公交到站時間預測方法研究

　　摘要:準確的公交到站時間預測是當下提升公交吸引力的關鍵技術之一。以福州市85路公交車為例，采用牌照法對公交站間行程時間進行數(shù)據(jù)調查并進行預處理。針對指數(shù)平滑法的優(yōu)點，選取三次指數(shù)平滑法，在調查公交運行數(shù)據(jù)的基礎上，構建公交到站時間預測的模型，并對其精度情況進行了檢驗。結果表明，該模型適用于公交到站時間預測且精度較高。

　　關鍵詞:公共交通;指數(shù)平滑法;到站時間;預測

　　1概述

　　21世紀以來，我國大力倡導綠色交通，堅持可持續(xù)發(fā)展戰(zhàn)略在我國各個領域持續(xù)推進。城市現(xiàn)代化的發(fā)展，汽車保有量快速上升，車多路少，交通擁堵，交通事故率增長，環(huán)境污染，能源的損耗[1]，方便、快捷、安全、高效的公共交通方式就成為緩解交通問題的主要手段之一。

　　公共汽車憑借其低價、便捷、覆蓋面廣、公交線路多等優(yōu)點而頗具吸引力，然而，公交車輛到站時間是絕大多數(shù)選擇公交出行者最為關心內容之一，為出行者提供預測準確性高的公交車到站時間信息，成為提升公交線路運營管理水平，影響公交吸引力的主要因素。國內外學者對公交車輛到站時間的預測進行了研究。

　　Pattara-Atikom等人利用GPS數(shù)據(jù)建立深度神經網絡模型(DNN)預測公共巴士到達時間，該方法優(yōu)于已有的公交線路預測方法，對任意線路的公交出行時間預測具有可行性和實用性[2]。Angelo利用非線性時間序列處理高速路公交車輛運營的時間信息，構建公交到站時間預測的模型，表明考慮多變量預測模型的預測精度要小于僅考慮一種變量的預測模型[3]。

　　Gu等人提出了一種基于神經網絡與MapReduce相配合的公交到站時間預測模型。結果表明，分時段預測模優(yōu)于傳統(tǒng)的BP神經網絡模型，其精度更高[4]。Cheng和Liu等人利用歷史數(shù)據(jù)，開發(fā)了一組預測到站終點的公交到站模型，通過實驗證明該模型可以用于估計公交到站時間且較為準確[5]。羅頻捷等對神經網絡進行改進運算構建公交到站時間預測模型，解決了公交到站時間預測的滯后性，存在極值和隨機性的問題[6]。

　　謝煒提出了基于BP神經網絡的公交到站時間預測模型，該模型以實測運行數(shù)據(jù)和歷史樣本數(shù)據(jù)為基礎，全局考慮多種因素對公交到站時間的影響情況，由于該模型需要大量數(shù)據(jù)，并且需要長時間模型訓練，故適用于預測當前公交到站的時間，預測較為準確[7]。鄧玲麗等人提出基于向量回歸算法的公交到站時間預測，充分考慮了站間路段綜合情況對公交到站時間的影響[8]。彭俊偉提出了一種用支持向量回歸算法進行訓練，初步形成SVM回歸模型，模型處理后初步得出靜態(tài)預測結果，應用改良后的卡爾曼濾波算法進行動態(tài)修正，所得出公交到站時間預測結果較支持向量機法和卡爾曼濾波預測法更加準確[9]。

　　隨著公交的互聯(lián)網化和信息化的發(fā)展，公交到站時間的準確性和有效傳遞成為智能公交系統(tǒng)的重要研究課題，很多城市利用GPS定位系統(tǒng)建立車輛位置信息發(fā)布平臺，乘客可以通過公交站臺電子信息屏或者乘客手機上app應用程序，實時查詢到公交車輛的當前位置。但對于公交車輛在各站點之間的運行時間，以及最終到達乘客站點的時間，公交線路目前還無法像地鐵那樣準確地反饋給乘客，這對乘客合理選擇公交線路造成了一定的困難。本文在公交站間行程時間調查數(shù)據(jù)的基礎上，利用三次指數(shù)平滑法建立公交到站預測模型，以探索準確和及時的公交到站預測模型方法，為乘客提供更為高效的公交到站時間預報。

　　2公交運行數(shù)據(jù)采集與處理

　　選取福州市85路公交線路(以下簡稱85路)作為調查和研究對象。85路往返于福建行政學院與白湖亭客運站之間，途徑福建農林大學、空軍醫(yī)院、福建師范大學倉山校區(qū)、師大學生街等，是連接學區(qū)、商業(yè)區(qū)和客運站交通樞紐的重要公交線路。

　　選取該公交線路途經的4個連續(xù)站點進行高峰行程時間數(shù)據(jù)采集，六一南三叉街站為第一站，龍津站為第二站，橋南站為第三站，觀井站為第四站，考慮到85路周末和工作日客流量存在差異，分別選取工作日2d和非工作日2d，調查方法選用牌照法。調查時間為2019年3月10日—3月13日。根據(jù)采集區(qū)間行程時間調查數(shù)據(jù)可以看出，數(shù)據(jù)存在很多尖峰，這對公交到站時間預測的精度影響很大，故需要對調查數(shù)據(jù)進行預處理。常見的數(shù)據(jù)處理方法有剔除法、均值法、異常數(shù)據(jù)處理法等。

　　本文采取將各組數(shù)據(jù)的均值y珋和標準差σ求出來，標準差可以反映得調查數(shù)據(jù)的差異程度。如果實測數(shù)據(jù)滿足(y珋-σ，y珋+σ)，則視調查數(shù)據(jù)合理，否側視為不合理數(shù)據(jù)，不合理數(shù)據(jù)的修正方法是根據(jù)該數(shù)據(jù)上下兩個合理數(shù)據(jù)求平均值，從而提高公交到站時間的預測精度。工作日與非工作日區(qū)間公交運行時間預處理前后值。

　　3預測方法及應用

　　指數(shù)平滑法因其對短期時間序列的預測在可操作性和可靠性等方面具有較強的優(yōu)勢而在實踐中得到廣泛的應用。當時間序列數(shù)據(jù)呈現(xiàn)出平滑趨勢時通常采用一次指數(shù)平滑法，二次指數(shù)平滑法適用于解決一次指數(shù)平滑法無法解決的具有明顯線性增長特性的樣本數(shù)據(jù)，而三次指數(shù)平滑法用于預測實測數(shù)據(jù)之間不存在明顯增長趨勢，數(shù)據(jù)之間為非線性關系。

　　三次指數(shù)平滑法能夠根據(jù)時序的變化，清晰地顯示出時序的變化趨勢，對波動范圍較大且呈非線性變化規(guī)律的數(shù)據(jù)具有很強的適用性，具有預測可信度較高、基礎數(shù)據(jù)周期要求短、操作便捷且使用方便等優(yōu)點。公交運行數(shù)據(jù)具有一定的波動性，并呈現(xiàn)出一定的非線性變化趨勢，故采用三次指數(shù)平滑法來構建公交到站時間預測模型具有較好的可行性。

　　根據(jù)文獻[13]表明，當實測數(shù)據(jù)資料樣本足夠大，如樣本數(shù)大于40組，那么經過多次平滑后，初始值對整體預測的影響就非常小，所以可以取時間序列樣本的平均值作為初始值，且此時的擬合誤差最小。以周六、周日六一南三叉街站至龍津站公交運行數(shù)據(jù)為例，計算出各組預測值及平均絕對相對誤差值，計算N組數(shù)據(jù)的平均絕對相對誤差，代入公式(6)選出最優(yōu)加權因子α。平均絕對相對誤差越小，說明預測精度就越高。

　　本文公交到站時間預測模型建立基于指數(shù)平滑法基礎上，模型運用平均絕對相對誤差進行最優(yōu)平滑系數(shù)α的選擇。同樣，該模型精度驗算也是用平均絕對相對誤差法進行驗算。

　　公交論文范例：城市定制公交定價現(xiàn)狀研究

　　4結語

　　本文針對公交運行情況和公交到站停靠情況進行實地調查，切實分析了影響公交到站時間的動態(tài)因素和靜態(tài)因素，運用指數(shù)平滑法預測公交到站時間，建立預測模型。通過對實測公交到站時間和指數(shù)平法預測的公交到站時間用平均絕對相對誤差精度驗證，確定最優(yōu)加權因子α為0.1后，各個數(shù)據(jù)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%。表明指數(shù)平滑法預測公交到站時間較為精確。該模型所賦予近期至遠期的權數(shù)之間按等比序列降低，等比序列首項為α，公比為1-α，所以給予遠期的權數(shù)比重越來越小，故較適用于近期的公交到站時間預測。

　　參考文獻:

　　[1]吳兵，李曄.交通管制與控制[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，黃靈暉

轉載請注明來自發(fā)表學術論文網：http://www.zpfmc.com/jjlw/27485.html