公交到达时间预测误差分析及模型改进.docVIP

公交到达时间预测误差分析及模型改进 　　【摘 要】公交到达时间预测的改进是一个持续的过程。为了进一步提高公交到达时间预测的精度，对原有预测模型长期的测试结果进行分析，结合历史的预测结果和GPS数据分析总结产生误差的4个主要因素：数据质量问题、驾驶行为差异、道路交通特性差异及异常事件影响。最后针对前3个问题提出改进方案并进行试验验证。实际数据测试结果表明：改进后模型的公交到站时间预测的有了显著的提高（尤其是在之前预测精度较低的站点），整体上短时精度提高了1.51%，长时精度提高了1.88%，且改进后的模型更具稳定性。 中国论文网 /8/view-7162030.htm 　　【关键词】公交到达时间预测；智能交通；误差分析；模型改进 　　0 引言 　　公交到达时间预测是智能交通领域研究的热点问题之一，而公交到达时间预测是一个持续改进的过程。目前以存在了许多公交到达时间预测的方法，如人工神经网络算法，支持向量机、自回归时间序列，卡尔曼滤波等等[1-3]，这些算法均有自身的优点，但也存在一定的局限性，预测精度还有待进一步的提高。文献[1]已经建立了公交到达时间预测模型，并且经实验验证能取得较好的结果，而进一步分析，其精度还可以进一步提高。 　　因此，为进一步提高公交到达时间预测的精度，本文在已有模型的基础上，通过利用海量的公交车GPS数据进行长期的测试，对分析测试结果做详细的分析，同时结合公交车GPS数据，分析产生误差产生的原因（特别是大误差产生的原因），针对具体的问题提出相应的解决方案，对公交到达时间预测模型做进一步的改善和优化，以提高模型的精度。 　　1 旧模型公交到达时间预测结果分析 　　1.1 原有模型简介 　　文献[3]将公交到达时间分成了路段行程时间、车站区域停留时间和其他延误时间3部分，提出了公交达到时间预测模型，如下所示： 　　Tntk=Tmtk+ T + T + T （1） 　　其中Tmtk和 T 为共同组成路段行程时间， T 为车辆靠站停留时间， T 为信号灯延误时间。本文在文献[1]的基础上建立公交到达时间预测模型，以重庆市典型公交线路如886（日间车线路）和0811（夜间车线路）为例，并利用从2012年-2013年期间的公交GPS实际数据进行测试。 　　1.2 评价指标介绍 　　公交到达时间预测精度的评价是一个相对的指标，既需要考虑到绝对误差，又要考虑到乘客的主观感受，因此，本文采用短时精度和长时精度两个指标进行评价。 　　（1）短时精度。实际到站时间在5分钟内的预测数据的绝对误差在1分钟及以内的数据个数占实际到站时间在5分钟内的预测数据总量的比例。 　　（2）长时精度。实际到站时间在5分钟及以上的预测数据的相对误差在20%及以内的数据个数占实际到站时间在5分钟及以上的预测数据总量的比例。 　　1.3 旧模型测试结果分析 　　为了对公交到达时间预测模型的测试结果做进一步的分析，根据测试结果所反映的规律来查找公交到达时间的影响因素，利用0811线路从2012年7月到2013年2月期间约200天的测试结果的分布情况进行分析，如图1所示。 　　通过长期的测试结果可以看出，利用文献[3]所建立模型预测公交达到时间可以达到较高的精度，短时精度和长时精度整体上保持在85%-90%之间。但不可否认的是，公交到达时间预测仍会产生较大的波动，有些天的预测精度（主要是长时精度）低于80%。因此，如何进一步提高公交到达时间预测的精度（包括降低长时精度的波动性），是本文研究的主要问题。 　　图1 公交线路0811长期公交到达时间预测结果分布 　　首先，为了检验短时精度和长时精度之间是否存在显著的差异，对两者进行T检验，结果如表1所示。 　　表1 短时精度和长时精度差异对比 　　由表1可以看出，公交到达时间预测结果的短时精度和长时精度具有显著的差异，短时精度的均值为87.86%，高于长时精度（85.08%），说明将公交到达时间预测结果分为短时精度和长时精度是有必要的。同时，这两个指标考虑到乘客候车的感受，对公交到达时间预测结果的评价更加合理。 　　2 误差分析及模型改善 　　通过长期结合公交到达时间预测模型的预测结果和海量公交车GPS数据的分析，本文总结公交到达时间预测产生误差（尤其是大误差）的影响因素有：（1）数据问题，包括数据缺失和数据错误两方面；（2）道路交通特性的差异影响；（3）司机驾驶行为差异影响；（4）异常事件影响；以下将对这些因素的情况及其对公交到达时间预测结果的影响作进一步的分析。同时，针对这些问题，提出进一步的优化方案。 　　2.1 误差分析 　　2.1.1 数据质量问题 　　数据质量问题主要包括两点：其一，数据缺失；其二，数据错误。具体如下： 　　（1）数据缺失。数据