基于实时公交车速度统计数据的公交专用道短时速度预测方法

技术领域

本发明涉及智能交通技术领域，具体而言，尤其涉及一种基于实时公交车速度统计数据的公交专用道短时速度预测方法。

背景技术

公交车速预测已经逐渐成为优化公交运营调度、建立弹性发车时刻表、提高公交车服务水平的重要决策依据，为乘客出行前合理安排出行线路提供重要支撑。与传统的道路交通速度预测不同，城市公交车速预测很少单独使用线性方法进行预测，非线性方法和组合方法成为公交车速预测主流。非线性方法主要分析公交车速内潜在的非线性特征，对车速的动态变化可以进行自适应控制，如人工神经网络模型、支持向量机模型、贝叶斯网络模型等，通常需要较为复杂并耗时的算法训练，非线性方法通常基于统计数据的时间依赖特性，而忽略了相邻/相近路段的影响。为充分发挥各非线性模型的优势，一些学者将多个线性和非线性方法进行组合构建组合模型，进行短时公交车速预测，如遗传算法-支持向量机组合预测模型、K-近邻算法-循环递归神经网络组合预测模型等。组合方法充分发挥内部各单一模型的优势，并相互弥补各自不足，充分挖掘统计数据中的线性和非线性特性，在预测精度和自适应性等方面具有一定优势，但构造过程较为复杂，且并未有效分析和挖掘公交车速统计数据的空间和时间特征以及长期和短时依赖特性。

发明内容

根据上述提出的现有预测方法没有考虑相邻/相近路段的影响和构造复杂等技术问题，提供一种基于实时公交车速度统计数据的公交专用道短时速度预测方法。本发明将一维卷积神经网络、极限学习机、灰度关系分析方法和循环递归神经网络有机结合在一起，构造时空复合预测算法，对目标公交路段公交车速统计数据的空间和时间特征及长期和短时依赖特性进行综合分析和挖掘，提高算法预测精度。

本发明采用的技术手段如下：

一种基于实时公交车速度统计数据的公交专用道短时速度预测方法，包括：

S1、获取目标路段及其相邻路段公交车车速时间序列数据，采用基于熵的灰度关系分析方法，分析相邻路段和目标路段间的相关关系，最终选取符合相关性约束条件的m′个相邻路段；

S2、选取目标路段和选定的m′个相邻路段采集的、前d天公交车车速时间序列数据

S3、基于前d天公交车车速时间序列数据

S4、分别分析每天的公交车车速时间序列数据

S5、分析以目标路段为中心的时间序列数据

S6、分析目标路段长期时间依赖特性h

S7、基于所述目标路段的时间依赖特征

进一步地，步骤S1包括：

S101、根据目标路段和相邻路段时间序列车速数据，根据以下公式计算目标路段和相邻路段简单灰色关联度GRG(m)：

其中，γ为灰色关系系数，x

S102、分析各相邻路段与目标路段的简单灰色关联度大小，按降序依次排序；

S103、对于给定的阀值ε，如果GRG(m)≥ε，则选取该相邻路段作为目标路段的关联路段。

进一步地，步骤S2中所述卷积神经网络为无池化层的一维卷积神经网络。

进一步地，步骤S3包括：

S301、使用极限学习机神经网络对输入数据

S302、基于极限学习机神经网络隐藏层的输出权重

S303、基于输入数据

进一步地，步骤S4包括：

S401、分析前d天的数据，对第q天的数据

S402、分析第一层门限循环单元输出的前d天在t时刻的数据变化

S403、基于S401及S402的分析结果，获取前d天数据的长期时间依赖特性h

进一步地，步骤S5包括：

S501、选取目标路段和选定的m′个相邻路段采集的公交车车速时间序列数据，采用卷积神经网络，分析目标路段和相邻路段间的空间特性，进而获取目标路段时间序列数据

S502、采用Attention关系机制分析目标路段时间序列数据

S503、采用单层门限循环单元分析目标路段时间序列数据特性，获取目标路段当前时间的短时依赖特性

本发明根据公交路段实时车速统计数据，结合历史车速统计数据，采用基于灰度关系分析方法、一维卷积神经网络、自适应极限学习机和双层门限递归单元循环神经网络的时空复合预测模型，预测公交路段未来短时公交车速变化情况。并且充分考虑到相邻或相近公交路段对目标路段公交车速的影响，将公交车速实时统计数据和历史统计数据相结合，基于熵的灰度关系分析方法分析选择与目标公交路段关联度最高的相邻或相近路段组成分析对象，并构建同一时间尺度的实时和历史公交车速统计数据，引入一维卷积神经网络、Attention关系分析机制和门限递归循环神经网络构建多层复合时空模型，分别分析实时和历史公交车速统计数据的时间和空间依赖特性，最后，引入自适应极限学习机神经网络分析目标路段长期和短时依赖特征，预测目标公交路段未来公交车速变化情况，具体流程图如图1所示。该发明考虑到相邻/相近公交路段车速对目标路段的影响，综合分析公交路段公交车速时间和空间特征及长期和短时依赖特性，能够有效提高公交路段短时公交车速的预测精度。

较现有技术相比，本发明具有以下优点：

1、本发明所述基于实时公交车速度统计数据的公交专用道短时速度预测方法，分析相邻或相近路段间的相关性，分析路段间的空间关联特征，借助相邻路段车速统计数据，有效提高目标路段车速预测精度。

2、本发明所述基于实时公交车速度统计数据的公交专用道短时速度预测方法，综合分析公交车速统计数据的长期和短时时间依赖特性，有效提高公交专用路段车速预测精度。

综上，本发明根据公交路段实时车速统计数据，结合历史车速统计数据，采用基于灰度关系分析方法、一维卷积神经网络、自适应极限学习机和双层门限递归单元循环神经网络的时空复合预测模型，预测公交路段未来短时公交车速变化情况。并且充分考虑到相邻或相近公交路段对目标路段公交车速的影响，将公交车速实时统计数据和历史统计数据相结合，基于熵的灰度关系分析方法分析选择与目标公交路段关联度最高的相邻或相近路段组成分析对象，并构建同一时间尺度的实时和历史公交车速统计数据，引入一维卷积神经网络、Attention关系分析机制和门限递归循环神经网络构建多层复合时空模型，分别分析实时和历史公交车速统计数据的时间和空间依赖特性，最后，引入自适应极限学习机神经网络分析目标路段长期和短时依赖特征，预测目标公交路段未来公交车速变化情况，具体流程图如图1所示。

基于上述理由本发明可在智慧交通、智慧公交管理等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于实时公交车速度统计数据的公交专用道短时速度预测方法执行流程图。

图2为应用本发明方法预测公交专用道短时速度的基本流程图。

图3为实施例中2018年12月第二周某一工作日7:30—9:30某公交路段公交车车速预测结果。

图4为实施例中2018年12月第二周某一非工作日16:30—18:30某公交路段公交车车速预测结果。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明提供了一种基于实时公交车速度统计数据的公交专用道短时速度预测方法，包括：

S1、获取目标路段及其相邻路段公交车车速时间序列数据，采用基于熵的灰度关系分析方法(Entropy-based Grey Relation Analysis，EGRA)，分析相邻路段和目标路段间的相关关系，最终选取符合相关性约束条件的m′个相邻路段。具体包括：

S101、根据目标路段和相邻路段时间序列车速数据，根据以下公式计算目标路段和相邻路段简单灰色关联度(Grey Relevancy Grade)GRG(m)：

其中，γ为灰色关系系数，x

S102、分析各相邻路段与目标路段的简单灰色关联度大小，按降序依次排序；

S103、对于给定的阀值ε，如果GRG(m)≥ε，则选取该相邻路段作为目标路段的关联路段。S102步的目的就是为了S103步能够快速的完成关联路段的选取，而不至于花费过多的时间。

S2、选取目标路段和选定的m′个相邻路段采集的、前d天公交车车速时间序列数据

S3、基于前d天公交车车速时间序列数据

S301、使用极限学习机神经网络(Extreme Learning Machine，ELM)对输入数据

S302、基于极限学习机神经网络隐藏层的输出权重

S303、基于输入数据

S4、分别分析每天的公交车车速时间序列数据

S401、分析前d天的数据，对第q天的数据

S402、分析第一层门限循环单元输出的前d天在t时刻的数据变化

S403、基于S401及S402的分析结果，获取前d天数据的长期时间依赖特性h

S5、分析以目标路段为中心的时间序列数据

S501、选取目标路段和选定的m′个相邻路段采集的公交车车速时间序列数据，采用卷积神经网络，分析目标路段和相邻路段间的空间特性，进而获取目标路段时间序列数据

S502、采用Attention关系机制分析目标路段时间序列数据

S503、采用单层门限循环单元分析目标路段时间序列数据特性，获取目标路段当前时间的短时依赖特性

S6、分析目标路段长期时间依赖特性h

S7、基于所述目标路段的时间依赖特征

下面通过一个具体的应用实例，对本发明的方案和效果做进一步说明。

如图2所示为应用本发明方法预测公交专用道短时速度的基本流程图。本实施例中，选取大连市某主干路段自2018年11月5日至2018年12月16日5:30—22:40时段内多个公交线路路段内公交车车速为本发明实例。以5分钟为时间间隔聚合公交车车速数据，每个公交线路路段每日可获得206个样本数据，整个时间周期内共8652条数据样本。利用上述步骤1—7进行城市公交线路目标路段公交车车速预测。首先以5分钟为尺度为每个公交线路路段构建时间序列数据，采用EGRA分析各公交线路段间的空间关系，选取GRGs最高的前5个相邻公交线路段重新构建DHSTN模型的输入数据矩阵；基于公交线路和数据特点，为平衡算法计算时间和预测精度，确定一维CNN卷积层数为3，每层具有35个特征图，每层过滤器深度依次为2、3和4；基于主成份分析和经验积累，确定极限学习机神经网络隐层神经元数为30，选取极限学习机神经网络的阀值ε＝10(MSE误差)；基于反复试验和经验积累，选取双层门限递归单元循环神经网络隐层维度为14，输入层维度为14，单输出层。最后利用极限学习机神经网络对目标路段公交车车速进行精确预测。

图3和图4展示了2018年12月第二周的某一工作日早高峰的7:30—9:30和非工作日晚高峰的16:30—18:30某目标公交车路段公交车车速预测结果，并与ARIMA(2,1,2)、MLP、RBFNN、TM-CNN、FDL和DNN-BTF方法的预测结果进行比较。

为了更好地说明本方法在预测精度上的优势，采取平均绝对误差(Mean AbsoluteError，MAE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)和均方根误差(Root Mean Square Error，RMSE)对预测结果进行评价，并与ARIMA(2,1,2)、MLP、RBFNN、TM-CNN、FDL和DNN-BTF方法的预测结果进行比较(见表1、表2)。

表1 MAE、MAPE和RMSE误差比较(工作日)

表2 MAE、MAPE和RMSE误差比较(非工作日)

比较结果表明，本发明提出的方法在预测精度上优于传统预测方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。