一種到站時間預(yù)測方法
【專利摘要】一種基于隨機類神經(jīng)網(wǎng)絡(luò)群的到站時間預(yù)測系統(tǒng)與方法，車載行動設(shè)備周期性地獲取定位信息(經(jīng)緯度坐標(biāo))，并與車載行動設(shè)備中的站點信息(為一多邊形或圓形區(qū)域)進行比較判斷是否到站(或離站)，再回報到站(或離站)信息和時間點給云端服務(wù)器。云端服務(wù)器負(fù)責(zé)收集由車載行動設(shè)備所回報的到站(或離站)信息并分析各個站點間的旅行時間，將此數(shù)據(jù)儲存到云端數(shù)據(jù)庫服務(wù)器中，再將旅行時間數(shù)據(jù)集合用來訓(xùn)練隨機類神經(jīng)網(wǎng)絡(luò)群算法的參數(shù)值。
【專利說明】-種到站時間預(yù)測方法
[0001] 本發(fā)明申請是申請日為2015年3月3日、申請?zhí)枮?01510094269.5、發(fā)明名稱為"一 種到站時間預(yù)測系統(tǒng)與方法"的發(fā)明申請的分案申請。
技術(shù)領(lǐng)域
[0002] 本發(fā)明設(shè)及無線通信技術(shù)領(lǐng)域，特別設(shè)及一種到站時間預(yù)測方法。
【背景技術(shù)】
[0003] 目前，公共交通工具到站時間預(yù)測的現(xiàn)有技術(shù)為:采用歷史數(shù)據(jù)來進行統(tǒng)計和平 均，取得各個站到站之間的平均車速和旅行時間，或者是應(yīng)用當(dāng)下車輛實時的瞬時車速信 息，W此來估計到站時間。然而，運些方法無法反應(yīng)站點間實時的路況變化情況，因而造成 較大的到站時間信息誤差。
[0004] 公開號為TW201137803的臺灣專利，主要提出收集過去公交車所回報的到站信息 來估計站到站之間的平均車速和旅行時間，并可W按照不同的星期和時段來進行統(tǒng)計，當(dāng) 使用者查詢時可W獲得歷史平均車速和旅行時間。雖然此方法可W快速地提供預(yù)估到站時 間，然而主要是采用歷史數(shù)據(jù)平均值，因而無法根據(jù)實時路況來進行到站時間的預(yù)測，故有 可能在到站時間預(yù)測上造成較大的誤差。
[0005] 公開號為TW201344647的臺灣專利，在預(yù)測到站時間后，根據(jù)公交車實時的位置信 息，給駕駛?cè)颂峁┸囁僬{(diào)整建議，W此來提高到站準(zhǔn)點率。雖然此方法可W預(yù)估到站時間， 也可W提供到站準(zhǔn)點控制，但是該方法主要采用的是歷史數(shù)據(jù)的平均值，而無法根據(jù)實時 路況來進行到站時間的預(yù)測，故有可能造成到站時間預(yù)測上較大的誤差。
[0006] 臺灣專利公開號為TW201405497的臺灣專利，主要提出當(dāng)車載行動設(shè)備經(jīng)過各個 路段時，通過車載行動設(shè)備將各個路段的旅行時間實時回報給后端的監(jiān)控中屯、，再由監(jiān)控 中屯、將每個路段的最短旅行時間和最長旅行時間發(fā)布給所有車載行動設(shè)備。若車載行動設(shè) 備的旅行時間介于最短旅行時間和最長旅行時間之間，則不再回報。此方法雖然可W有效 掌握各個路段的旅行時間和減少傳輸數(shù)量，但并未提出公交車到站時間的預(yù)測方法，故無 法預(yù)測公交車到站信息。
[0007] 公開號為TW201117146的臺灣專利，主要提供查詢公交車旅行時間的方法，可讓使 用者查詢到其欲搭乘的公交車的實時位置和旅行時間。雖然此方法可W讓使用者查詢到公 交車實時的位置和旅行時間，但并未提出公交車到站時間的預(yù)測方法，故無法預(yù)測公交車 到站信息。
[000引公開號為TW200828190的臺灣專利，主要提出利用使用者的行動設(shè)備來接收到站 信息，當(dāng)使用者抵達站點時，會發(fā)出通知來提醒使用者。雖然此方法可W在到達站點時提醒 使用者，可W提供實時的到站信息，然而卻無法提供預(yù)測信息。
[0009]公告號為TWI252441的臺灣專利，主要提出通過公交車接收衛(wèi)星定位信號，并實時 的將位置信息回傳至監(jiān)控中屯、，再由監(jiān)控中屯、的預(yù)測模塊根據(jù)公交車實時位置進行到站時 間預(yù)測。雖然此方法可W提供到站時間預(yù)測，但專利中僅提到參考經(jīng)驗值，而未來明確提到 公交車到站時間的預(yù)測方法。
[0010] 公告號為TWI341998的臺灣專利，主要提出根據(jù)公交車的實時車速和公交車到各 個站點的距離，來預(yù)測旅行時間；W及根據(jù)使用者的步行速度和使用者到各個站點的距離， 來計算步行時間。最后再根據(jù)旅行時間和步行時間來估計適合的站點。雖然此方法可W提 供公交車旅行時間的預(yù)測方法，但此方法主要考慮的是公交車當(dāng)下的實時車速和到站距 離，然而車輛和站點間的交通信息并未被考慮，故有可能造成到站時間預(yù)測上較大的誤差。
[0011] 公開號為TW201232489的臺灣專利，提出運用希爾伯特-黃轉(zhuǎn)換化HT)的經(jīng)驗?zāi)B(tài) 分解法結(jié)合灰模式來預(yù)測行車速度，再根據(jù)預(yù)估的車速換算為旅行時間和到站時間。雖然 此方法可W有效運用數(shù)學(xué)和統(tǒng)計模型進行車速預(yù)測，但是因為此方法運用所有的數(shù)據(jù)進行 分析，故無法避免極端值的影響，將有可能造成到站時間預(yù)測上較大的誤差。

【發(fā)明內(nèi)容】

[0012] 鑒于上述現(xiàn)有技術(shù)的問題，本發(fā)明的目的是在提供一種到站時間預(yù)測方法，通過 收集各個路段和時段的站到站之間的旅行時間，并提出新穎的隨機類神經(jīng)網(wǎng)絡(luò)群來分析上 述的旅行時間數(shù)據(jù)集合，建立多個類神經(jīng)網(wǎng)絡(luò)模型來避免極端值的影響，W及綜合考慮多 個類神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果來提升預(yù)測的準(zhǔn)確度，W此來預(yù)測使用者欲搭乘的公交車的 到站時間，將預(yù)測結(jié)果提供給使用者作為參考。
[0013] 本發(fā)明的到站時間預(yù)測系統(tǒng)包括多個車站站牌、多個車載終端設(shè)備、多個細(xì)胞網(wǎng) 絡(luò)基地臺、云端運算服務(wù)器、云端歷史數(shù)據(jù)庫W及多個到站時間預(yù)測系統(tǒng)客戶端設(shè)備。其 中，各車站站牌具有一個經(jīng)締度坐標(biāo)信息。當(dāng)每個所述車載終端設(shè)備接近所述多個車站站 牌時，每個所述車載終端設(shè)備感測到所述多個經(jīng)締度坐標(biāo)信息，進而產(chǎn)生到站信息。到站信 息通過所述多個細(xì)胞網(wǎng)絡(luò)基地臺進行傳送，而云端運算服務(wù)器接收來自細(xì)胞網(wǎng)絡(luò)基地臺的 到站信息后，計算出旅行時間，再根據(jù)旅行時間W及查詢站點預(yù)測剩余旅行時間，并轉(zhuǎn)換為 到站時間，再將到站時間通過細(xì)胞網(wǎng)絡(luò)基地臺進行傳送。云端歷史數(shù)據(jù)庫儲存有經(jīng)締度坐 標(biāo)信息W及車站站牌之間的旅行時間。到站時間預(yù)測系統(tǒng)客戶端設(shè)備發(fā)送查詢站點，并接 收通過細(xì)胞網(wǎng)絡(luò)基地臺傳送的到站時間，再顯示到站時間。
[0014] 本發(fā)明的到站時間預(yù)測方法包括下列步驟:設(shè)定隨機類神經(jīng)網(wǎng)絡(luò)群算法參數(shù)值； 讀取歷史數(shù)據(jù)庫中的站到站之間的旅行時間；隨機產(chǎn)生m個類神經(jīng)網(wǎng)絡(luò)模型;過濾掉正確率 低于口限值的類神經(jīng)網(wǎng)絡(luò)模型后，剩余k個類神經(jīng)網(wǎng)絡(luò)模型;取得實時的站到站之間的旅行 時間或測試階段中的測試數(shù)據(jù);將旅行時或測試數(shù)據(jù)輸入到過濾后的k個類神經(jīng)網(wǎng)絡(luò)模型 中，并預(yù)測站到站的旅行時間；W及在取得預(yù)測的站到站的旅行時間后，換算為目標(biāo)站點的 到達時間。
[0015] 綜上所述，本發(fā)明的到站時間預(yù)測系統(tǒng)及方法，具有下述中的一個或多個優(yōu)點：
[0016] 1.本發(fā)明收集實時的各個路段和時段的站到站之間的旅行時間來估計目前車輛 位置到達目標(biāo)站點的旅行時間。
[0017] 2.本發(fā)明提出新穎的隨機類神經(jīng)網(wǎng)絡(luò)群來分析上述旅行時間數(shù)據(jù)集合，建立多個 類神經(jīng)網(wǎng)絡(luò)模型，再綜合考慮多個類神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果來提升預(yù)測準(zhǔn)確度，W此來 預(yù)測使用者欲搭乘的公交車的到站時間，將預(yù)測結(jié)果提供給使用者作為參考。
[0018] 3.本發(fā)明在隨機類神經(jīng)網(wǎng)絡(luò)群算法的學(xué)習(xí)階段中，為每個類神經(jīng)網(wǎng)絡(luò)模型分別從 數(shù)據(jù)集合中隨機取出多筆數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，并將剩余的資料作為在訓(xùn)練階段中的測試數(shù) 據(jù)，再將訓(xùn)練數(shù)據(jù)輸入到各個類神經(jīng)網(wǎng)絡(luò)模型中進行學(xué)習(xí)，因而可避免極端值的影響。
[0019] 4.本發(fā)明在隨機類神經(jīng)網(wǎng)絡(luò)群算法的測試階段和實行階段中，運用各個類神經(jīng)網(wǎng) 絡(luò)模型所預(yù)測的旅行時間與訓(xùn)練階段所學(xué)習(xí)得到的權(quán)重進行加權(quán)平均，最后將加權(quán)平均后 的旅行時間作為此隨機類神經(jīng)網(wǎng)絡(luò)群算法的旅行時間預(yù)測值，并將旅行時間換算為到站時 間，W此進行到站時間預(yù)測。
【附圖說明】
[0020] 圖1為本發(fā)明實施例一到站時間預(yù)測系統(tǒng)的結(jié)構(gòu)示意圖；
[0021] 圖2為本發(fā)明實施例二到站時間預(yù)測方法的流程示意圖；
[0022] 圖3為本發(fā)明實施例=到站時間預(yù)測方法的流程示意圖；
[0023] 圖4為本發(fā)明實施例四類神經(jīng)網(wǎng)絡(luò)模型的示意圖；
[0024] 圖5為本發(fā)明實施例五預(yù)測旅行時間的示意圖。
【具體實施方式】
[0025] 參考圖1，本發(fā)明是關(guān)于一種基于隨機類神經(jīng)網(wǎng)絡(luò)群的到站時間預(yù)測的系統(tǒng)。該系 統(tǒng)主要可W預(yù)測車輛的到站時間，適用于客運業(yè)者、物流業(yè)者、或其它有到站時間預(yù)測需求 的相關(guān)業(yè)者，并將預(yù)測的到站時間提供給客戶端設(shè)備，讓客戶或使用者可W實時掌握車輛 信息和到站信息，節(jié)省等候時間，其中主要包含下列六個模塊：（1)多個車站站牌100:此站 牌設(shè)備主要包含有一組經(jīng)締度坐標(biāo)信息，并且此信息可預(yù)先儲存在車載終端設(shè)備和云端運 算服務(wù)器中，當(dāng)車載終端設(shè)備接近車站站牌時，車載終端設(shè)備可W感知到站信息。此外，此 站牌設(shè)備也可W嵌入RFID(RadiC) Frequen巧IDentification,無線射頻辨識）標(biāo)簽，當(dāng)車 輛臨近時可W感知站牌，并可W此來判斷到站。（2)多個車載終端設(shè)備101:此設(shè)備主要包含 有GPS(Global化Sitioning System,全球定位系統(tǒng))模塊、細(xì)胞網(wǎng)絡(luò)模塊、W及數(shù)據(jù)庫模塊 (并未在圖1中畫出），可W收集車輛當(dāng)前位置(包含經(jīng)締度坐標(biāo)），W及判斷目前位置是否臨 近車站站牌100,若在車站站牌100附近的范圍內(nèi)則判斷到站，并將到站信息和時間點通過 細(xì)胞網(wǎng)絡(luò)基地臺102回傳至云端運算服務(wù)器端103。此外，在到站判斷的部分，車載終端設(shè)備 101也可W嵌入RFID讀取器，當(dāng)車輛臨近時可W感知站牌，可W接收來自站牌設(shè)備的RFID卷 標(biāo)信號，來判斷是否到站。（3)多個細(xì)胞網(wǎng)絡(luò)基地臺102:每個細(xì)胞網(wǎng)絡(luò)基地臺102提供數(shù)據(jù) 的傳送功能和數(shù)據(jù)的接收功能，負(fù)責(zé)車載終端設(shè)備101、云端運算服務(wù)器103、W及到站時間 預(yù)測系統(tǒng)客戶端設(shè)備106之間的數(shù)據(jù)傳輸。（4)云端運算服務(wù)器103:此服務(wù)器主要可W收集 和分析來自車載終端設(shè)備101的到站信息、到站時間點，根據(jù)每個到站時間點計算出每個站 到站之間的旅行時間，再將使用者查詢的目標(biāo)站點的行駛路線上的前多個站到站之間的旅 行時間的數(shù)據(jù)集合，輸入到本發(fā)明所提出的隨機類神經(jīng)網(wǎng)絡(luò)群到站時間預(yù)測方法所訓(xùn)練完 成的類神經(jīng)網(wǎng)絡(luò)群，進行分析和運算W此來獲取到達目標(biāo)站點的剩余旅行時間預(yù)測，再換 算為到達目標(biāo)站點的到站時間。（5)云端歷史數(shù)據(jù)庫105:此數(shù)據(jù)庫主要可W儲存歷史的每 個站到站之間的旅行時間，可W用來作為隨機類神經(jīng)網(wǎng)絡(luò)群的訓(xùn)練數(shù)據(jù)集合，用來訓(xùn)練每 個類神經(jīng)網(wǎng)絡(luò)模型。（6)多個到站時間預(yù)測系統(tǒng)客戶端設(shè)備106:此設(shè)備可W為一個行動式 設(shè)備，具有人機互動接口和網(wǎng)絡(luò)傳輸模塊，可讓使用者通過此設(shè)備查詢和展示其欲取得的 目標(biāo)站點的到站時間預(yù)測。并可由使用者預(yù)先設(shè)定好其欲搭乘的站點和時間，再由此設(shè)備 主動更新和判斷，當(dāng)車輛即將到達時主動給使用者發(fā)出提醒信息和聲音。
[0026] 參考圖2和圖3,本發(fā)明更提供一種基于隨機類神經(jīng)網(wǎng)絡(luò)群的到站時間預(yù)測的方 法。此方法主要將包括2個階段：（a)訓(xùn)練階段和(b)實行和測試階段。其中，訓(xùn)練階段主要包 括4個步驟，分別為：
[0027] 步驟S201:設(shè)定隨機類神經(jīng)網(wǎng)絡(luò)群算法參數(shù)值；
[0028] 步驟S202:讀取歷史數(shù)據(jù)庫中的每個站到站之間的旅行時間；
[00巧]步驟S203:隨機產(chǎn)生m個類神經(jīng)網(wǎng)絡(luò)模型；
[0030] 步驟S208:過濾掉正確率低于口限值的類神經(jīng)網(wǎng)絡(luò)模型后，剩余k個類神經(jīng)網(wǎng)絡(luò)模 型。
[0031] 實行和測試階段主要包括3個步驟，分別為：
[0032] 步驟S301:取得實時的每個站到站之間的旅行時間或測試階段中的測試數(shù)據(jù)；
[0033] 步驟S302:將數(shù)據(jù)輸入到過濾后的k個類神經(jīng)網(wǎng)絡(luò)模型中，并預(yù)測站到站之間的旅 行時間；
[0034] 步驟S306:取得預(yù)測的站到站旅行時間后，換算為目標(biāo)站點的到達時間。
[0035] 在步驟S201中，首先由到站時間預(yù)測系統(tǒng)開發(fā)人員設(shè)定隨機類神經(jīng)網(wǎng)絡(luò)群算法的 相關(guān)參數(shù)值，相關(guān)參數(shù)值包括類神經(jīng)網(wǎng)絡(luò)模型數(shù)量(后續(xù)將Wm個為例進行說明）、類神經(jīng)網(wǎng) 絡(luò)模型中隱藏層最大數(shù)量(后續(xù)將Whmax個為例進行說明）、類神經(jīng)網(wǎng)絡(luò)模型中每個隱藏層 最大神經(jīng)元數(shù)量(后續(xù)將Wcmax個為例進行說明）、訓(xùn)練類神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)數(shù)占總 訓(xùn)練階段數(shù)據(jù)數(shù)的比例（后續(xù)將Wr %為例進行說明）、W及正確率口限值（后續(xù)將W Wt虹eshold個為例進行說明）。
[0036] 在步驟S202中，從云端歷史數(shù)據(jù)庫103中取得車輛到達每一個站點的時間，并換算 為站到站之間的旅行時間，例如:車站1的到站時間為時間點tl，并且車站2的到站時間為時 間點t2,則車站巧Ij車站2的旅行時間為I t2-tl I。再將此旅行時間集合作為類神經(jīng)網(wǎng)絡(luò)模型 的輸入和輸出數(shù)據(jù)進行后續(xù)的學(xué)習(xí)。W圖1為例，欲在車輛行駛到車站n-2時預(yù)測到達車站n 的時間（即目標(biāo)輸出的旅行時間為I tn-tn-2 I)，輸入旅行時間數(shù)據(jù)集合可W包括{ I t2-tl I， 1:3-t2 I ,. . . , I tn-2-tn_3 I}。
[0037] 在步驟S202中，根據(jù)到站時間預(yù)測系統(tǒng)開發(fā)人員設(shè)定的隨機類神經(jīng)網(wǎng)絡(luò)群算法參 數(shù)值，隨機產(chǎn)生m個類神經(jīng)網(wǎng)絡(luò)模型，并且每一個類神經(jīng)網(wǎng)絡(luò)模型都將各自隨機取得的總訓(xùn) 練數(shù)據(jù)數(shù)的r%的數(shù)據(jù)作為訓(xùn)練和學(xué)習(xí)使用，W及將剩余的數(shù)據(jù)（即100%-r%的數(shù)據(jù)量)作 為每個類神經(jīng)網(wǎng)絡(luò)模型的驗證使用，每個類神經(jīng)網(wǎng)絡(luò)模型都將取得的不同的數(shù)據(jù)進行訓(xùn)練 和驗證。此外，每一個類神經(jīng)網(wǎng)絡(luò)模型都將根據(jù)參數(shù)設(shè)定值，產(chǎn)生0~hmax個隱藏層，W及為 每一個隱藏層產(chǎn)生0~cmax個神經(jīng)元，其中每個類神經(jīng)網(wǎng)絡(luò)模型的隱藏層和神經(jīng)元的組合 都將會不同。再將前述的r%的數(shù)據(jù)輸入到類神經(jīng)網(wǎng)絡(luò)模型中進行訓(xùn)練和學(xué)習(xí)，達到收斂 后，再把100%-r%的數(shù)據(jù)（即訓(xùn)練階段中的測試數(shù)據(jù))輸入到訓(xùn)練后的類神經(jīng)網(wǎng)絡(luò)模型，并 取得預(yù)測的旅行時間，并與正確的旅行時間進行比較，W此來取得每一個類神經(jīng)網(wǎng)絡(luò)模型 的正確率，并將此正確率作為實行和測試階段時的權(quán)重值。
[0038] 在步驟S208中，過濾掉正確率低于口限值的類神經(jīng)網(wǎng)絡(luò)模型后，剩余k個類神經(jīng)網(wǎng) 絡(luò)模型:將隨機產(chǎn)生的m個類神經(jīng)網(wǎng)絡(luò)模型的正確率與正確率口限值Wthreshold進行比較， 將低于此口限值的類神經(jīng)網(wǎng)絡(luò)模型（即正確率太低的)排除后，剩下k個類神經(jīng)網(wǎng)絡(luò)模型;若 沒有任何類神經(jīng)網(wǎng)絡(luò)模型的正確率高于口限值，將返回步驟S201，由到站時間預(yù)測系統(tǒng)開 發(fā)人員重新設(shè)定口限值，并重新訓(xùn)練隨機類神經(jīng)網(wǎng)絡(luò)群。
[0039] 在步驟S301中，在實行和測試階段中，首先將先取得的實時的車輛的站到站之間 的旅行時間，例如：當(dāng)車輛移動到圖1中的車站n-2時，使用者想查詢車站n的到站時間預(yù)測 (即目標(biāo)輸出的旅行時間為I tn-tn-2 I )。此時，可將計算車輛在運一趟路程中的旅行時間數(shù) 據(jù)集合{ I t2-tl U 口-t2 I，. . .，I tn-2-tn-3 I}，作為類神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)。
[0040] 在步驟S302中，取得的實時的旅行時間數(shù)據(jù)集合{ I t2-tl I，I t3-t2 I，. . .，I tn-2- tn-3 I }后輸入到過濾后的k個類神經(jīng)網(wǎng)絡(luò)模型，每一個類神經(jīng)網(wǎng)絡(luò)模型都將預(yù)測出一個 tn-tn-2 I的預(yù)測旅行時間，再將其分別乘上由訓(xùn)練階段所取得的各個類神經(jīng)網(wǎng)絡(luò)模型的權(quán) 重值(即訓(xùn)練階段時各個類神經(jīng)網(wǎng)絡(luò)模型的正確率），并將加權(quán)后的值的總和除W權(quán)重值的 總和（即進行加權(quán)平均）。
[0041] 在步驟S301中，在取得綜合考慮k個類神經(jīng)網(wǎng)絡(luò)模型所得到的預(yù)測旅行時間I tn- tn-2 I 后 ，再將車輛實時的時間點 tn-2 加上預(yù)測旅行時間 I tn-tn-2 I 得到達車站n 的到站時 間預(yù)測，并將此預(yù)測結(jié)果提供給使用者。
[0042] 本發(fā)明收集和分析來自車載終端設(shè)備101回傳的到（離)站信息(包含站點信息和 時間點等），將此數(shù)據(jù)集合轉(zhuǎn)換為站到站之間的旅行時間后，儲存在云端歷史數(shù)據(jù)庫105中， 并在云端運算服務(wù)器103中設(shè)計與實作一個基于隨機類神經(jīng)網(wǎng)絡(luò)群算法的到站信息預(yù)測方 法模塊，可存取云端歷史數(shù)據(jù)庫105中的旅行時間集合，并將其輸入到基于隨機類神經(jīng)網(wǎng)絡(luò) 群算法的到站信息預(yù)測方法模塊中，進行類神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練W此預(yù)測旅行時間。當(dāng)?shù)秸?信息預(yù)測系統(tǒng)客戶端進行站點到站時間預(yù)測時，可將當(dāng)前車載終端設(shè)備101在該路線回報 的前多個站點信息輸入到已訓(xùn)練完成的類神經(jīng)網(wǎng)絡(luò)群中進行到達目標(biāo)站點的旅行時間預(yù) 測，再轉(zhuǎn)換和提供到達目標(biāo)站點的到達時間給到站時間預(yù)測系統(tǒng)客戶端設(shè)備106。本發(fā)明的 技術(shù)特點主要在于提出和設(shè)計一個隨機類神經(jīng)網(wǎng)絡(luò)群算法，并應(yīng)用于到站信息預(yù)測方法 中，W下將W實施例的方式進行說明。
[0043] 本發(fā)明提供一種基于隨機類神經(jīng)網(wǎng)絡(luò)群的到站時間預(yù)測的系統(tǒng)，其系統(tǒng)架構(gòu)如圖 1所示。此系統(tǒng)包括多個車站站牌100、多個車載終端設(shè)備101、多個細(xì)胞網(wǎng)絡(luò)基地臺102、一 個云端運算服務(wù)器103、一個云端歷史數(shù)據(jù)庫105、W及多個到站時間預(yù)測系統(tǒng)客戶端設(shè)備 106。在本實施例中W同一路線的車站站牌100為例，此路線中有n個車站，每個車站都有具 有位置信息(包含經(jīng)度和締度）。如表一所示，在路線1總共包含有12個車站（即圖1中的n為 12 )，其對應(yīng)的經(jīng)締度可儲存于車載終端設(shè)備中；當(dāng)車輛編號1由車站1往車站2行駛時，在 2014/4/1 14: 53時車載終端設(shè)備的GPS模塊偵測到車輛所在經(jīng)度為120.97839、締度為 24.808658,評估車輛臨近車站2(例如:直線距離30公尺內(nèi)），則判斷為到站，并將此到站信 息(包含車站編號和時間點)通過細(xì)胞網(wǎng)絡(luò)基地臺102回傳到云端運算服務(wù)器103。
[0044] 此外，車站站牌100也可W具備RFID標(biāo)簽，而車載終端設(shè)備101可具備RFID讀取器， 當(dāng)車載終端設(shè)備101臨近車站站牌100時可偵測到該車站站牌100的RFID標(biāo)簽，并W此判斷 為到站，再將此到站信息（包含車站編號和時間點）通過細(xì)胞網(wǎng)絡(luò)基地臺102回傳到云端運 算服務(wù)器103。車輛到站信息回報數(shù)據(jù)集合如表二所示，主要可W紀(jì)錄路線編號、車輛編號、 車站編號、W及時間點等，而云端運算服務(wù)器103可將車輛到站信息轉(zhuǎn)換為站到站旅行時間 信息（如表=所示），并將信息儲存于云端歷史數(shù)據(jù)庫105中。例如，車輛編號I由車站I發(fā)車 時的時間為2014/4/1 14:46:28,并在2014/4/1 14:53:31抵達車站2,因此車站1到車站2的 旅行時間為423秒;而車輛編號2由車站1發(fā)車時的時間為2014/4/1 19:32:22,并在2014/4/ 1 19:40:13抵達車站2，因此車站1到車站2的旅行時間為471秒。
[0045] 當(dāng)編號10001的車輛行駛到車站即寸（即云端服務(wù)器103已知其車站1~車站6間的 站到站之間的旅行時間），而有一個到站時間預(yù)測系統(tǒng)客戶端設(shè)備向云端運算服務(wù)器103查 詢路線編號1車站12的到站時間（即預(yù)測車站6到車站12的旅行時間，并轉(zhuǎn)換為車站12的到 達時間）。此時，云端運算服務(wù)器103可運用云端歷史數(shù)據(jù)庫105中的數(shù)據(jù)（即路程編號1和2 的站到站旅行時間信息，如表四所示)作為隨機類神經(jīng)網(wǎng)絡(luò)群算法于訓(xùn)練階段的數(shù)據(jù)，來建 立隨機類神經(jīng)網(wǎng)絡(luò)群，并運用此算法進行到站時間預(yù)測。
[0046] 表一車站位置信息 [00471
[0
[0049]表二車輛到站信息
[0052] 表=站到站旅行時間信息

[0化6]
[0057]本發(fā)明的基于隨機類神經(jīng)網(wǎng)絡(luò)群的到站時間預(yù)測的方法，其方法流程如圖2和圖3 所示。此方法主要包含2個階段:（a)訓(xùn)練階段和(b)實行和測試階段。
[005引訓(xùn)練階段主要包含4個步驟，分別為步驟S201:設(shè)定隨機類神經(jīng)網(wǎng)絡(luò)群算法參數(shù) 值;S202:讀取歷史數(shù)據(jù)庫中的每個站到站之間的旅行時間；S203:隨機產(chǎn)生m個類神經(jīng)網(wǎng)絡(luò) 模型；W及S208:過濾掉正確率低于口限值的類神經(jīng)網(wǎng)絡(luò)模型后，剩余k個類神經(jīng)網(wǎng)絡(luò)模型。
[0059] 實行和測試階段主要包含3個步驟，分別為S301:取得實時的每個站到站之間的旅 行時間或測試階段中的測試數(shù)據(jù);S302:將數(shù)據(jù)輸入到過濾后的k個類神經(jīng)網(wǎng)絡(luò)模型中，并 預(yù)測站到站之間的旅行時間；W及S306:取得預(yù)測的站到站旅行時間后，換算為目標(biāo)站點的 到達時間。
[0060] 在訓(xùn)練階段中，首先將由到站時間預(yù)測系統(tǒng)開發(fā)人員設(shè)定隨機類神經(jīng)網(wǎng)絡(luò)群算法 的相關(guān)參數(shù)值(步驟S201)。例如，設(shè)定共有10個類神經(jīng)網(wǎng)絡(luò)模型（即m為10)、類神經(jīng)網(wǎng)絡(luò)模 型中隱藏層最大數(shù)量為5(即hmax為5)、類神經(jīng)網(wǎng)絡(luò)模型中每個隱藏層最大神經(jīng)元數(shù)量為7 (即cmax為7)、訓(xùn)練類神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)數(shù)占總訓(xùn)練階段數(shù)據(jù)數(shù)的比例為60% (即 r %為60 % )、W及正確率口限值為0.945 (即Wthreshold為0.945 = 94.5 % )，后續(xù)將根據(jù)此 參數(shù)值產(chǎn)生10個類神經(jīng)網(wǎng)絡(luò)模型來進行到站時間預(yù)測。
[0061] 在此S202步驟中，將向云端歷史數(shù)據(jù)庫取得歷史的車輛到達每一個站點的時間， 并換算為站到站之間的旅行時間，如表四所示。由于在本實施例中，待預(yù)測的車輛行駛至車 站6,并欲預(yù)測車站12的到達時間，且已知車站1~車站6之間的到站時間數(shù)據(jù)集合Ul，t2, t3，t4，t5，t6}、換算成站到站之間的旅行時間數(shù)據(jù)集合{|*2-1:1|，|13-12|，|14-13|，|1:5- t4 I，I t6-t5 I }，并用W預(yù)測車站6到車站12的旅行時間（即目標(biāo)輸出之旅行時間為I tl2-t6 )。在本實施例中將旅行時間數(shù)據(jù)集合，I口-t2|，|t4-t3|，I巧-t4|，|t6-巧|}分 別命名為參數(shù)名稱{xl，x2，x3，x4，x5}，而目標(biāo)輸出之旅行時間I tl2-t6|命名為參數(shù)名稱y。
[0062] 步驟S203隨機產(chǎn)生m個類神經(jīng)網(wǎng)絡(luò)模型中，更包含步驟S204:產(chǎn)生訓(xùn)練數(shù)據(jù)和驗證 數(shù)據(jù)。具體為，本發(fā)明依據(jù)到站時間預(yù)測系統(tǒng)開發(fā)人員設(shè)定的隨機類神經(jīng)網(wǎng)絡(luò)群算法參數(shù) 值，隨機產(chǎn)生10個類神經(jīng)網(wǎng)絡(luò)模型，且設(shè)定類神經(jīng)網(wǎng)絡(luò)模型中隱藏層最大數(shù)量為5、類神經(jīng) 網(wǎng)絡(luò)模型中每個隱藏層最大神經(jīng)元數(shù)量為7,即每個類神經(jīng)網(wǎng)絡(luò)模型的隱藏層數(shù)量將介于0 ~5層，每個隱藏層的神經(jīng)元數(shù)量將介于0~7個，產(chǎn)生結(jié)果的實施例如表五所示（步驟 S205)。類神經(jīng)網(wǎng)絡(luò)模型1的隱藏層為1層，該層隱藏層的神經(jīng)元數(shù)為2個(如圖4所示）；類神 經(jīng)網(wǎng)絡(luò)模型2的隱藏層為2層，第1層隱藏層的神經(jīng)元數(shù)為3個、第2層隱藏層的神經(jīng)元數(shù)為4 個；W此類推可得10個類神經(jīng)網(wǎng)絡(luò)模型。并且，由于訓(xùn)練類神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)數(shù)占訓(xùn) 練階段數(shù)據(jù)總筆數(shù)的60%，W表四為例，訓(xùn)練階段數(shù)據(jù)數(shù)的總筆數(shù)為10000筆，所W每個類 神經(jīng)網(wǎng)絡(luò)模型將隨機取出6000筆作為訓(xùn)練類神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)使用，且剩余的4000筆 TDTRS(Testing Data in TRaining Stage,訓(xùn)練階段中的測試資料)將分別作為訓(xùn)練階段 時每個類神經(jīng)網(wǎng)絡(luò)模型驗證使用。在此步驟中，每個類神經(jīng)網(wǎng)絡(luò)模型所取得的6000筆數(shù)據(jù) 的集合皆各自隨機產(chǎn)生，每一個類神經(jīng)網(wǎng)絡(luò)模型都將取得不同的數(shù)據(jù)集合進行訓(xùn)練和學(xué) 習(xí)。
[0063] 表五隨機類神經(jīng)網(wǎng)絡(luò)群 1 b
[0066] 步驟S206:類神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與學(xué)習(xí)。在本實施例中，10個類神經(jīng)網(wǎng)絡(luò)模型將分 別輸入6000筆數(shù)據(jù)進行訓(xùn)練和學(xué)習(xí)，W下利用類神經(jīng)網(wǎng)絡(luò)模型1(如圖4所示）為例進行說 明，其中在類神經(jīng)網(wǎng)絡(luò)模型1的6000筆數(shù)據(jù)為一包含路程編號1且不包含路程編號10000的 數(shù)據(jù)組合，并W類神經(jīng)網(wǎng)絡(luò)模型1之訓(xùn)練與學(xué)習(xí)說明如后。
[0067] 步驟i :隨機產(chǎn)生各個神經(jīng)元的權(quán)重，W及隱藏層與輸出層神經(jīng)元的常數(shù)項，如表 六所示。
[0068] 表六類神經(jīng)網(wǎng)絡(luò)模型1的各個神經(jīng)元的權(quán)重，W及隱藏層與輸出層神經(jīng)元的常數(shù) 項 「00691
[0070]~~步驟ii:將6000筆數(shù)據(jù)逐一輸入至類神經(jīng)網(wǎng)絡(luò)模型1中，W下W路程編號1為例。首I 先將數(shù)據(jù)正規(guī)化為介于0~1之間的數(shù)值，因此實施例中的數(shù)據(jù)皆小于5000,故同除W5000 進行正規(guī)化，結(jié)果如表屯所示。再根據(jù)輸入信號，計算各隱藏層神經(jīng)元的輸出信號，其中本 實施例采用Logistic分配(即
）的方式計算輸出信號，計算方式如下所示。
[0071]表屯正規(guī)化后的路程編號1數(shù)值 [00721
[0073 J 種給兀6:
[0074] 總輸入信號：
[0075]
[C
[C
[C
[C
[0080]步驟iii:根據(jù)隱藏層輸出信號，計算輸出層神經(jīng)元的輸出信號。
[0081 ] 神經(jīng)元8:
[0084] 步驟iv:比較輸出值(即0.759554)與真值(即0.7796)的誤差項。
[0082] 總輸入信號
[0083] 轉(zhuǎn)換輸出信
[0085] 神經(jīng)元8誤差項：
[0086] 步驟V:將誤差項回饋至隱藏層，分別計算出隱藏層神經(jīng)元的誤差項。
[0087] 神經(jīng)元6誤差項
[008引神經(jīng)元7誤差項
[0089] 步驟Vi:根據(jù)神經(jīng)元誤差項，更新各個神經(jīng)元權(quán)重和常數(shù)項，在本實施例中設(shè)定學(xué) 習(xí)速率O為0.8。
[0090]
[0091
[0092] 步驟Vii :重復(fù)步驟ii~步驟Vi，將每一筆數(shù)據(jù)輸入至類神經(jīng)網(wǎng)絡(luò)模型中進行學(xué) 習(xí)，直到此回合的輸出信號與上一回合的輸出信號的差異低于口限值OthresholcK在本例 中Othreshold設(shè)為0.01)，則達到收斂并完成學(xué)習(xí)，確定此類神經(jīng)網(wǎng)絡(luò)模型的各個神經(jīng)元權(quán) 重和常數(shù)項。
[0093] 上述為類神經(jīng)網(wǎng)絡(luò)模型1的訓(xùn)練和學(xué)習(xí)過程，依此同時訓(xùn)練其它的類神經(jīng)網(wǎng)絡(luò)模 型（即類神經(jīng)網(wǎng)絡(luò)模型2~類神經(jīng)網(wǎng)絡(luò)模型10)，可支持平行運算。完成訓(xùn)練后，后續(xù)在預(yù)測 車站6到車站12間之旅行時間時可重復(fù)步驟ii~步驟iii，將測試數(shù)據(jù)或?qū)崟r數(shù)據(jù)作為輸入 信號，而輸出信號為旅行時預(yù)測值。其中，由類神經(jīng)網(wǎng)絡(luò)模型產(chǎn)出的旅行時間預(yù)測值，需再 進行正規(guī)化的還原，方可W取得旅行時間秒數(shù)，例如:輸出信號為0.759554，需乘上5000，取 得旅行時間為3797.769233秒。
[0094] 步驟S207:類神經(jīng)網(wǎng)絡(luò)模型驗證與權(quán)重。當(dāng)完成所有類神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和學(xué) 習(xí)后，可W運用剩余的4000筆數(shù)據(jù)來進行每個類神經(jīng)網(wǎng)絡(luò)模型的驗證，并計算平均正確率 作為每個類神經(jīng)網(wǎng)絡(luò)模型的權(quán)重。W類神經(jīng)網(wǎng)絡(luò)模型1為例，將訓(xùn)練階段中的測試數(shù)據(jù)全部 輸入到訓(xùn)練后的類神經(jīng)網(wǎng)絡(luò)模型1中重復(fù)步驟ii~步驟iii，可算出正確率。例如，路程編號 10000為輸入信號時，其正規(guī)化后數(shù)值如表八所示，得到預(yù)測值為0.75986369，再將預(yù)測值 乘上5000為3799.318449，可得正確率為為1-( I真值-預(yù)測值I /真值）=1-(|3939- 3799.318449 I/3939) =96.45% ; W此類推，可算出4000筆訓(xùn)練階段中的測試數(shù)據(jù)(TDTRS) 的平均正確率，在此例為93.23%。在本實施例中，10個類神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的平均正確 率分別為 93.23 %、94.90 %、94.03 %、93.57 %、94.61 %、93.52 %、94.93 %、95.21 %、 94.48%、94.45%，如表九所示。
[00M]表八正規(guī)化后的路程編號10000數(shù)值
[0096]
[i
[i
[0099] 步驟S208:過濾掉正確率低于口限值的類神經(jīng)網(wǎng)絡(luò)模型后，剩余k個類神經(jīng)網(wǎng)絡(luò)模 型。此步驟將分析每個類神經(jīng)網(wǎng)絡(luò)模型的平均正確率，并將低于正確率口限值Wthreshold (即本實施例所設(shè)定的94.5%)過濾掉，其中類神經(jīng)網(wǎng)絡(luò)模型1、類神經(jīng)網(wǎng)絡(luò)模型3、類神經(jīng)網(wǎng) 絡(luò)模型4、類神經(jīng)網(wǎng)絡(luò)模型6、類神經(jīng)網(wǎng)絡(luò)模型9、類神經(jīng)網(wǎng)絡(luò)模型10等6個將被過濾掉，剩下4 個類神經(jīng)網(wǎng)絡(luò)模型及其權(quán)重值供實行和測試階段使用。
[0100] 表十、過濾后的類神經(jīng)網(wǎng)絡(luò)模型及其權(quán)重值
[0101]
[0102] 于步驟S301中，在實行和測試階段時，取實時的車輛到站信息輸入到訓(xùn)練完成的 隨機類神經(jīng)網(wǎng)絡(luò)群，進行到站時間預(yù)測。例如，到站時間預(yù)測系統(tǒng)客戶端設(shè)備在2014/5/3 11:59:00時欲查詢抵達車站12的到達時間，將取車站1~車站6的到站時間和站到站之間的 旅行時間（如表十一所示），作為隨機類神經(jīng)網(wǎng)絡(luò)群的輸入數(shù)據(jù)(如表十二所示），得到目標(biāo) 預(yù)測值車站6到車站12的旅行時間。
[0103] 表十一車輛到站信息
[0104]
[0
[0
[0
[0108] 此外，到站時間預(yù)測系統(tǒng)開發(fā)人員在此階段也可W收集歷史數(shù)據(jù)作為測試階段中 的測試資料(TDTES)，取得每個路程編號的各個站到站之間的旅行時間作為隨機類神經(jīng)網(wǎng) 絡(luò)群輸入值，W分析和最佳化隨機類神經(jīng)網(wǎng)絡(luò)群。
[0109] 步驟S302中，將數(shù)據(jù)輸入到過濾后的k個類神經(jīng)網(wǎng)絡(luò)模型，并預(yù)測站到站之間的旅 行時間。如圖5所示，在取得輸入數(shù)據(jù)后可將數(shù)據(jù)分別作為每個過濾后的類神經(jīng)網(wǎng)絡(luò)模型 (即類神經(jīng)網(wǎng)絡(luò)模型2、類神經(jīng)網(wǎng)絡(luò)模型5、類神經(jīng)網(wǎng)絡(luò)模型7、類神經(jīng)網(wǎng)絡(luò)模型8,如表十所 示）的輸入信號，并分別由類神經(jīng)網(wǎng)絡(luò)模型2、類神經(jīng)網(wǎng)絡(luò)模型5、類神經(jīng)網(wǎng)絡(luò)模型7、類神經(jīng) 網(wǎng)絡(luò)模型8預(yù)測旅行時間為3766.607秒、3857.98秒、3661.828秒、3724.095秒(步驟S303)， 如表十S所示。最后，再依每個類神經(jīng)網(wǎng)絡(luò)模型的權(quán)重進行加權(quán)平均（步驟S304~S305)得 到旅行時間預(yù)測值 3752.516552秒（即[94.90 %*3766.607+94.61 %*3857.98+94.93%* 3661.828+95.21 %*3724.095]/[94.90%+94.61 %+94.93%+95.21%] =3752.516552)。
[0110] 表十=過濾后的類神經(jīng)網(wǎng)絡(luò)模型及其權(quán)重值
[0111]
[0
[0113] 步驟S306中，取得預(yù)測的站到站旅行時間后，換算為目標(biāo)站點的到達時間。在取得 站到站旅行時間預(yù)測值后，可根據(jù)目前的到站信息，并結(jié)合站到站旅行時間預(yù)測值轉(zhuǎn)換為 到達目標(biāo)站點的到達時間。本實施例的路程編號l〇〇(n到達車站6的時間點為2014/5/3 11: 58:46,而車站6到車站12的旅行時間預(yù)測值為3752.516552秒，故車站12預(yù)測到站時間為 2014/5/3 13:01:19,再將此信息回傳給到站時間預(yù)測系統(tǒng)客戶端設(shè)備。
[0114] 實際運用于客運業(yè)者的例子來看，W客運業(yè)者A的數(shù)據(jù)進行實證，總共收集2014年 3月整個月份的資料，其中共包含2956趟，實驗環(huán)境中共涵蓋40條道路路段，并且分別采用 不同的數(shù)據(jù)探勘算法來測試其正確率，包含有羅吉斯回歸化Ogistic Regression,LR)、傳 統(tǒng)的倒傳遞類神經(jīng)網(wǎng)絡(luò)(Back-Propagation ^ural ^twork，BP順）、W及本發(fā)明所提出的 隨機類神經(jīng)網(wǎng)絡(luò)群(Random化ural Networks，RNN)，證實此方法確實較為優(yōu)越，實驗結(jié)果 表十四所示。
[0115] 表十四本發(fā)明與其它數(shù)據(jù)探勘方法效能比較
[0116]
[0117]綜上所述，本發(fā)明的基于隨機類神經(jīng)網(wǎng)絡(luò)群的到站時間預(yù)測系統(tǒng)與方法，透過收 集各個路段和時段的站到站之間的旅行時間，并提出新穎的隨機類神經(jīng)網(wǎng)絡(luò)群來分析上述 的旅行時間數(shù)據(jù)集合，建立多個類神經(jīng)網(wǎng)絡(luò)模型來避免極端值的影響，W及綜合考慮多個 類神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果來提升預(yù)測準(zhǔn)確度，W此來預(yù)測使用者欲搭乘的公交車的到站 時間，提供給使用者作為參考。
[0118] W上所述僅為舉例性，而非為限制性者。任何未脫離本發(fā)明之精神與范疇，而對其 進行之等效修改或變更，均應(yīng)包含于后附之申請專利范圍中。
[0119] 【符號說明】
[0120] 100:車站站牌
[0121] 101:車載終端設(shè)備
[0122] 102:細(xì)胞網(wǎng)絡(luò)基地臺
[0123] 103:云端運算服務(wù)器
[0124] 104:云端運算機房 [01巧]105:云端歷史數(shù)據(jù)庫
[0126] 106:到站時間預(yù)測系統(tǒng)客戶端設(shè)備
[0127] S201 ~207、S301 ~S306:步驟 [012引 1~8:類神經(jīng)網(wǎng)絡(luò)模型
[0129] 基于同一發(fā)明構(gòu)思，本發(fā)明實施例中還提供了一種移動終端，由于圖3的移動終端 對應(yīng)的方法為本發(fā)明實施例一種移動終端啟動的方法，因此本發(fā)明實施例方法的實施可W 參見系統(tǒng)的實施，重復(fù)之處不再寶述。
[0130] 本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序 產(chǎn)品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實 施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機 可用存儲介質(zhì)（包括但不限于磁盤存儲器、CD-ROM、光學(xué)存儲器等）上實施的計算機程序產(chǎn) 品的形式。
[0131] 本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備（系統(tǒng)）、和計算機程序產(chǎn)品的流程 圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流 程和/或方框、W及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻\些計算機程序 指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器W產(chǎn) 生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實 現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
[0132] 運些計算機程序指令也可存儲在能引導(dǎo)計算機或其他可編程數(shù)據(jù)處理設(shè)備W特 定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指 令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或 多個方框中指定的功能。
[0133] 運些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計 算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟W產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或 其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一 個方框或多個方框中指定的功能的步驟。
[0134] 盡管已描述了本發(fā)明的優(yōu)選實施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造 性概念，則可對運些實施例做出另外的變更和修改。所W，所附權(quán)利要求意欲解釋為包括優(yōu) 選實施例W及落入本發(fā)明范圍的所有變更和修改。
[0135] 顯然，本領(lǐng)域的技術(shù)人員可W對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精 神和范圍。運樣，倘若本發(fā)明的運些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍 之內(nèi)，則本發(fā)明也意圖包含運些改動和變型在內(nèi)。
【主權(quán)項】
1. 一種到站時間預(yù)測方法，其特征在于，該方法包括： 設(shè)定多個隨機類神經(jīng)網(wǎng)絡(luò)群算法參數(shù)值； 讀取歷史數(shù)據(jù)庫中的站到站之間的多個旅行時間； 隨機產(chǎn)生m個類神經(jīng)網(wǎng)絡(luò)模型； 過濾掉正確率低于門限值的類神經(jīng)網(wǎng)絡(luò)模型后，剩余k個類神經(jīng)網(wǎng)絡(luò)模型。2. 如權(quán)利要求1所述的方法，其特征在于，該方法還包括： 取得實時的站到站之間的所述多個旅行時間或測試階段中的多個測試資料； 將所述多個旅行時間或測試數(shù)據(jù)輸入到過濾后的k個類神經(jīng)網(wǎng)絡(luò)模型中，并預(yù)測站到 站的多個旅行時間； 取得預(yù)測的站到站的所述多個旅行時間后，換算為目標(biāo)站點的到達時間。3. 如權(quán)利要求1所述的方法，其特征在于，所述多個隨機類神經(jīng)網(wǎng)絡(luò)群算法參數(shù)值包括 類神經(jīng)網(wǎng)絡(luò)模型數(shù)量、類神經(jīng)網(wǎng)絡(luò)模型中的隱藏層最大數(shù)量、類神經(jīng)網(wǎng)絡(luò)模型中的每個隱 藏層最大神經(jīng)元數(shù)量、訓(xùn)練類神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)數(shù)占總訓(xùn)練階段數(shù)據(jù)數(shù)的比例，以 及正確率門限值。4. 如權(quán)利要求3所述的方法，其特征在于，所述過濾掉正確率低于門限值的類神經(jīng)網(wǎng)絡(luò) 模型后，剩余k個類神經(jīng)網(wǎng)絡(luò)模型的步驟，包括： 將隨機產(chǎn)生的m個類神經(jīng)網(wǎng)絡(luò)模型的正確率與所述正確率門限值進行比較，排除低于 所述正確率門限值的類神經(jīng)網(wǎng)絡(luò)模型。5. 如權(quán)利要求2所述的方法，其特征在于，所述將多個旅行時間或測試數(shù)據(jù)輸入到過濾 后的k個類神經(jīng)網(wǎng)絡(luò)模型，并預(yù)測站到站的多個旅行時間，包括： 取得實時的旅行時間數(shù)據(jù)集合； 將所述旅行時間數(shù)據(jù)集合輸入到過濾后的k個類神經(jīng)網(wǎng)絡(luò)模型； 預(yù)測多個預(yù)測旅行時間，再將預(yù)測的所述多個預(yù)測旅行時間分別乘上每個所述類神經(jīng) 網(wǎng)絡(luò)模型的權(quán)重值； 將加權(quán)后的值的總和除以權(quán)重值的總和。
【文檔編號】G06Q50/30GK106022541SQ201610472352
【公開日】2016年10月12日
【申請日】2015年3月3日
【發(fā)明人】陳志華, 龐景云, 謝佳珉, 官大勝
【申請人】中華電信股份有限公司