基于GPS轨迹数据的公交到站时间预测方法研究

公交到站时间预测作为智能公交的核心内容之一,不仅可以极大地提高公交服务满意度进而提高公交出行率,而且可为智能公交调度系统的优化提供数据依据。本文将公交GPS数据和公交站点与线路等GIS数据进行融合、处理与分析,基于公交车轨迹数据和路段在空间关系和时空分布上的分析和处理,设置一定的离站距离阈值对当前公交站点进行缓冲区分析,搜索在最近一段时间内停靠该站点的公交车轨迹数据,获取不同车辆的轨迹信息,进行公交到站时间预测研究,建立预测模型,推算出公交到站时间,并以经过广州市体育中心公交站的多条公交线路为例验证预测方法的准确性。研究表明:通过模型预测所得多条公交线路的公交到站时间与实际调查记录时间误差较小。     

利用梯度提升树预测公交车到站时间

当前我国公交公司普遍采用让具有丰富经验的公交调度人员以人工估计车辆到站的方法来调度车辆的发车。这种方式缺少计算辅助,加上工作量大,经常容易出现错误预估导致无法缓解道路上常发生的同路公交车遇到一起(串车)或者相隔太远(大间隔)的情况。公交到站时间受道路交通、乘客人数、时间、天气等诸多因素影响,具有不确定性。本文基于该现实问题从公交公司角度出发,提出了一种基于动态特征选择和梯度提升树的公交到站时间预测算法。其动态主要体现在对于不同线路、同一线路不同方向经过特征选择分别选取对该线路该方向站点停留和站间行驶影响较大的特征。该算法用于辅助公交调度人员参考到站时间,从而使得调度人员可以作出更准确有效的调度策略。     

基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测

针对“随着预测距离的增加,旅行时间预测的难度加大”的问题,提出了一种基于时空特征向量的长短期记忆（LSTM）和人工神经网络（ANN）的综合预测模型。首先,将24 h切分为288个时间切片,以生成时间特征向量;然后,基于时间切片建立LSTM时间窗口模型,该模型可解决长期预测的窗口移动问题;其次,将公交线路切分为多个空间切片,并使用当前空间切片的共同平均速度作为瞬时速度,同时将每个空间切片的预测时间用作空间特征向量,并将其发送到新型的混合神经网络模型LSTM-A中,该模型结合两种预测模型的优点并解决了公交旅行时间预测问题;最后,基于实验数据集进行了实验和测试：将公交站点间的预测问题划分为线路切片预测子问题,并针对每个相关的子问题引入了实时计算的概念,从而避免了复杂路况带来的预测误差。实验结果表明,所提算法在准确性、适用性方面均优于单个神经网络模型。综上,所提的新型混合神经网络模型LSTM-A能从时间特征的维度实现长距离到站预测、从空间特征的维度实现短距离到站预测,从而有效地解决了城市公交旅行时间预测问题,避免了公交车辆的远程依赖和错误积累。     

基于遗传算法的模糊神经网络公交到站时间预测模型研究

公交到站时间的预测受到诸多因素的影响,各种因素对预测准确度不可度量,很难采用传统数学模型进行建模解决。采用基于遗传算法的模糊神经网络模型对公交到站时间进行预测,该模型将遗传算法和模糊推理系统融入多层前馈神经网络中,并通过模糊规则的隶属度进行初始化与更新网络各个参数初始值,同时利用多子群自适应遗传算法进行宏观搜索,提高整个网络的寻优能力。模型以成都市某线路公交运行时间预测为例对其进行了模拟仿真,仿真结果表明基于遗传算法的模糊神经网络公交到站时间预测模型具有较高的准确性与可靠性。     

公交运行时间预测及仿真

研究公共车辆运行时间准确预测问题,公交运行时间受多种因素的影响,具有非线性和不确定性的变化规律,很难定量确定各因素对预测的影响程度.提出采用神经网络和证据理论融合的预测方法,利用神经网络的非线性特征和证据理论的不确定性融合特点,可以解决上述问题.首先利用RBF神经网络的预测控制方法对公交运行时间进行预测,然后应用D-S证据理论对不断预测的误差分析结果进行实时融合和修正.以哈尔滨市某一公交线路的站点运行时间预测为例进行仿真分析,结果表明,采用神经网络和证据理论的融合方法较单一方法比较,能够显著提高预测精度.     

基于时空相关性的LSTM算法及PM2.5浓度预测应用

现阶段空气污染物粒子浓度演进过程模拟与预测算法忽视了粒子浓度的空间相关性,且没有实现粒子浓度的时间依赖性与空间相关性融合.对此,提出基于时空相关性的LSTM算法(TS_LSTM)并应用于PM2.5浓度预测.该算法提出空间相关性及其相关因子计算方法;将局部区域相关性因子与LSTM算法的遗忘门和记忆门融合,建立基于局部地理信息的LSTM算法(LTS_LSTM);融合LTS_LSTM算法学习结果与全局空间相关性因子,构造基于全局地理信息时空相关的LSTM算法(GTS_LSTM).模拟全局与局部的空气污染物粒子浓度演进过程,并实现离子浓度预测.在全局与局部数据集上,将该算法与回归算法、支持向量机、模糊神经网络、LSTM神经网络、GC-LSTM神经网络、DL-LSTM神经网络比较研究,结果表明:在空气粒子浓度预测上,该算法的预测性能优于各种传统预测算法,接近深度LSTM算法.     

基于前车与经验数据的车辆到站时间预测模型

公交车辆运行经验数据体现了到站时间的一般性规律,前车数据反映了到站时间的实时性。提出一种基于前车与经验数据的公交车辆到站时间预测模型。在该模型中对站点间路段行驶时间及站点停留时间区分了高峰期和非高峰期,站点间的延时时间考虑了不同方向红灯等待时间的区别以及斑马线的影响。用杭州公交104路公交车的数据对预测模型进行了验证,结果表明,该预测模型具有较高的预测精度,能够较为准确地预测公交车辆到站时间。     

跨平台框架下基于移动感知的智慧公交应用研究

为了解决在没有城市实时公交车数据的情况下实现智慧公交实时报站与到站提醒服务,提出利用开源的公交线路信息与移动终端的感知数据融合的解决方案。设计了基于Haversine的最近站点自动生成算法和基于心跳包机制的站点实时监测与到站提醒算法;通过优化距离计算公式降低地理空间距离计算的时间复杂度,从而提升算法的性能;最后利用移动跨平台框架APPCan实现智慧公交APP。     

基于随机灰色蚁群神经网络的近期公交客流预测

为了科学准确地预测近期公交客流量,根据近期公交客流量预测受到多因素影响以及非线性的特点,利用随机灰色变量描述预测系统的不确定性,建立了随机灰色预测模型以及基于蚁群算法的递归神经网络模型,在此基础上,提出了一种基于随机灰色蚁群神经网络的近期公交客流量预测方法。最后以铜陵市为例,对模型的预测精度和有效性进行了分析。结果表明,基于蚁群算法的递归神经网络模型的预测精度不但高于其他单一预测模型,而且明显优于其他传统组合预测模型,能很好地反映事物发展的规律,能够指导公交经营管理者近期的决策行为,有效地改善了预测精度。     

基于GPS的公交行程时间预测模型

基于公交车辆的GPS定位信息,利用公交站点间行程时间的实时数据与短期历史数据相结合的方法,设计权重动态分配的公交到站时间预测模型,利用ARIMA模型动态确定前几辆车的行程时间对当前车辆的不同影响权重,来预测当前车辆的行程时间,能够有效的消除公交串行事件对预测的干扰。该预测模型通过北京市某路公交线路实时数据接入测试验证平均准确度达到88.4%,表明该预测模型有较高的准确性与可靠性。     

融合拓扑和属性的动态网络链路预测方法

网络数据中出现的大量节点属性和随时间变化的特征,给链路预测提出了新挑战。基于注意力机制和循环神经网络对随时间演化网络进行建模,提出了DTA-LP模型。与传统的静态链路预测算法相比,DTA-LP使用LSTM捕获时序信息,动态预测可以更好应用于现实网络;与基于网络拓扑的动态链路预测算法相比,DTA-LP可以聚集高阶拓扑特征,有效挖掘网络邻域信息;与基于属性网络的动态链路预测算法相比,DTA-LP可以加权融合网络拓扑属性,提高预测精度。在4种真实数据上的实验结果表明,该方法能结合网络已有先验知识,以较高的MAP值来预测未来网络中的边,验证了模型的有效性。     

基于LSTM-FC的瓦斯浓度时空分布预测

传统的工作面瓦斯预测方法仅利用瓦斯数据的时间特性,缺乏与空间相关的先验信息,因此利用瓦斯数据的时空特性,采用深度学习算法长短期记忆与全连接神经网络相结合的方法构建LSTM-FC（Long Short Time Memory-Fully Connection）瓦斯浓度时空序列的预测模型。LSTM能够解决瓦斯序列的长时间依赖性,全连接神经网络能够准确捕捉瓦斯序列的空间关联性,深入挖掘瓦斯数据之间的时空特性,通过预测不同位置的瓦斯值,构造工作面的瓦斯分布图。实验结果表明,通过使用LSTM-FC模型,预测误差有了明显减少,相比于其他神经网络预测模型,预测精度有所提高。     

镇村公交下一种新型智能公交到站时间预测算法

提出了一种新型模糊隶属度算法,针对镇村公交线路进行公交到站时间预测。算法在速度集Vmin,Vmid1, Vmid2,...Vmidn-2,Vmidmax层面上对GPS公交运行数据进行分析,用模糊策略标定不同速度所属速度集,并用r解释不同速度集下公交行驶道路百分比,最终采用GPS历史数据和即时数据预测公交到站时间。结果表明,新的公交运行数据可进行算法更新以保证公交到站预测精度大于95%。     

基于Spark与粒子滤波算法的公交到站时间预测系统

针对公交车到站时间预测准确性不高的问题，选用具有流式计算特点的粒子滤波（PF）算法，建立了一个公交到站时间预测模型。为更好地解决使用PF算法过程中存在的预测误差及粒子优化选择问题，通过引入上一趟公交车的行驶速度和构造观测值的方法对预测模型进行改进，使之具有更贴近实际路况的公交到站时间预测精度，并且能同时预测多个公交到达时间。基于该模型和Spark平台实现了一套公交到站时间实时预测软件系统，所有到站时间预测结果与实际相比，平峰的最大绝对误差为207 s，平均绝对误差为71.67 s；高峰的最大绝对误差为270 s，平均绝对误差为87.61 s，而预测结果的平均绝对误差在2 min以内是公认的理想结果。实验结果表明，所提模型及实现系统能准确预测公交到站时间，满足乘客实际需求。     

基于备选路径集的在线最短耗时公交换乘方法

面向城市公交出行者,在给定出行起讫点及起始时间的情况下,提出一种基于备选路径集的在线最短耗时公交换乘方法：在预处理阶段离线地运用双向广度优先搜索方法得到点对之间的静态备选路径集;结合实时公交到站时间预测数据或发车间隔等静态的公交运营数据,进行最短耗时评估,在线地从中选择耗时最短的路径。将该方法运用于沈阳公交路网案例中（公交到站时间预测数据仿真生成）,并嵌入沈阳市公交出行查询系统,结果表明了其实用性。     

深度卷积记忆网络时空数据模型

时空数据是包含时间和空间属性的数据类型.研究时空数据需要设计时空数据模型,用以处理数据与时间和空间的关系,得到信息对象由于时间和空间改变而产生的行为状态变化的趋势.交通信息数据是一类典型的时空数据.由于交通网络的复杂性和多变性,以及与时间和空间的强耦合性,使得传统的系统仿真和数据分析方法不能有效地得到数据之间的关系.本文通过对交通数据中临近空间属性信息的处理,解决了由于传统时空数据模型只关注时间属性导致模型对短时间间隔数据预测能力不足的问题,进而提高模型预测未来信息的能力.本文提出一个全新的时空数据模型—深度卷积记忆网络.深度卷积记忆网络是一个包含卷积神经网络和长短时间记忆网络的多元网络结构,可以提取数据的时间和空间属性信息,通过加入周期和镜像特征提取模块对网络进行修正.通过对两类典型时空数据集的验证,表明深度卷积记忆网络在预测短时间间隔的数据信息时,相较于传统的时空数据模型,不仅预测误差有了很大程度的降低,而且模型的训练速度也得到提升.     

基于神经网络的链路预测算法

针对当前基于网络拓扑结构相似性的链路预测算法普遍存在精确度较低且适应性不强的问题,研究发现融合算法能够有效改善这些问题。提出了一种基于神经网络的融合链路预测算法,主要通过神经网络对不同链路预测相似性指标进行融合。该算法使用神经网络对不同相似性指标的数值特征进行学习,同时采用标准粒子群算法对神经网络进行了优化,并通过优化学习后的神经网络模型计算出融合指标。多个真实网络数据集上实验表明,该算法的预测精度明显高于融合之前的各项指标,并且优于现有融合方法的精度。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...