公交到站時(shí)間預(yù)測(cè)方法研究

　　摘要:準(zhǔn)確的公交到站時(shí)間預(yù)測(cè)是當(dāng)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(duì)公交站間行程時(shí)間進(jìn)行數(shù)據(jù)調(diào)查并進(jìn)行預(yù)處理。針對(duì)指數(shù)平滑法的優(yōu)點(diǎn)，選取三次指數(shù)平滑法，在調(diào)查公交運(yùn)行數(shù)據(jù)的基礎(chǔ)上，構(gòu)建公交到站時(shí)間預(yù)測(cè)的模型，并對(duì)其精度情況進(jìn)行了檢驗(yàn)。結(jié)果表明，該模型適用于公交到站時(shí)間預(yù)測(cè)且精度較高。

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

　　1概述

　　21世紀(jì)以來，我國大力倡導(dǎo)綠色交通，堅(jiān)持可持續(xù)發(fā)展戰(zhàn)略在我國各個(gè)領(lǐng)域持續(xù)推進(jìn)。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(jià)、便捷、覆蓋面廣、公交線路多等優(yōu)點(diǎn)而頗具吸引力，然而，公交車輛到站時(shí)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(cè)準(zhǔn)確性高的公交車到站時(shí)間信息，成為提升公交線路運(yùn)營管理水平，影響公交吸引力的主要因素。國內(nèi)外學(xué)者對(duì)公交車輛到站時(shí)間的預(yù)測(cè)進(jìn)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(cè)公共巴士到達(dá)時(shí)間，該方法優(yōu)于已有的公交線路預(yù)測(cè)方法，對(duì)任意線路的公交出行時(shí)間預(yù)測(cè)具有可行性和實(shí)用性[2]。Angelo利用非線性時(shí)間序列處理高速路公交車輛運(yùn)營的時(shí)間信息，構(gòu)建公交到站時(shí)間預(yù)測(cè)的模型，表明考慮多變量預(yù)測(cè)模型的預(yù)測(cè)精度要小于僅考慮一種變量的預(yù)測(cè)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(shí)間預(yù)測(cè)模型。結(jié)果表明，分時(shí)段預(yù)測(cè)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(cè)到站終點(diǎn)的公交到站模型，通過實(shí)驗(yàn)證明該模型可以用于估計(jì)公交到站時(shí)間且較為準(zhǔn)確[5]。羅頻捷等對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)運(yùn)算構(gòu)建公交到站時(shí)間預(yù)測(cè)模型，解決了公交到站時(shí)間預(yù)測(cè)的滯后性，存在極值和隨機(jī)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(shí)間預(yù)測(cè)模型，該模型以實(shí)測(cè)運(yùn)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(duì)公交到站時(shí)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(shí)間模型訓(xùn)練，故適用于預(yù)測(cè)當(dāng)前公交到站的時(shí)間，預(yù)測(cè)較為準(zhǔn)確[7]。鄧玲麗等人提出基于向量回歸算法的公交到站時(shí)間預(yù)測(cè)，充分考慮了站間路段綜合情況對(duì)公交到站時(shí)間的影響[8]。彭俊偉提出了一種用支持向量回歸算法進(jìn)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(cè)結(jié)果，應(yīng)用改良后的卡爾曼濾波算法進(jìn)行動(dòng)態(tài)修正，所得出公交到站時(shí)間預(yù)測(cè)結(jié)果較支持向量機(jī)法和卡爾曼濾波預(yù)測(cè)法更加準(zhǔn)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(shí)間的準(zhǔn)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(tái)，乘客可以通過公交站臺(tái)電子信息屏或者乘客手機(jī)上app應(yīng)用程序，實(shí)時(shí)查詢到公交車輛的當(dāng)前位置。但對(duì)于公交車輛在各站點(diǎn)之間的運(yùn)行時(shí)間，以及最終到達(dá)乘客站點(diǎn)的時(shí)間，公交線路目前還無法像地鐵那樣準(zhǔn)確地反饋給乘客，這對(duì)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(shí)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(cè)模型，以探索準(zhǔn)確和及時(shí)的公交到站預(yù)測(cè)模型方法，為乘客提供更為高效的公交到站時(shí)間預(yù)報(bào)。

　　2公交運(yùn)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(duì)象。85路往返于福建行政學(xué)院與白湖亭客運(yùn)站之間，途徑福建農(nóng)林大學(xué)、空軍醫(yī)院、福建師范大學(xué)倉山校區(qū)、師大學(xué)生街等，是連接學(xué)區(qū)、商業(yè)區(qū)和客運(yùn)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(gè)連續(xù)站點(diǎn)進(jìn)行高峰行程時(shí)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(shí)間為2019年3月10日—3月13日。根據(jù)采集區(qū)間行程時(shí)間調(diào)查數(shù)據(jù)可以看出，數(shù)據(jù)存在很多尖峰，這對(duì)公交到站時(shí)間預(yù)測(cè)的精度影響很大，故需要對(duì)調(diào)查數(shù)據(jù)進(jìn)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(biāo)準(zhǔn)差σ求出來，標(biāo)準(zhǔn)差可以反映得調(diào)查數(shù)據(jù)的差異程度。如果實(shí)測(cè)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(gè)合理數(shù)據(jù)求平均值，從而提高公交到站時(shí)間的預(yù)測(cè)精度。工作日與非工作日區(qū)間公交運(yùn)行時(shí)間預(yù)處理前后值。

　　3預(yù)測(cè)方法及應(yīng)用

　　指數(shù)平滑法因其對(duì)短期時(shí)間序列的預(yù)測(cè)在可操作性和可靠性等方面具有較強(qiáng)的優(yōu)勢(shì)而在實(shí)踐中得到廣泛的應(yīng)用。當(dāng)時(shí)間序列數(shù)據(jù)呈現(xiàn)出平滑趨勢(shì)時(shí)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(cè)實(shí)測(cè)數(shù)據(jù)之間不存在明顯增長趨勢(shì)，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(shí)序的變化，清晰地顯示出時(shí)序的變化趨勢(shì)，對(duì)波動(dòng)范圍較大且呈非線性變化規(guī)律的數(shù)據(jù)具有很強(qiáng)的適用性，具有預(yù)測(cè)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(diǎn)。公交運(yùn)行數(shù)據(jù)具有一定的波動(dòng)性，并呈現(xiàn)出一定的非線性變化趨勢(shì)，故采用三次指數(shù)平滑法來構(gòu)建公交到站時(shí)間預(yù)測(cè)模型具有較好的可行性。

　　根據(jù)文獻(xiàn)[13]表明，當(dāng)實(shí)測(cè)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(duì)整體預(yù)測(cè)的影響就非常小，所以可以取時(shí)間序列樣本的平均值作為初始值，且此時(shí)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(yùn)行數(shù)據(jù)為例，計(jì)算出各組預(yù)測(cè)值及平均絕對(duì)相對(duì)誤差值，計(jì)算N組數(shù)據(jù)的平均絕對(duì)相對(duì)誤差，代入公式(6)選出最優(yōu)加權(quán)因子α。平均絕對(duì)相對(duì)誤差越小，說明預(yù)測(cè)精度就越高。

　　本文公交到站時(shí)間預(yù)測(cè)模型建立基于指數(shù)平滑法基礎(chǔ)上，模型運(yùn)用平均絕對(duì)相對(duì)誤差進(jìn)行最優(yōu)平滑系數(shù)α的選擇。同樣，該模型精度驗(yàn)算也是用平均絕對(duì)相對(duì)誤差法進(jìn)行驗(yàn)算。

　　公交論文范例：城市定制公交定價(jià)現(xiàn)狀研究

　　4結(jié)語

　　本文針對(duì)公交運(yùn)行情況和公交到站�？壳闆r進(jìn)行實(shí)地調(diào)查，切實(shí)分析了影響公交到站時(shí)間的動(dòng)態(tài)因素和靜態(tài)因素，運(yùn)用指數(shù)平滑法預(yù)測(cè)公交到站時(shí)間，建立預(yù)測(cè)模型。通過對(duì)實(shí)測(cè)公交到站時(shí)間和指數(shù)平法預(yù)測(cè)的公交到站時(shí)間用平均絕對(duì)相對(duì)誤差精度驗(yàn)證，確定最優(yōu)加權(quán)因子α為0.1后，各個(gè)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(cè)公交到站時(shí)間較為精確。該模型所賦予近期至遠(yuǎn)期的權(quán)數(shù)之間按等比序列降低，等比序列首項(xiàng)為α，公比為1-α，所以給予遠(yuǎn)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(shí)間預(yù)測(cè)。

　　參考文獻(xiàn):

　　[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(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/27485.html