公交到站時間預(yù)測方法研究

　　摘要:準確的公交到站時間預(yù)測是當下提升公交吸引力的關(guān)鍵技術(shù)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(diào)查并進行預(yù)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(diào)查公交運行數(shù)據(jù)的基礎(chǔ)上，構(gòu)建公交到站時間預(yù)測的模型，并對其精度情況進行了檢驗。結(jié)果表明，該模型適用于公交到站時間預(yù)測且精度較高。

　　關(guān)鍵詞:公共交通;指數(shù)平滑法;到站時間;預(yù)測

　　1概述

　　21世紀以來，我國大力倡導(dǎo)綠色交通，堅持可持續(xù)發(fā)展戰(zhàn)略在我國各個領(lǐng)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(guān)心內(nèi)容之一，為出行者提供預(yù)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(nèi)外學者對公交車輛到站時間的預(yù)測進行了研究。

　　Pattara-Atikom等人利用GPS數(shù)據(jù)建立深度神經(jīng)網(wǎng)絡(luò)模型(DNN)預(yù)測公共巴士到達時間，該方法優(yōu)于已有的公交線路預(yù)測方法，對任意線路的公交出行時間預(yù)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(gòu)建公交到站時間預(yù)測的模型，表明考慮多變量預(yù)測模型的預(yù)測精度要小于僅考慮一種變量的預(yù)測模型[3]。

　　Gu等人提出了一種基于神經(jīng)網(wǎng)絡(luò)與MapReduce相配合的公交到站時間預(yù)測模型。結(jié)果表明，分時段預(yù)測模優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)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(yù)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(jīng)網(wǎng)絡(luò)進行改進運算構(gòu)建公交到站時間預(yù)測模型，解決了公交到站時間預(yù)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(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)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(chǔ)，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(xùn)練，故適用于預(yù)測當前公交到站的時間，預(yù)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(yù)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(xùn)練，初步形成SVM回歸模型，模型處理后初步得出靜態(tài)預(yù)測結(jié)果，應(yīng)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(yù)測結(jié)果較支持向量機法和卡爾曼濾波預(yù)測法更加準確[9]。

　　隨著公交的互聯(lián)網(wǎng)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(yīng)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(diào)查數(shù)據(jù)的基礎(chǔ)上，利用三次指數(shù)平滑法建立公交到站預(yù)測模型，以探索準確和及時的公交到站預(yù)測模型方法，為乘客提供更為高效的公交到站時間預(yù)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(diào)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(nóng)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(jīng)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(diào)查方法選用牌照法。調(diào)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(diào)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(yù)測的精度影響很大，故需要對調(diào)查數(shù)據(jù)進行預(yù)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(diào)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(diào)查數(shù)據(jù)合理，否側(cè)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(yù)測精度。工作日與非工作日區(qū)間公交運行時間預(yù)處理前后值。

　　3預(yù)測方法及應(yīng)用

　　指數(shù)平滑法因其對短期時間序列的預(yù)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(yīng)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(yù)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(guān)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(yù)測可信度較高、基礎(chǔ)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(gòu)建公交到站時間預(yù)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(jīng)過多次平滑后，初始值對整體預(yù)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(yù)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(quán)因子α。平均絕對相對誤差越小，說明預(yù)測精度就越高。

　　本文公交到站時間預(yù)測模型建立基于指數(shù)平滑法基礎(chǔ)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(jié)語

　　本文針對公交運行情況和公交到站�？壳闆r進行實地調(diào)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(yù)測公交到站時間，建立預(yù)測模型。通過對實測公交到站時間和指數(shù)平法預(yù)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(quán)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(yù)測公交到站時間較為精確。該模型所賦予近期至遠期的權(quán)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(quán)數(shù)比重越來越小，故較適用于近期的公交到站時間預(yù)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(zhuǎn)載請注明來自發(fā)表學術(shù)論文網(wǎng)：http:///jjlw/27485.html