專利名稱：一種基于SVM及H_∞濾波的動態(tài)公交到站時間預測方法
技術領域：
本發(fā)明涉及一種基于SVM及H00濾波的動態(tài)公交到站時間預測方法，屬于智能交通 系統(tǒng)領域。
背景技術：
作為公交系統(tǒng)信息化的關鍵技術，實時精確的公交到站時間預測不但可以方便出 行者選擇乘車線路、緩解等待出行者的焦急情緒，而且為公交管理部門科學、高效、合理調 度公交車輛提供強有力的依據，從而極大地豐富公交運輸服務的內容、樹立公交運輸的良 好形象、能夠吸引更多的出行者選擇公交出行方式，進而一定程度上緩解城市交通壓力。已有公交到站時間預測方法有以下幾種基于歷史數據的預測方法通過假設交通 運行模型循環(huán)變化、實際行駛情況圍繞歷史行駛情況小幅度波動為前提；基于實時數據預 測方法假設下一時刻行程時間與當前時刻行程時間相同；時間序列模型通過尋找歷史數據 間存在的內在數學規(guī)律進而預測出非獨立變量的值；變量衰減預測方法以多個重要因素為 變量，獲得車站間行程函數，建立公交車到達下游站點時間的數學預測模型；基于人工仿 生智能算法的預測方法仿效人類大腦的學習方式，通過訓練和測試兩個階段實現；Kalman 濾波器是一個最優(yōu)化自回歸數據處理算法，該方法利用不斷逼近的方式獲得較高的預測精 度?；跉v史數據的預測方法無法反映動態(tài)多變的交通狀態(tài)，時間序列模型、變量衰減模型 同樣無法反映實時交通信息，基于實時數據的預測方法受外界影響較大?；谌斯し律?能算法由于其訓練時間長無法用于實時預測，Kalman濾波器由于其對噪聲約束過強，實際 預測性能降低。綜合以上分析，本發(fā)明提出一種基于SVM及H00濾波的動態(tài)公交車到站時間預測方 法。該方法綜合考慮了公交車到站時間歷史數據和公交車運行實時信息，提高了到站時間 預測的精確性；動態(tài)預測部分首次引入Hj慮波思想，對噪聲統(tǒng)計特性不作任何假設，增強 了到站時間預測的魯棒性；SVM模型構建采用離線方式，解決了到站時間預測的實效性問 題。整個方法提高了到站時間預測的精確性、魯棒性和實效性。

發(fā)明內容
本發(fā)明的目的在于提供一種基于SVM及H00濾波的動態(tài)公交車到站時間預測方法。 該方法分為兩個部分靜態(tài)預測部分和動態(tài)預測部分。靜態(tài)預測部分是基于歷史數據庫， 采用SVM方法預測相鄰站點之間的的運行時間；動態(tài)預測部分是基于H00濾波思想，根據實 時車輛運行信息并結合相鄰站點之間的的運行時間，動態(tài)預測公交車輛到達各個站點的時 間。一種基于SVM及H00濾波的動態(tài)公交車到站時間預測方法，包括以下步驟(1)根據公交車到達每個站點的歷史時間數據庫，對原始數據進行預處理，對預處 理數據進行整理得到符合預設記錄格式的數據集；(2)通過統(tǒng)計分析的方法對步驟(1)得到的數據集進行分類，得到工作日平峰類
4數據集、工作日高峰類數據集、周末平峰類數據集和周末高峰類數據集；(3)選取SVM模型構建的輸入變量，采用SVM方法對步驟⑵中分類得到的數據集 進行SVM模型構建和測試，設定SVM模型的測試精度閾值，若SVM模型的測試精度達到閾值 要求，SVM模型構建完成，否則重新構建SVM模型；所述的輸入變量包括天氣、路段、時間段 和日期；歷史時間數據庫更新后，重復步驟(1)、(2), (3)對SVM模型進行重新構建和測 試；(4)確定輸入變量的數值，根據步驟(3)構建完成的SVM模型，得到公交線路上相 鄰站點之間的的運行時間；(5)根據濾波狀態(tài)方程和觀測方程，結合步驟(4)得到的公交線路上相鄰站點之 間的運行時間和公交車上自動報站系統(tǒng)提供的實時運行信息，采用Hj慮波方法得到公交 車到達下游每個站點的時間，實現動態(tài)公交車到站時間預測；所述的實時運行信息包括車 輛達站點時間、公交運行線路號、公交到達站點號。步驟(1)中所述的原始數據的預處理包括兩個階段丟失數據處理階段和行程時 間計算階段；丟失數據處理階段是按照相同車輛、相同線路兩個記錄字段對原始數據進行 排序，通過檢測站點編號字段是否連續(xù)，判斷數據是否丟失；若丟失記錄條數大于3個，包 括3個，則丟棄包含該記錄的所有站點數據；若丟失記錄條數少于3個，則通過相鄰上游站 點和下游站點平均運行速度和當前路段的長度計算補齊；行程時間計算階段是利用相鄰兩 個站點到站時間相減得到。步驟(1)中所述的數據記錄格式包括多個字段，如路段行程時間、天氣、路段、平 峰時間段、高峰時間段、工作日和周末。步驟(3)中所述的測試精度閾值采用均方誤差衡量，均方誤差定義如下
權利要求
1.一種基于SVM及H00濾波的動態(tài)公交車到站時間預測方法，其特征在于，預測方法包 括以下步驟(1)根據公交車到達每個站點的歷史時間數據庫，對原始數據進行預處理，對預處理數 據進行整理得到符合預設記錄格式的數據集；(2)通過統(tǒng)計分析的方法對步驟(1)得到的數據集進行分類，得到工作日平峰類數據 集、工作日高峰類數據集、周末平峰類數據集和周末高峰類數據集；(3)選取SVM模型構建的輸入變量，采用SVM方法對步驟O)中分類得到的數據集進 行SVM模型構建和測試，設定SVM模型的測試精度閾值，若SVM模型的測試精度達到閾值要 求，SVM模型構建完成，否則重新構建SVM模型；所述的輸入變量包括天氣、路段、時間段和 日期；歷史時間數據庫更新后，重復步驟(1)、(2)、(3)對SVM模型進行重新構建和測試；(4)確定輸入變量的數值，根據步驟(3)構建完成的SVM模型，得到公交線路上相鄰站 點之間的的運行時間；(5)根據濾波狀態(tài)方程和觀測方程，結合步驟(4)得到的公交線路上相鄰站點之間的 運行時間和公交車上自動報站系統(tǒng)提供的實時運行信息，采用Hj慮波方法得到公交車到 達下游每個站點的時間，實現動態(tài)公交車到站時間預測；所述的實時運行信息包括車輛達 站點時間、公交運行線路號、公交到達站點號。
2.根據權利要求1所述的一種基于SVM及H00濾波的動態(tài)公交車到站時間預測方法，其 特征在于，步驟(1)中所述的原始數據的預處理包括兩個階段丟失數據處理階段和行程 時間計算階段；丟失數據處理階段是按照相同車輛、相同線路兩個記錄字段對原始數據進 行排序，通過檢測站點編號字段是否連續(xù)，判斷數據是否丟失；若丟失記錄條數大于3個， 包括3個，則丟棄包含該記錄的所有站點數據；若丟失記錄條數少于3個，則通過相鄰上游 站點和下游站點平均運行速度和當前路段的長度計算補齊；行程時間計算階段是利用相鄰 兩個站點到站時間相減得到。
3.根據權利要求1所述的一種基于SVM及H00濾波的動態(tài)公交車到站時間預測方法，其 特征在于，步驟(1)中所述的數據記錄格式包括多個字段，如路段行程時間、天氣、路段、平 峰時間段、高峰時間段、工作日和周末。
4.根據權利要求1所述的一種基于SVM及H00濾波的動態(tài)公交車到站時間預測方法，其 特征在于，步驟(3)中所述的測試精度閾值采用均方誤差衡量，均方誤差定義如下臓=械Hf其中Ii為到站時間的真實值，λ為SVM模型的預測值，N為SVM模型測試樣本的數量。
5.根據權利要求1所述的一種基于SVM及Hj慮波的動態(tài)公交車到站時間預測方法， 其特征在于，步驟(5)中所述的濾波狀態(tài)方程和觀測方程分別為xk+1 = 17 + +^和yk = ο]「-ΓHxk+Vk，其中， = [tk sk]T,F= o i ,H=
i ，tk 表示站點 k 到達預測目的站點的實際運行時間，Tk,k+1表示站點k和k+Ι之間的實際運行時間，％代表從源站點 到站點k的實際運行時間，yk表示從源站點到站點k的觀測運行時間，{wk，vk}分別代表統(tǒng)計特性未知的系統(tǒng)噪聲和測量噪聲。
全文摘要
一種基于SVM及H∞濾波的動態(tài)公交車到站時間預測方法，該方法分為兩個部分第一部分是基于SVM方法，利用公交車到達每個站點的歷史時間數據庫構建SVM模型，確定輸入變量的值，預測相鄰站點之間的的運行時間；第二部分是基于H∞濾波思想，結合實時公交車運行信息和相鄰站點之間的運行時間，預測公交車到達下游每個站點的時間。該方法綜合考慮公交車到站時間歷史數據和公交車運行實時信息，提高了到站時間預測的精確性；動態(tài)預測部分首次引入H∞濾波思想，對噪聲統(tǒng)計特性不作任何假設，增強了到站時間預測的魯棒性；SVM模型構建采用離線方式，解決了到站時間預測的實效性問題。整個方法提高了到站時間預測的精確性、魯棒性和實效性。
文檔編號G08G1/123GK102074124SQ20111002881
公開日2011年5月25日 申請日期2011年1月27日 優(yōu)先權日2011年1月27日
發(fā)明者劉洋, 朱振興, 朱衍波, 邢建平, 馬振良, 高亮, 黃國俊 申請人:山東大學