一種公交到站時間預測方法

段穎超，張健欽，李明軒 ，杜明義

(1. 北京建筑大學測繪與城市空間信息學院，北京 100044；2. 現代城市測繪國家測繪地理信息局重點實驗室，北京 100044)

?

一種公交到站時間預測方法

段穎超1，2，張健欽1，2，李明軒1，2，杜明義1，2

(1. 北京建筑大學測繪與城市空間信息學院，北京 100044；2. 現代城市測繪國家測繪地理信息局重點實驗室，北京 100044)

基于公交GPS軌跡數據和路段在空間關系和時空分布上的分析和處理，開展了公交車輛到站時間預測的研究，提出并實現了基于空間關系的路段平均到站總時間與基于屬性數據修正的綜合預測方法；以北京市300路內環公交線路為例進行了驗證和效果評價，并對下一步工作進行了展望。

軌跡數據；空間關系；公交到站預測

隨著社會經濟的發展，機動車數量急劇增加，城市交通面臨著巨大的挑戰。優先發展公共交通、實現智能公交，既是解決城市交通問題的有效途徑，也是發展智能交通系統的重要內容。公交到站時間是指沿公交線路運行的公交車輛當前位置相距目標站點的行程時間[1]。公交到站時間預測是智能公交的核心之一，它能夠為智能調度和公眾出行服務提供核心技術支持。一方面，大眾出行者對能夠有效分配出行時間有著強烈的需求，從主觀上急需公交到站時間預測的能力；另一方面，實現公交調度的精細化、智能化，提高公交管理的效率和效能，其中不可缺少的重要依據便是公交到站時間的預測能力。因此，研究和開發高性能的公交車輛到達時間預測技術，對實現公交系統在管理和服務的智能化、提高城市公共交通的管理和服務水平具有重要意義[2]。

本文基于公交GPS軌跡數據，通過對公交車輛GPS軌跡數據進行空間關系和時空分布上的分析與處理，開展對公交車輛到站時間預測的研究。

一、常見預測模型研究綜述

公交到站時間預測模型有很多，如基于歷史數據的預測模型[3]、回歸預測模型[4-5]、基于平均速度的預測模型[2]、基于離散傅里葉變換和車輛延誤的預測模型[6]等。這里主要介紹3種較常見也較多使用的預測模型。

1. 時間序列預測模型

時間序列模型主要是利用交通流的時間變化規律獲取交通數據具有周期性和局部特性變化特征，進而通過當前與歷史交通狀況的對比，預測出車輛到站時間。因此，這種模型的預測精度主要取決于對比結果的相似度。相似度較高的，對應的預測精度也相對較高；但對于對比結果存在很大差異的，預測結果會很不理想[7]。

2. 卡爾曼濾波預測模型

卡爾曼濾波預測模型是一種滾動并實時修正的模式，既包括通過歷史狀態(通常是前一步狀態)預測當前狀態，又包括利用當前實際觀測狀態修正預測結果。因此它既考慮了歷史數據的影響，又兼顧了當前突發事件的反饋，具有很高的實時性能和較高的預測精度。但是這種滾動預測模式導致了多步預測的性能和精度的下降[6]。

3. 人工神經網絡預測模型

神經網絡預測模型通過神經元網絡尋找交通數據與到站時間數據間的關系，具有分布式存儲、并行處理、自組織、自學習、非線性逼近等優點[8]。目前絕大多數采用BP 算法，并以樣本的方差和作為訓練的收斂條件。神經網絡模型能很好地擬合歷史數據，但其精度主要取決于訓練時間的長短，因而預測的實時性較差。

二、基于公交GPS軌跡數據的到站時間預測研究

現有的大多公交車輛到站時間預測模型都基于海量的交通記錄，側重于在數學上建立解算和參數方程組，來預測目標對象的到站時間等相關數據。然而，這種模式雖然具有眾多優勢，卻較少關注從公交GPS軌跡數據在空間關系和時空分布的層面上來分析和處理數據。本文即從以上層面進行研究，進而提高預測精度。

1. 基礎數據分析處理

鑒于從軌跡數據空間關系和時空分布的角度分析數據的研究目的，基礎數據主要分為兩個方面：軌跡數據和矢量數據。其中，軌跡數據包括上線的公交車車載GPS模塊所記錄的數據，以及部分公交系統業務數據；矢量數據包括公交站點、公交線路、城市路網，以及分析和處理過程中的臨時地圖圖層等。具體內容見表1。

表1　基礎數據

對基礎數據除了進行常規處理，如去噪、數據融合、格式化、建表入庫、索引、關聯等，更需要從地理信息系統的專業角度分析數據的空間和屬性特征。

1) 去除GPS漂移點。軌跡數據的經緯度坐標是最重要的基礎數據，但由于GPS模塊定位過程中受到大型建筑物的遮擋，以及其他事物的干擾，會出現很多漂移點。而對于嚴重偏離所屬線路的情況，會對預測精度造成重大影響，因此必須去除。但是，傳統的預測模型在去噪過程中的靈活度和性能相對較低。本文通過建立臨時軌跡點圖層，在地圖上非常直觀地表現出了車輛行駛軌跡偏離所屬線路的程度，從而通過設置可變的閾值，嚴格控制了軌跡數據中坐標的精度。

2) 匹配。公交數據的路網匹配規則相對簡單，即主要采用最短距離法，因為除了應對突發事件或小規模線路調整之外，公交線路和公交站點非常穩定。公交線路數據的來源或處理方式有兩種：一是通過地圖矢量化或對其他已有數據的格式轉換；二是通過高密度分布于線路的點數據自動生成。但無論哪種方式，公交線路都要進行坐標系的統一和路網匹配，從而確保后續處理和空間分析，以及最終預測到站時間的精度。同樣，公交站點和車輛軌跡點也要對應地匹配到所屬的線路上，特別是當區分線路上行和下行的時候。

3) 線路分段。公交線路的分段方式也是反映數據處理精度的重要因素。本文主要按照公交GPS軌跡點與路段進行空間關系判別的具體需求，分別采用了5種分段方式，見表2。

表2　線路分段方式

另外，在分析處理和系統展示時，還需要對地圖數據進行投影坐標系和地理坐標系的統一定義。

2. 空間關系和時空分布

本文基于公交軌跡數據建立了時空數據模型(如圖1所示)。考慮任何一條公交線路Route在時間范圍T內都有N條同在這條線路上運行的BusCount輛公交車的軌跡記錄，而每條軌跡記錄都是一個包含某車空間信息、時間信息和屬性信息的數組。首先，根據時間信息判斷它的時間歸屬并獲取時間歸屬ID，即屬于工作日(work)或休息日(rest)的哪個時段(五峰、全天)。第二，根據空間信息判斷它的路段歸屬并獲取路段歸屬ID，即屬于線路Route的哪個動態分段區間(常用站點或站點停靠緩沖區來分段)。第三，分析它的空間關系和時空分布特征：如果與站點緩沖區相離，便可視為行駛點，可以根據歷史平均總時間和距離即將到達的站點距離得出初步預測時間，再用相應的路況信息等屬性信息進行修正，得出最終預測結果，并接著分析下條記錄；如果與站點緩沖區相交，便可視為站點停靠待選點。如此滾動，便可得到一個停靠待選點集合，但集合中仍包含該線路車隊的m輛公交車的不同次數的軌跡點，因而就要使用屬性信息確定相應的歸屬，再利用空間關系找出停靠待選點集合中離站點最近，且速度符合指定閾值的軌跡點。路段歸屬ID屬于前后兩站的軌跡點時間差便是對應路段的單車單次到站總時間，將其加入到歷史平均總時間再次平均便可實現歷史平均數據的更新。

預測處于行駛點的公交車的到站時間，以公交車的當前位置所在的行車路段為當前行車路段，則當前位置到達最近的公交站點的預測時間T為

T=PiTi，i≤m-1

(1)

式中，Pi為當前位置到最近的公交站點的距離di與當前行車路段的總距離Di的比值；Ti為當前行車路段的平均行程時間。再用此路段的路況信息等屬性信息進行修正，得出最終預測結果。

圖1　時空數據模型

三、實例研究

本文選取北京市300路內環(簡稱300內)公交線作為研究對象，包含終點在內共有34站，線路總長48.065 km。

接著選取2011年4月共2 515 783條軌跡數據，結合ArcGIS Engine進行二次開發，建立了一個應用上述處理和計算流程的系統。如圖2所示。

圖2　系統界面

在菜單“數據”中，主要進行線路生成和分段工作，按照300內公交站點對線路進行分段。在菜單“匹配”中，主要完成300內公交線路的路網匹配，以及該月所有GPS軌跡數據和公交站點的匹配線路工作。在菜單“計算”中，主要完成：①對所有處理過的GPS軌跡數據按照分段結果計算得出該路段平均到站總時間；②選取工作日抽樣點，進行到站時間預測；③選取休息日抽樣點，進行到站時間預測。

系統可以分別按日期、時段、車輛來進行相應設置的計算。這里對該月該車隊所有車輛的GPS軌跡數據，分別計算出了300內33個站間路段的平均到站總時間，如圖3所示。

圖3　各個站間路段平均到站總時間

最后，分別抽樣選取了工作日和休息日的公交GPS軌跡數據，利用路段平均到站總時間與當前車輛位置和速度，預測到達下一站所需要的時間。

通過分別選取2011年5月3日(星期二，49個抽樣軌跡點)和2011年5月8日(星期日，31個抽樣軌跡點)代表工作日和休息日進行實例驗證，證明了本方法可以得到穩定且可參考的數據，預測精度可以達到87.6%。這種方法對處理軌跡數據和計算路段平均到站總時間具有較好的性能和效果，而預測結果在較少出現突發事件的情況下也呈現出較高的精度。

四、結語和展望

公交到站時間作為公共交通出行者最為關注的重要信息，以及公交系統智能調度的核心依據，其精確預測不僅能提高公交信息服務的質量和體驗，也推動了城市公交系統的智能化。

本文首先詳細討論了基于公交GPS軌跡數據進行到站時間預測的基礎數據組成，以及各自在分析處理和判斷計算過程中的作用；然后從公交GPS軌跡數據與公交線路矢量數據的空間關系和時空分布的角度出發，詳細論述了利用空間信息、時間信息、屬性信息的關聯性進行公交車輛到站時間預測的過程和方法；最后對實際采集的2 515 783條公交GPS軌跡數據進行了實例研究，并利用應用結果對抽樣點數據進行了實例驗證，最后針對預測的性能和效果作出了評價。下一步本研究將嘗試引入卡爾曼濾波模型，在車輛實時位置和速度、到達站點的距離的基礎上，重點考慮車輛所處路段的路況信息、途經路段道路類型、周邊人口密集區的權重分配，以及對預測精度的影響。

[1]陳國俊, 楊曉光, 劉好德,等. 基于動態百分位行程時間的公交到站時間預測模型[J]. 公路交通科技, 2009(S1)：102-106.

[2]羅虹. 基于GPS的公交車輛到達時間預測技術研究[D]. 重慶：重慶大學, 2007.

[3]OJILI S R. A Prototype Bus Arrival Prediction System Using Automatic Vehicle Location Data[D]. State of Texas:Texas A&M University, 1999.

[4]ALFA A S, MENZIES W B, PURCHA J, et al. A Regression Model for Bus Running Times in Suburban Areas of Winnipeg[J]. Journal of Advanced Transportation, 1988, 21(3): 227-237.

[5]ABDELFATTAH A, KHAN A. Models for Predicting Bus Delays[J]. Transportation Research Record: Journal of the Transportation Research Board, 1998 (1623): 8-15.

[6]張堂賢, 郭中天. 公交車到站時間暨復合路線旅行時間預估模式的研究[J]. 土木工程學報, 2005(12):115-123.

[7]CHIEN I J, DING Y, WEI C. Dynamic Bus Arrival Time Prediction with Artificial Neural Networks[J]. Journal of Transportation Engineering, 2014, 128(5):429-438.

[8]CHIEN I J, DING Y, WEI C. Dynamic Bus Arrival Time Prediction with Artificial Neural Networks[J]. Journal of Transportation Engineering, 2014, 128(5):429-438.

[9]陳圣兵, 李正茂, 王曉峰. 智能公交中基于條件映射的到站時間預測算法[J]. 計算機工程, 2012, 38(11):147-149.

[10]李福雙. 智能公交車輛到站時間預測研究[D]. 北京：北京交通大學, 2009.

[11]陳鵬. 基于BP神經網絡的公交智能實時調度模型研究及系統實現[D]. 北京：北京交通大學, 2008.

[12]晏磊, 苗李莉, 劉岳峰. 關于GPS技術在智能交通系統中的應用分析[J]. 測繪通報, 2005(8):26-28.

[13]王美玲, 程林. 浮動車地圖匹配算法研究[J]. 測繪學報, 2012, 41(1):133-138.

[14]曾喆, 李清泉, 鄒海翔,等. 曲率積分約束的GPS浮動車地圖匹配方法[J]. 測繪學報, 2015,44(10)：1167-1176.

[15]羅躍軍, 宋向勃, 鄭莉. 一種基于空間語義特征的浮動車軌跡匹配技術[J]. 測繪通報, 2015(3):108-110.

A Method of Bus Arrival Time Prediction

DUAN Yingchao，ZHANG Jianqin，LI Mingxuan，DU Mingyi

10.13474/j.cnki.11-2246.2016.0153.

2015-11-05

現代城市測繪國家測繪地理信息局重點實驗室開放基金(20111216N)；北京市優秀人才培養資助個人項目(2011D005017000005)

段穎超(1990—)，女，碩士生，主要研究方向為GIS技術研發、智慧城市管理。E-mail：yc.duan@foxmail.com

P228

B

0494-0911(2016)05-0050-04

引文格式： 段穎超，張健欽，李明軒，等. 一種公交到站時間預測方法[J].測繪通報，2016(5)：50-53.