段平均运行时间的历史数据和各站点的停靠时间的历史数据，分别建立静态预测模型。最后，以实时公交车的GPS数据评价该模型，进而提出混合的动态预测模型。然而此类依靠单一公交行驶历史数据的预测模型，在应对多类型的道路突发情况时，预测效果并不理想。