一种用于智能网联公交的到站时间精准预报方法与流程

1.本发明涉及智能网联公交技术领域，尤其是涉及一种用于智能网联公交的到站时间精准预报方法。


背景技术：

2.公交到站时间预报是指在一定的环境模型基础上，基于给定的公交行驶线路，对公交到达每一站的时间进行预测。而针对智能网联公交来说，需要根据天气、客流、发车时间、站间距等参数，对每一发车班次进行到站时间精准预测，充分发挥网联公交的优势。
3.支持向量机算法(svm)是通过核函数来实现特征空间上的间隔最大的非线性分类器，学习策略就是间隔最大化，可形式化为一个求解凸二次规划的最优化问题。支持向量机算法通过机器学习，能够实现站点间行驶时间的预测，进而实现到站时间的预测，适合智能网联公交到站时间精准预报问题。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的智能网联公交的到站时间的准确性不足的缺陷而提供一种用于智能网联公交的到站时间精准预报方法。
5.本发明的目的可以通过以下技术方案来实现：
6.一种用于智能网联公交的到站时间精准预报方法，具体包括以下步骤：
7.s1、采集目标线路上智能网联公交的行车数据和行车影响信息，并对行车数据进行数据预处理；
8.s2、对svm模型相关的模型参数进行二进制编码，并产生svm模型的初始种群；
9.s3、根据预设的适应度函数计算svm模型的适应度，判断计算得到的适应度是否满足适应度阈值，若是则转至步骤s5，否则转至步骤s4；
10.s4、对种群进行遗传优化操作，转至步骤s3；
11.s5、根据满足适应度阈值的适应度对应的最佳模型参数，建立svm模型，将完成预处理的行车数据和行车影响信息输入svm模型，计算得到目标线路上每个班次的智能网联公交的到站时间并输出。
12.svm模型是将训练数据集非线性地映射到高维特征空间。此非线性映射的目的是在映射到高维特征空间之后将输入空间中的线性不可分数据集转换为线性可分离的数据集，然后创建分类超平面作为决策表面，以使正例和反例之间的隔离边缘最大化，是结构风险最小化的近似实现，具有在各种函数集中构建函数的通用性，不需要特定的功能形式，并且可以用于非线性系统。
13.所述目标线路上智能网联公交的行车数据包括相邻两站的行程时间和从起点站到终点站的总行程时间。
14.进一步地，所述相邻两站的行程时间包括相邻两站之间的路段运行时间和站台停留时间；所述目标线路上从起点站到终点站的总行程时间具体为起点站到终点站之间所有
的相邻两站行程时间之和。
15.所述行车影响信息包括路段运行影响信息和站台停留影响信息。
16.进一步地，所述路段运行影响信息包括路段交通条件、交叉口状况、交叉口优先状态和天气信息。
17.进一步地，所述站台停留影响信息包括上下客人数、站台形式、车辆选型以及司机驾驶水平信息。
18.所述svm模型相关的模型参数包括惩罚系数、gamma参数和核函数。
19.所述步骤s3中适应度函数采用交叉验证模型中的准确率。
20.所述步骤s4中遗传优化操作包括父母选择、亲子交叉和子代变异。
21.所述svm模型在进行计算时使用的函数f(x)的公式如下所示：
[0022][0023][0024]
其中，a
i
和为拉格朗日因子，k(x
i
,x
j
)为核函数，b为超平面的截距，c为结构风险与经验风险之间平衡的惩罚因子，x
i
和x
j
为输入svm模型的数据向量，k为输入的数据向量的总数。
[0025]
进一步地，所述核函数k(x
i
,x
j
)为数据向量x
i
和x
j
在特征空间上的内积，具体采用径向基核函数，公式如下所示：
[0026][0027]
其中，σ为惩罚系数，g为gamma参数。
[0028]
与现有技术相比，本发明具有以下有益效果：
[0029]
本发明通过采集目标线路上智能网联公交在相邻两站之间的路段运行时间和站台停留时间，结合遗传算法对svm模型相关的模型参数进行优化，得到满足适应度阈值的最优模型参数，将完成预处理的行车数据和行车影响信息输入到以此建立的svm模型中，得到目标线路上每个班次的智能网联公交的到站时间，有效提高了计算得到的智能网联公交的到站时间的准确性，实现智能网联公交到站时间的精准预报。
附图说明
[0030]
图1为本发明的流程示意图；
[0031]
图2为本发明计算行程时间的示意图。
具体实施方式
[0032]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案
为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0033]
实施例
[0034]
如图1所示，一种用于智能网联公交的到站时间精准预报方法，具体包括以下步骤：
[0035]
s1、采集目标线路上智能网联公交的行车数据和行车影响信息，并对行车数据进行数据预处理；
[0036]
s2、对svm模型相关的模型参数进行二进制编码，并产生svm模型的初始种群；
[0037]
s3、根据预设的适应度函数计算svm模型的适应度，判断计算得到的适应度是否满足适应度阈值，若是则转至步骤s5，否则转至步骤s4；
[0038]
s4、对种群进行遗传优化操作，转至步骤s3；
[0039]
s5、根据满足适应度阈值的适应度对应的最佳模型参数，建立svm模型，将完成预处理的行车数据和行车影响信息输入svm模型，计算得到目标线路上每个班次的智能网联公交的到站时间并输出。
[0040]
svm模型是将训练数据集非线性地映射到高维特征空间。此非线性映射的目的是在映射到高维特征空间之后将输入空间中的线性不可分数据集转换为线性可分离的数据集，然后创建分类超平面作为决策表面，以使正例和反例之间的隔离边缘最大化，是结构风险最小化的近似实现，具有在各种函数集中构建函数的通用性，不需要特定的功能形式，并且可以用于非线性系统。
[0041]
目标线路上智能网联公交的行车数据包括相邻两站的行程时间和从起点站到终点站的总行程时间。
[0042]
相邻两站的行程时间包括相邻两站之间的路段运行时间和站台停留时间；目标线路上从起点站到终点站的总行程时间具体为起点站到终点站之间所有的相邻两站行程时间之和。
[0043]
行车影响信息包括路段运行影响信息和站台停留影响信息。
[0044]
路段运行影响信息包括路段交通条件、交叉口状况、交叉口优先状态和天气信息。
[0045]
站台停留影响信息包括上下客人数、站台形式、车辆选型和司机驾驶水平信息。
[0046]
svm模型相关的模型参数包括惩罚系数、gamma参数和核函数。
[0047]
步骤s3中适应度函数采用交叉验证模型中的准确率。
[0048]
步骤s4中遗传优化操作包括父母选择、亲子交叉和子代变异。
[0049]
svm模型在进行计算时使用的函数f(x)的公式如下所示：
[0050][0051][0052]
其中，a
i
和为拉格朗日因子，k(x
i
,x
j
)为核函数，b为超平面的截距，c为结构风险
与经验风险之间平衡的惩罚因子，x
i
和x
j
为输入svm模型的数据向量，k为输入的数据向量的总数。
[0053]
核函数k(x
i
,x
j
)为数据向量x
i
和x
j
在特征空间上的内积，具体采用径向基核函数，公式如下所示：
[0054][0055]
其中，σ为惩罚系数，g为gamma参数。
[0056]
具体实施时，快速公交行程时间可能会受到多种因素影响产生非线性变化，支持向量机(svm)模型由于采用核函数，具有很强的非线性预测能力，能够很好的适应行车影响信息所带来的影响。本实施例中，通过在svm模型中设置相应的测试参数，得到相邻两站之间路段运行时间和站亭停留时间的最优预测解模型，表1如下所示：
[0057][0058]
如图2所示，相邻两站的行程时间包括相邻两站之间的路段运行时间和站台停留时间，具体公式如下所示：
[0059]
tt
ki
＝st
ki
+ot
ki
[0060]
目标线路上从起点站到终点站的总行程时间具体为起点站到终点站之间所有的相邻两站行程时间之和，具体公式如下所示：
[0061]
ttt
k
＝∑tt
ki
[0062]
本发明在满足智能网联公交到站时间精准控制的基础上，求解得到最精准的到站时间预报。
[0063]
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。