[发明专利]基于实时公交车速度统计数据的公交专用道短时速度预测方法

说明书

本发明提供一种基于实时公交车速度统计数据的公交专用道短时速度预测方法。根据公交路段实时车速统计数据，结合历史车速统计数据，采用基于灰度关系分析方法、一维卷积神经网络、自适应极限学习机和双层门限递归单元循环神经网络的时空复合预测模型，简称DHSTN，预测公交路段未来短时公交车速变化情况。本发明充分考虑到相邻或相近公交路段对目标路段公交车速的影响，并分析实时和历史公交车速统计数据的时间和空间依赖特性，最后，引入自适应极限学习机神经网络分析目标路段长期和短时依赖特征，能够有效提高公交路段短时公交车速的预测精度。

技术领域

本发明涉及智能交通技术领域，具体而言，尤其涉及一种基于实时公交车速度统计数据的公交专用道短时速度预测方法。

背景技术

公交车速预测已经逐渐成为优化公交运营调度、建立弹性发车时刻表、提高公交车服务水平的重要决策依据，为乘客出行前合理安排出行线路提供重要支撑。与传统的道路交通速度预测不同，城市公交车速预测很少单独使用线性方法进行预测，非线性方法和组合方法成为公交车速预测主流。非线性方法主要分析公交车速内潜在的非线性特征，对车速的动态变化可以进行自适应控制，如人工神经网络模型、支持向量机模型、贝叶斯网络模型等，通常需要较为复杂并耗时的算法训练，非线性方法通常基于统计数据的时间依赖特性，而忽略了相邻/相近路段的影响。为充分发挥各非线性模型的优势，一些学者将多个线性和非线性方法进行组合构建组合模型，进行短时公交车速预测，如遗传算法-支持向量机组合预测模型、K-近邻算法-循环递归神经网络组合预测模型等。组合方法充分发挥内部各单一模型的优势，并相互弥补各自不足，充分挖掘统计数据中的线性和非线性特性，在预测精度和自适应性等方面具有一定优势，但构造过程较为复杂，且并未有效分析和挖掘公交车速统计数据的空间和时间特征以及长期和短时依赖特性。

发明内容

根据上述提出的现有预测方法没有考虑相邻/相近路段的影响和构造复杂等技术问题，提供一种基于实时公交车速度统计数据的公交专用道短时速度预测方法。本发明将一维卷积神经网络、极限学习机、灰度关系分析方法和循环递归神经网络有机结合在一起，构造时空复合预测算法，对目标公交路段公交车速统计数据的空间和时间特征及长期和短时依赖特性进行综合分析和挖掘，提高算法预测精度。

本发明采用的技术手段如下：

一种基于实时公交车速度统计数据的公交专用道短时速度预测方法，包括：

S1、获取目标路段及其相邻路段公交车车速时间序列数据，采用基于熵的灰度关系分析方法，分析相邻路段和目标路段间的相关关系，最终选取符合相关性约束条件的m′个相邻路段；

S2、选取目标路段和选定的m′个相邻路段采集的、前d天公交车车速时间序列数据1≤k≤d，采用卷积神经网络，分析目标路段和相邻路段间的空间特性；

S3、基于前d天公交车车速时间序列数据1≤k≤d，建立车速时间序列数据与目标路段在时间t的车速采样值间的Attention关系机制，基于所述Attention关系机制对进行修正；

S4、分别分析每天的公交车车速时间序列数据构建双层门限循环单元循环神经网络，挖掘历史时间序列数据的长期时间依赖特性h_t,ls；

S5、分析以目标路段为中心的时间序列数据基于卷积神经网络和单层门限循环单元循环神经网络建立组合短时预测模型，挖掘目标路段时间序列数据的空间特征和短时时间特性

S6、分析目标路段长期时间依赖特性h_t,ls和短时时间依赖特性将二者有效组合在一起，获取目标路段的时间依赖特征其中

S7、基于所述目标路段的时间依赖特征构建基于自适应极限学习机的神经网络，拟合变化，预测目标路段下一时刻公交车车速变化情况，为下一时刻公交车车速预测值，f为待拟合函数，w_f为连接权值，b_f为偏置，w_f为第一学习参数，b_f为第二学习参数。