基于GPS轨迹数据的公交到站时间预测方法研究.docxVIP

基于GPS轨迹数据的公交到站时间预测 方法研究 弓I 言(In traduction) 随着屮国城镇化进程的不断加快，大城市规模和人口不断扩大，城 市居民的出行需求不断增长，交通拥堵、环境污染及过度能源消耗等负 面效应日益突出，成为经济和社会协调发展的热点问题，大力发展公共 交通不仅可以提升交通出行效率，而且可以减轻交通拥挤，减少环境污 染，合理利用资源，促进社会公平，实现低碳绿色交通，但我国城市公 共交通在准时性、便捷性等方面不能满足乘客的需求，导致公共交通吸 引率长期偏低，因此积极开展公交到站时间预测方法的研究，已成为改 善交通压力的重耍研究方向：向出行者提供公交到站时间信息可以极大 地提高公交服务满意度，从而提高公交出行率；向管理者提供公交到站 时间信息可为公交线路及站点的调整提供依据，为智能公交系统的实时 调度优化提供基础数据。 常见预测方法综述(Summary of commonprediction methods) 根据预测方法不同，公交到站时间预测方法主要分为下四类：(1) 基于时空变化规律的预测方法：根据公交行程时间在时间与空间上的变 化规律，遵循已有的历史数据对车辆在未来时间里经过某一路段的行程 时间进行预测，目前这种预测方法主要有时间序列法、卡尔曼滤波法口］、 神经网络法⑵、支持向量机［3,4］等。(2)基于影响因素的预测方法：通 过建立公交行程时间与路段长度、天气情况、交通流量、岀行时间等因 素之间的数学模型来进行公交到站时间预测，□前主要包括统计回归理 论预测方法与数学模型预测方法［5-7］o (3)基于数据融合的预测方法：通 过对多源检测器采集的数据进行综合处理，得到更全面准确的数捉，或 结合多种预测方法的结果，提高预测精度、保证预测结果稳定性，目前 数据融合方法主要有加权平均法、贝叶斯方法［8,9］、统计决策理论 ［10,11］＞神经网络法［12］等。(4)混合模型预测方法：由于预测算法的各 自特点，各种预测模型在展现良好预测性能的同时也存在固有缺点，所 以近年来，公交到站时间预测研究朝着多种方案相结合的混合预测模型 方向发展。 3基于GPS轨迹数据的公交到站时间预测(Bus arrival time prediction based on GPStrack data) 随着智1能公交系统的快速发展，基于GPS的自动定位系统、GIS 技术、无线通信技术得到了更加广泛的使用，利用公交GPS轨迹数据 进行数据挖掘，已经成为一种预测公交到站时间的新方法。 3.1 GPS数据处理与融合分析 本文实验数据来源于广州市公交GPS数据，公交车在回传数据时, 受到特殊地形、恶劣天气的影响，或是无线通信网络通信质量不佳，都 会对回传数据的质量造成影响，所以在数据融合分析之前需要对数据进 行预处理以保障数据的精确性，从而避免对预测造成不必要的负面影 响，主要采取两个步骤:(1)GPS数据清理，去除漂移点。轨迹数据的 经纬度坐标是最重要的基础数据，但由于模块定位过程中受到大型建筑物的遮挡，以及其他事物的干扰，会出现很多漂移点而对于严重偏离所 属线路的情况，会对预测精度造成重大影响，因此必须去除。本文通过 叠加GPS轨迹点和公交线路图层，在地图上非常直观地表现出了车辆 行驶轨迹偏离所属线路的程度，通过设置可变的阈值，控制轨迹数据中 坐标的精度。（2）GPS数据丢失插值处理。由于城市中高楼耸立，GPS 数据传输过程中会出现丢失的问题，造成GPS定位吋间间隔过久，直 接影响提取出交通数据的准确性。本文釆取插值处理的方法补充空白 点，运用前后两个数据点的平均值作为插入数值。 数据融合分析是将车辆GPS定位数据、公交车辆数据、公交线路 数据、公交站点数据、公交线路站点关系、运营计划数据等进行融合， 通过GPS空间信息和站点空间信息进行空间分析，结合融合后的数据 获得公交车GPS的吋空轨迹数据。 具体关联如图1所示。 GPS空何们息 公交站点空间位息图1融合数据各数据表之间的关联关系Fig. 1 Association of seven data sources乍辆GPS定位PK定位时间FK2S GPS空何们息 公交站点空间位息 图1融合数据各数据表之间的关联关系 Fig. 1 Association of seven data sources 乍辆GPS定位 PK 定位时间 FK2 S 牟经纬JJ 公交线路 PK 践路編码 线路名称 线胳竹向 运背公司 公交线路站点关系 PK 編弓 FKI VK2 线路编码 站点編码 站点序兮 公交乍辆 PK 乍辆編码 刷卡终竭巧 车収终端号 ▼ 仏背计划信息 PK 运营计划编号 IJ、 FKI 运件H期 线路编码 乍辆城码 发班博次 公交站点 PK 殆点編码 站点化称 经度 纬度 V 车辆进