公交到站时间预测方法研究

　　摘要:准确的公交到站时间预测是当下提升公交吸引力的关键技术之一。以福州市85路公交车为例，采用牌照法对公交站间行程时间进行数据调查并进行预处理。针对指数平滑法的优点，选取三次指数平滑法，在调查公交运行数据的基础上，构建公交到站时间预测的模型，并对其精度情况进行了检验。结果表明，该模型适用于公交到站时间预测且精度较高。

　　关键词:公共交通;指数平滑法;到站时间;预测

　　1概述

　　21世纪以来，我国大力倡导绿色交通，坚持可持续发展战略在我国各个领域持续推进。城市现代化的发展，汽车保有量快速上升，车多路少，交通拥堵，交通事故率增长，环境污染，能源的损耗[1]，方便、快捷、安全、高效的公共交通方式就成为缓解交通问题的主要手段之一。

　　公共汽车凭借其低价、便捷、覆盖面广、公交线路多等优点而颇具吸引力，然而，公交车辆到站时间是绝大多数选择公交出行者最为关心内容之一，为出行者提供预测准确性高的公交车到站时间信息，成为提升公交线路运营管理水平，影响公交吸引力的主要因素。国内外学者对公交车辆到站时间的预测进行了研究。

　　Pattara-Atikom等人利用GPS数据建立深度神经网络模型(DNN)预测公共巴士到达时间，该方法优于已有的公交线路预测方法，对任意线路的公交出行时间预测具有可行性和实用性[2]。Angelo利用非线性时间序列处理高速路公交车辆运营的时间信息，构建公交到站时间预测的模型，表明考虑多变量预测模型的预测精度要小于仅考虑一种变量的预测模型[3]。

　　Gu等人提出了一种基于神经网络与MapReduce相配合的公交到站时间预测模型。结果表明，分时段预测模优于传统的BP神经网络模型，其精度更高[4]。Cheng和Liu等人利用历史数据，开发了一组预测到站终点的公交到站模型，通过实验证明该模型可以用于估计公交到站时间且较为准确[5]。罗频捷等对神经网络进行改进运算构建公交到站时间预测模型，解决了公交到站时间预测的滞后性，存在极值和随机性的问题[6]。

　　谢炜提出了基于BP神经网络的公交到站时间预测模型，该模型以实测运行数据和历史样本数据为基础，全局考虑多种因素对公交到站时间的影响情况，由于该模型需要大量数据，并且需要长时间模型训练，故适用于预测当前公交到站的时间，预测较为准确[7]。邓玲丽等人提出基于向量回归算法的公交到站时间预测，充分考虑了站间路段综合情况对公交到站时间的影响[8]。彭俊伟提出了一种用支持向量回归算法进行训练，初步形成SVM回归模型，模型处理后初步得出静态预测结果，应用改良后的卡尔曼滤波算法进行动态修正，所得出公交到站时间预测结果较支持向量机法和卡尔曼滤波预测法更加准确[9]。

　　随着公交的互联网化和信息化的发展，公交到站时间的准确性和有效传递成为智能公交系统的重要研究课题，很多城市利用GPS定位系统建立车辆位置信息发布平台，乘客可以通过公交站台电子信息屏或者乘客手机上app应用程序，实时查询到公交车辆的当前位置。但对于公交车辆在各站点之间的运行时间，以及最终到达乘客站点的时间，公交线路目前还无法像地铁那样准确地反馈给乘客，这对乘客合理选择公交线路造成了一定的困难。本文在公交站间行程时间调查数据的基础上，利用三次指数平滑法建立公交到站预测模型，以探索准确和及时的公交到站预测模型方法，为乘客提供更为高效的公交到站时间预报。

　　2公交运行数据采集与处理

　　选取福州市85路公交线路(以下简称85路)作为调查和研究对象。85路往返于福建行政学院与白湖亭客运站之间，途径福建农林大学、空军医院、福建师范大学仓山校区、师大学生街等，是连接学区、商业区和客运站交通枢纽的重要公交线路。

　　选取该公交线路途经的4个连续站点进行高峰行程时间数据采集，六一南三叉街站为第一站，龙津站为第二站，桥南站为第三站，观井站为第四站，考虑到85路周末和工作日客流量存在差异，分别选取工作日2d和非工作日2d，调查方法选用牌照法。调查时间为2019年3月10日—3月13日。根据采集区间行程时间调查数据可以看出，数据存在很多尖峰，这对公交到站时间预测的精度影响很大，故需要对调查数据进行预处理。常见的数据处理方法有剔除法、均值法、异常数据处理法等。

　　本文采取将各组数据的均值y珋和标准差σ求出来，标准差可以反映得调查数据的差异程度。如果实测数据满足(y珋-σ，y珋+σ)，则视调查数据合理，否侧视为不合理数据，不合理数据的修正方法是根据该数据上下两个合理数据求平均值，从而提高公交到站时间的预测精度。工作日与非工作日区间公交运行时间预处理前后值。

　　3预测方法及应用

　　指数平滑法因其对短期时间序列的预测在可操作性和可靠性等方面具有较强的优势而在实践中得到广泛的应用。当时间序列数据呈现出平滑趋势时通常采用一次指数平滑法，二次指数平滑法适用于解决一次指数平滑法无法解决的具有明显线性增长特性的样本数据，而三次指数平滑法用于预测实测数据之间不存在明显增长趋势，数据之间为非线性关系。

　　三次指数平滑法能够根据时序的变化，清晰地显示出时序的变化趋势，对波动范围较大且呈非线性变化规律的数据具有很强的适用性，具有预测可信度较高、基础数据周期要求短、操作便捷且使用方便等优点。公交运行数据具有一定的波动性，并呈现出一定的非线性变化趋势，故采用三次指数平滑法来构建公交到站时间预测模型具有较好的可行性。

　　根据文献[13]表明，当实测数据资料样本足够大，如样本数大于40组，那么经过多次平滑后，初始值对整体预测的影响就非常小，所以可以取时间序列样本的平均值作为初始值，且此时的拟合误差最小。以周六、周日六一南三叉街站至龙津站公交运行数据为例，计算出各组预测值及平均绝对相对误差值，计算N组数据的平均绝对相对误差，代入公式(6)选出最优加权因子α。平均绝对相对误差越小，说明预测精度就越高。

　　本文公交到站时间预测模型建立基于指数平滑法基础上，模型运用平均绝对相对误差进行最优平滑系数α的选择。同样，该模型精度验算也是用平均绝对相对误差法进行验算。

　　公交论文范例：城市定制公交定价现状研究

　　4结语

　　本文针对公交运行情况和公交到站停靠情况进行实地调查，切实分析了影响公交到站时间的动态因素和静态因素，运用指数平滑法预测公交到站时间，建立预测模型。通过对实测公交到站时间和指数平法预测的公交到站时间用平均绝对相对误差精度验证，确定最优加权因子α为0.1后，各个数据MARE值大于0.2的占0.4%，MARE值在0.1～0.2的占10.8%，MARE值低于0.1的占88.8%。表明指数平滑法预测公交到站时间较为精确。该模型所赋予近期至远期的权数之间按等比序列降低，等比序列首项为α，公比为1-α，所以给予远期的权数比重越来越小，故较适用于近期的公交到站时间预测。

　　参考文献:

　　[1]吴兵，李晔.交通管制与控制[M].北京:人民交通出版社，2015.

　　[2]W.Treethidtaphat，W.Pattara-AtikomandS.Khaimook，.Busarrivaltimepredictionatanydistanceofbusrouteusingdeepneuralnetworkmode[C]//2017IEEE20thInternationalConferenceonIntelligentTransportationSystems(ITSC)，Yokohama，2017:988-992.

　　[3]D.Angelo.M.P.H.M.AL-DeeandM.C.Wang.TravelTimePredictionforFreewayCorrection[C]//TRB78AnnualMeeting(CAROM)，WashingtonD.C，1999:832-992.

　　作者：林雨平，黄灵晖

转载请注明来自发表学术论文网：http://www.fbxslw.com/jjlw/27485.html