一种到站时间预测系统与方法
【技术领域】
[0001] 本发明设及无线通信技术领域，特别设及一种到站时间预测系统与方法。
【背景技术】
[0002] 目前，公共交通工具到站时间预测的现有技术为：采用历史数据来进行统计和平 均，取得各个站到站之间的平均车速和旅行时间，或者是应用当下车辆实时的瞬时车速信 息，W此来估计到站时间。然而，该些方法无法反应站点间实时的路况变化情况，因而造成 较大的到站时间信息误差。
[0003][0004][0005] 台湾专利公开号为TW201405497的台湾专利，主要提出当车载行动设备经过各个 路段时，通过车载行动设备将各个路段的旅行时间实时回报给后端的监控中屯、，再由监控 中屯、将每个路段的最短旅行时间和最长旅行时间发布给所有车载行动设备。若车载行动设 备的旅行时间介于最短旅行时间和最长旅行时间之间，则不再回报。此方法虽然可W有效 掌握各个路段的旅行时间和减少传输数量，但并未提出公交车到站时间的预测方法，故无 法预测公交车到站信息。
[0006][0007][0008] 公告号为TWI252441的台湾专利，主要提出通过公交车接收卫星定位信号，并实 时的将位置信息回传至监控中屯、，再由监控中屯、的预测模块根据公交车实时位置进行到站 时间预测。虽然此方法可W提供到站时间预测，但专利中仅提到参考经验值，而未来明确提 到公交车到站时间的预测方法。
[0009] 公告号为TWI341998的台湾专利，主要提出根据公交车的实时车速和公交车到各 个站点的距离，来预测旅行时间；W及根据使用者的步行速度和使用者到各个站点的距离， 来计算步行时间。最后再根据旅行时间和步行时间来估计适合的站点。虽然此方法可w提供公交车旅行时间的预测方法，但此方法主要考虑的是公交车当下的实时车速和到站距 离，然而车辆和站点间的交通信息并未被考虑，故有可能造成到站时间预测上较大的误差。
[0010]公开号为TW201232489的台湾专利，提出运用希尔伯特-黄转换（HHT)的经验模 态分解法结合灰模式来预测行车速度，再根据预估的车速换算为旅行时间和到站时间。虽 然此方法可W有效运用数学和统计模型进行车速预测，但是因为此方法运用所有的数据进 行分析，故无法避免极端值的影响，将有可能造成到站时间预测上较大的误差。
【发明内容】
[0011] 鉴于上述现有技术的问题，本发明的目的是在提供一种到站时间预测系统与方 法，通过收集各个路段和时段的站到站之间的旅行时间，并提出新颖的随机类神经网络群 来分析上述的旅行时间数据集合，建立多个类神经网络模型来避免极端值的影响，W及综 合考虑多个类神经网络模型的预测结果来提升预测的准确度，W此来预测使用者欲搭乘的 公交车的到站时间，将预测结果提供给使用者作为参考。
[0012] 本发明的到站时间预测系统包括多个车站站牌、多个车载终端设备、多个细胞网 络基地台、云端运算服务器、云端历史数据库W及多个到站时间预测系统客户端设备。其 中，各车站站牌具有一个经绅度坐标信息。当每个所述车载终端设备接近所述多个车站站 牌时，每个所述车载终端设备感测到所述多个经绅度坐标信息，进而产生到站信息。到站信 息通过所述多个细胞网络基地台进行传送，而云端运算服务器接收来自细胞网络基地台的 到站信息后，计算出旅行时间，再根据旅行时间W及查询站点预测剩余旅行时间，并转换为 到站时间，再将到站时间通过细胞网络基地台进行传送。云端历史数据库储存有经绅度坐 标信息W及车站站牌之间的旅行时间。到站时间预测系统客户端设备发送查询站点，并接 收通过细胞网络基地台传送的到站时间，再显示到站时间。
[0013] 本发明的到站时间预测方法包括下列步骤：设定随机类神经网络群算法参数值； 读取历史数据库中的站到站之间的旅行时间；随机产生m个类神经网络模型；过滤掉正确 率低于口限值的类神经网络模型后，剩余k个类神经网络模型；取得实时的站到站之间的 旅行时间或测试阶段中的测试数据；将旅行时或测试数据输入到过滤后的k个类神经网络 模型中，并预测站到站的旅行时间；W及在取得预测的站到站的旅行时间后，换算为目标站 点的到达时间。
[0014] 综上所述，本发明的到站时间预测系统及方法，具有下述中的一个或多个优点：
[0015] 1.本发明收集实时的各个路段和时段的站到站之间的旅行时间来估计目前车辆 位置到达目标站点的旅行时间。
[0016] 2.本发明提出新颖的随机类神经网络群来分析上述旅行时间数据集合，建立多个 类神经网络模型，再综合考虑多个类神经网络模型的预测结果来提升预测准确度，W此来 预测使用者欲搭乘的公交车的到站时间，将预测结果提供给使用者作为参考。
[0017] 3.本发明在随机类神经网络群算法的学习阶段中，为每个类神经网络模型分别从 数据集合中随机取出多笔数据作为训练数据，并将剩余的资料作为在训练阶段中的测试数 据，再将训练数据输入到各个类神经网络模型中进行学习，因而可避免极端值的影响。
[0018] 4.本发明在随机类神经网络群算法的测试阶段和实行阶段中，运用各个类神经网 络模型所预测的旅行时间与训练阶段所学习得到的权重进行加权平均，最后将加权平均后 的旅行时间作为此随机类神经网络群算法的旅行时间预测值，并将旅行时间换算为到站时 间，W此进行到站时间预测。
【附图说明】
[0019]图1为本发明实施例一到站时间预测系统的结构示意图；
[0020] 图2为本发明实施例二到站时间预测方法的流程示意图；
[0021] 图3为本发明实施例S到站时间预测方法的流程示意图；
[0022] 图4为本发明实施例四类神经网络模型的示意图；
[0023] 图5为本发明实施例五预测旅行时间的示意图。
【具体实施方式】
[0024] 参考图1，本发明是关于一种基于随机类神经网络群的到站时间预测的系统。该系 统主要可W预测车辆的到站时间，适用于客运业者、物流业者、或其它有到站时间预测需求 的相关业者，并将预测的到站时间提供给客户端设备，让客户或使用者可W实时掌握车辆 信息和到站信息，节省等候时间，其中主要包含下列六个模块；（1)多个车站站牌100 ;此站 牌设备主要包含有一组经绅度坐标信息，并且此信息可预先储存在车载终端设备和云端运 算服务器中，当车载终端设备接近车站站牌时，车载终端设备可W感知到站信息。此外，此 站牌设备也可!^嵌入3。10巧3(1；[0化69116]1〇7 1〇6]11：1；1^；[031：；[0]1，无线射频辨识）标签，当车 辆临近时可W感知站牌，并可W此来判断到站。（2)多个车载终端设备101 ;此设备主要包 含有GPS(Global化sitioningSystem,全球定位系统）模块、细胞网络模块、W及数据库模 块（并未在图1中画出），可W收集车辆当前位置（包含经绅度坐标），W及判断目前位置 是否临近车站站牌100,若在车站站牌100附近的范围内则判断到站，并将到站信息和时间 点通过细胞网络基地台102回传至云端运算服务器端103。此外，在到站判断的部分，车载 终端设备101也可W嵌入RFID读取器，当车辆临