一種基于歷史數據與實時信息的公交路段行程時間預測*

楊永平　陳紅順　湯　健

(北京師范大學珠海分校信息技術學院　珠海　519000)

?

一種基于歷史數據與實時信息的公交路段行程時間預測*

楊永平陳紅順湯健

(北京師范大學珠海分校信息技術學院珠海519000)

摘要在分析公交車的運行過程及影響因素基礎上,根據公交車行駛的周期性特點,提出了根據行駛中公交車過站時刻的歷史數據分類方式,為了反映當前的行駛狀況,引入了最近鄰車次在目標區段即時行駛信息對歷史數據預測結果進行調節。實驗結果表明,此種預測方法與典型的回歸分析方法相比減少了需要的數據量和復雜度,與歷史數據統計法相比對偶發性情況有更好的適應性。

關鍵詞公交到站時間; 行駛時間預測; 時間周期性; 實時路況; 變化趨勢

Class NumberTP311

1引言

隨著我國機動車保有量的增多,擁堵在大中城市已經成為常態,加上停車難等問題,公交出行成為了減少擁堵、綠色出行的優先方式。理論上,公交車輛運行有固定的班次與時間間隔和行駛時間,具有與軌道交通相同的到站準確性,則乘客可以合理地規劃自己的出行。然而實際公交運行過程中,受到天氣、交通流量、人員流量、路況、交叉路口等因素的影響,公交運行實際情況與預計差別很大。珠海70路公交車共有24站,8輛車,某時刻的過站情況如圖1所示。

可以看到車輛行駛分布非常不均勻,根據一個工作日在梅溪牌坊站的實際測量,70路車同方向車輛到達間隔時間最快為3min,最大達25min,從梅溪牌坊到一六八醫院行駛時間在38min～80min之間,這樣大范圍的變動給公交公司的管理和公交乘客都造成了困擾。隨著公交系統引入GPS衛星定位、移動通信技術、地理信息系統技術等,可以實時獲取公交車位置,測定距離和速度。進行更加準確的到站時間預測和運行時間預測,可以給乘客提供更好的服務。

圖1　珠海70路公交車實時過站信息

國內外的一些學者提出了一些公交行駛預測技術,如歷史數據模型、回歸分析法、神經網絡模型、卡爾曼濾波、動態交通分配模型等[1],這些方法在預測公交運行較平穩的郊區或者非擁堵區,結果比較可靠,但對于平峰高峰變化期,有突發事件等情況,則預測效果往往不理想,有些方法還存在數據量過大,數據獲取不容易,可行性不高,參數和模型不通用,移植性不好等問題。本文在實際調查公交運行數據的基礎上,僅僅使用GPS和無線通信技術獲取數據,結合歷史與即時數據進行一種新型的公交行駛時間非參數預測。

2公交車運行時間的特點與影響因素

影響公交運行的因素,有道路條件、速度限制、交通路口、停站時間、天氣、司機、車輛、站點上下車人數、等候進站時間、突發事件等,它們的改變都可能對公交行駛時間造成影響,這些因素并不獨立影響行駛時間,有的因素還存在著影響隨機性大,如果采用多因素參數模型進行估計,存在量化描述困難和影響程度難以確定等問題,實際應用中準確性并不高。已有學者研究表明,多變量模型預測效果往往不如單變量模型[4]。

公交車的行駛線路固定,人流、車流變化比較規律,如工作日的人員的流動,主要是上班、下班、上學、放學,穩定性很強,時間和人車數量都比較固定,周末的出行人流、車流也有相似的時間變化性。實際調查顯示,公交車的運行具有很強的周期性,以一星期為周期,則描述通用型很高。數據顯示,在同一天中,不同時間段的流量符合統計規律,如從7:00～9:00為峰時,下午17:30～20:30為峰時,一周工作日里周五和周一與其它三天有一些區別,峰時較長,時間也有一點錯位。而節假日的峰時、平時與工作日又有很大的不同,另外舉行大型活動、交通管制、施工等會導致交通有明顯變化。公交車輛與普通的車流相比,歷史趨同性更高,在不出現突發意外情況下,使用歷史同期數據進行預測的準確性很高。非參數回歸模型認為所有固定的、隨機的因素的影響都反應到了歷史數據中,只要觀察結果就可發現內在規律,直接根據歷史數據來考察行駛情況,相當于綜合考慮了各種因素影響的疊加。

格斗開始。威爾和艾爾在場上面對面站開，空氣中泛著殺氣。只見他們抬起手護住頭部——就像老四教的那樣——面對面在場上跨步繞圈。艾爾比威爾高約十五厘米，塊頭卻要大兩倍。盯著他看的時候，我才發現他的五官也都那么突出——大鼻子，厚嘴唇，大眼睛。我覺得這場比賽不會太持久，誰勝誰負顯而易見。

T[S,D)= ∑mi=1(∑n-1i=0Tstop(S+i)

T[S,D)= ∑n-1i=0Tstop(S+i)

整個區段歷史行駛平均時間等于各站點平均停留時間之和與所有相鄰站點段平均行駛時間之和相加。時間和位置數據的測定簡單易行,傳輸成本低可靠度高,可以采用GPS和移動通信結合的方式獲得數據,數據庫保存每個站點的停站時間和相鄰站點間的行駛時間。

3預測模型

歷史周期法非參數回歸模型建立在人流和車流有周期性的基礎上,交通數據在總體趨勢上比較符合以天為單位變化,但節假日和工作日有差別,周一周五也有些差別,以星期為單位的周期性模型可以適合大多數時間,有很強的通用型。對于某些特別的時間交通會有較大的變動,比如交通臨時管制,舉辦大型活動,天氣變化等非周期性事件的發生,有些路段在某個時段還會偶爾突發擁堵,這些情況都會導致車輛真實通行時間和使用歷史同期數據預測有較大的誤差。為了消除偶發波動性,還需要同時考慮當前道路行駛狀況。相鄰的兩個班次之間,外部條件變化有一定的相似性,交通有一定的慣性和連續性,可近似認為相鄰的兩個班次之間,路況具有相同幅度的變化[2],例如上一個班次的運行時間與歷史同期運行時間相比有一個明顯的提升,則認為當前班次與歷史同期也具有相同的相對變化性;而如果上一個班次與歷史同期相比明顯變慢,如臨時交通管制雙行變單行導致通行效率下降,當前班次的預測時間可進行相同幅度的調整。假定周期性的固定條件、數據不變,則波動性由一個周期性數據疊加了一個隨機值,以待預測路段當前運行的同車次車輛行駛數據作為隨機值的決定依據。

假設當前公交班次是第K次,待預測班車L剛剛經歷的站點為S,目標站點為S+n,則使用最近運行于S和S+n之間的m個K班次車輛的到站離站數據,取得它們的歷史偏差加權平均值,預測當前車次車輛與歷史同時刻平均耗時的偏差。

3.1歷史數據的獲取

圖2　某時刻K次公交L…L+m車輛與站點S…S+n之間的關系

下面是周二9:30從梅溪牌坊到一六八醫院的歷史花費時間,同期歷史數據為周二9:25～9:35經過梅溪牌坊站點的公交的實際耗費時間。共花費8周采集得到10個樣本時間:

36,40,40,34,36,38,35,37,38,39

以星期為周期對數據進行分類是一種靜態分類方式,其它分類方式有基于數據挖掘的聚類分析方法,屬于動態分類方式,需要對數據進行大量分析且需采集更多數據才有代表性,測量維度多,有新數據加入時模型也要變動,實施代價高,實時預測較為困難。靜態分類也可以進行一定的數據壓縮,如星期二,星期三,星期四具有高度相似的運行特點,將其歸為一類即可,工作日9點～10點運行情況無波動,則將前后取得數據的區間從10min延長為1h,根據實際統計,長假可歸為假初、假中、假尾三種類型。實際運行效果顯示,此種人工干預分類的方式比自動學習聚類分類的方式更加有利于系統長期工作和穩定運行。

只選取本車次(如K次車)的數據作為當前預測的歷史數據,是由于即使有多個車次有部分路段經停站完全相同,但客流或策略等可能有很大的差別,造成數據較大的差異。

數據采集和保存格式如表1。

表1　數據采集和保存格式

類型的取值為星期一,星期二,…,假始,假中,假終等。車輛每進入一個站和駛出一個車站,都給數據中心發送進站出戰、站名、位置和時間信息。

3.2最近行駛情況的反映

對下一路段真實行駛情況的反映,可選的現有數據有本車過往運行速度,本車最近運行速度,前車運行數據等,它們能在一定程度上反映路況、車況。經過實際調查,待預測區段S-D之間最近通行狀況更能反映下一階段的行駛效果。當前待預測車輛編號為L,最近經過或到達S+n站點的車輛編號為L+m,則在它們之間的車輛編號為(L+1,L+m-1)。為了簡化預測模型,采用m次車的歷史耗時偏差的距離加權平均值反映當前路況與歷史路況的差別,第i號車最近駛出的站點S+j距離S站點的距離為Li,j為編號為i的車輛最近駛出的車站,偏差系數表示為

t為當前時刻,T[k,S]為當前待預測公交車離開S站的時間,如果還未出站則取0。即時數據采集格式:

車次車牌號站名入站時間出站時間方向

4預測方法驗證

1) 選取70路車梅溪牌坊到一六八醫院進行驗證。工作日閑時,沒有異常情況發生。

圖3　某工作日預測時間與實際花費時間

如圖3所示,預測值和實際值都與歷史數據很相近,引入最近m次車運行信息之后的預測數據對歷史數據的修正較小,但是對結果還是有一定的改善,直接采用歷史同期數據預測結果平均偏差2.5min,本文方法預測平均偏差1.6min,偏差都在10%以內。

2) 選取70路車梅溪牌坊到一六八醫院進行驗證。交通有一定的異常的預測。

從圖4可以看出,引入了最近m趟公交的實際行駛信息后,預測值與歷史周期均值預估相比要更接近真實值,更準確,路況的變化能夠及時反映。本次測試使用歷史數據預測平均偏差6.5min,引入最近m趟車的數據進行預測平均偏差為2.5min,結果的到明顯提升。70路車路況較好,變化周期性明顯,因此本方法預測效果很好。對于一些市內擁堵更多,交叉路口和紅綠燈更多的車次,此種預測方法的效果還需要進行檢驗,對影響系數進行調整。

圖4　下雨導致交通與歷史數據有一定差距下的預測

5結語

準確、可靠的公交車區段運行時間預測是一項復雜的工作,影響因素眾多,各因素影響效果不確定,各因素不完全獨立,因此建立包含各種影響因子的模型較困難,獲取各影響因素的準確描述也很困難。比如突發降雨對交通影響很大,而連續間歇降雨對交通的影響要小一些,但對不同的線路影響也不一樣。歷史數據加實時信息綜合預測的方法,采用歷史數據為基礎,考慮了人流、車流的周期性特點,加上當前行駛信息修正預測結果,僅需獲得車輛出站入站相關信息,數據獲取簡單可靠,采用近鄰m次車的運行偏離期望值來反映行駛的變化,和其它模型相比,容易實施。僅依賴歷史和實時的運行數據的數據采集和計算特點,模型通用性好計算量小,可實時預測,經過驗證,預測結果也比較接近實際值。

參 考 文 獻

[1] 向紅艷,彭學文.公交到站時間預測研究現狀與發展趨勢[J].交通信息與安全,2014,32(4):57-61.

XIANG Hongyan, PENG Xuewen. Current Study and Development Trend of Bus Arrival Time Prediction[J]. Journal of Transport Information and Safety,2014,32(4):57-61.

[2] 周雪梅,彭昌溆,宋興昊,等.基于前車數據的動態公交車輛到站時間預測模型研究[J].交通與運輸,2011,(2):52-56.

ZHOU Xuemei, PENG Changxu, SONG Xinghao, et al. Prediction Model of Dynamic Bus Arrival Time Based On the Front Bus Data[J]. Traffic and Transportation,2011(2):52-56.

[3] 陳巳康,詹成初,陳良貴.基于路段行程時間的公交到站預測方法[J].計算機工程,2007,33(21):281-282.

CHEN Sikang, ZHAN Chengchu, CHEN Lianggui. Prediction Method of Bus Arrival Time Based On Link Travel Time[J]. Computer Engineering,2007,33(21):281-282.

[4] D. Angelo M. AI-Deek H. Wang M. Tavel Time Prediction for Freeway Corridors[J]. Transportation Research Record,1999(1676):184-191.

[5] 于濱,楊忠振,林劍藝.應用支持向量機預測公交車運行時間[J].系統工程理論與實踐,2007,27(4):160-165.

YU Bin, YANG Zhongzhen, LIN Jianyi. Bus Arrival Time Prediction Using Support Vector Machines[J]. Systems Engineering Theory and Practice,2007,27(4):160-165.

[6] 牛虎.公交車輛到站時間預測研究[D].北京:北京交通大學,2010.

NIU Hu. Research on Bus Arrival Time Prediction[D]. Beijing: Beijing Jiaotong University,2010.

[7] 謝玲,李培峰,朱巧明.一種動態和自適應公交到站時間預測方法[J].計算機科學,2015,42(1):253-256.

XIE Ling, LI Peifeng, ZHU Qiaoming. Adaptive Medhod of Predicting Arrival Time of Buses on Dynamic Traffic Information[J]. Computer Science,2015,42(1):253-256.

[8] 計曉昕,關偉.組合非參數回歸和卡爾曼濾波的公交到站時間預測[J].科學技術與工程,2013,13(32):9581-9586.

JI Xiaoxin, GUAN Wei. Bus Arrival Time Prediction Combining Non-parameter Regression Method and Kalman Filtering Method[J]. Science Technology and Engineering,2013,13(32):9581-9586.

[9] 邵健,李彥明,苗玉彬,等.智能公交系統中的信息采集與處理技術[J].計算機工程,2008,34(12):274-276.

SHAO Jian, LI Yanming, MIAO Yubin, et al. Information Collection and Processing Technology in Intelligent Transportation System[J]. Computer Engineering,2008,34(12):274-276.

[10] Liu Hao, Henk J van Zuylen, Hans van Lint, et al. Prediction of urban travel times with intersection delays[C]//Vienna, Austria: Intelligent Transportation Systems, Proceedings of the 8thInternational IEEE Conference on Intelligent Transportation Systerms, date: 13-16 September.2005:1062-1067.

Prediction of Travel Time Based on Historical Data and Real Time Information

YANG YongpingCHEN HongshunTANG Jian

(College of Information Technology, Beijing Normal University Zhuhai Branch, Zhuhai519000)

AbstractOn the basis of analyzing the running process and the influencing factors of the bus, the cyclical characteristics of the bus running are pointed out. A data classification method based on the arrival time is proposed in order to reflect the current travel situation. The same serial number buses driving informations on the trips recently between the current site and the target site are used to adjust forecast data. Experimental results show that this method reduces data amount and data complexity compared with the typical regression analysis method, and it has better adaptability compared with the method of historical data statistics.

Key Wordsbus arrival time, travel time prediction, time periodically, real-time traffic, variation tendency

* 收稿日期:2015年11月7日,修回日期:2015年12月19日

作者簡介:楊永平,男,碩士,講師,研究方向:計算機算法、網絡與信息安全。陳紅順,男,博士,講師,研究方向:遙感與GIS應用,信息技術系統集成開發。湯健,男,碩士,工程師,研究方向:網絡工程、網絡安全。

中圖分類號TP311

DOI:10.3969/j.issn.1672-9722.2016.05.017