智能交通系统论文-公交车辆行程时间预测的方法.docx

目录0引言21国内外研究现状31.1国内外智能公交系统发展现状31.2国内外公交到站时间预测技术发展现状42研究方法介绍53公交车的运行特性及到站时间影响因素分析53.1公交车运行特性分析53.2公交车到站时间影响因素分析64试验调查数据分析84.1公交车停靠时长84.2通过交叉口时间95公交车辆行程时间预测模型105.1模型假设105.2模型的建立与计算116公交车辆行程时间实时预测方法的应用116.1自变量的确定116.2模型的计算及检验126.3预测结果及分析127总结13参考文献14公交车辆行程时间预测的方法王亚童 曹辉 曹江 黄锐玲（天津城建大学土木工程学院 天津300000）摘要：在现今一些大城市交通问题日益突出，迫切需要优先进行公共交通的发展的背景下，如何利用智能交通系统解决公交车行程时间预测的问题是大多数学者关注的重点。首先了解国内外主要的一些预测方法，再分析公交车的运行特性及公交车行程时间的影响因素。在调查数据的基础上，采用Excel数据回归分析的方法，进行公交车辆行程时间预测模型的建立，并结合模型预测结果与实测行程时间进行比较和误差分析。计算结果表明：运用该模型在平峰时段预测误差平均约为10%。关键词：智能交通系统；公交车行程时间；回归分析；预测模型Abstract: In some big city traffic problem increasingly prominent today,how to make use of intelligent transportation system to solve the problem of bus travel time prediction is the key of most of scholars focus on with the background of the urgent need for developing public transport priority. First is to tell some main forecast methods of domestic and abroad, then analyses of the operation characteristics of the bus and the influence factors of bus travel time. On the basis of survey data, using the Excel data regression analyses methods, building up the bus travel time prediction model, combined with the model prediction results compared with the observed travel time and the error analysis. The calculation results show that the flat peak period average error prediction is about 10% by this model. Keywords: Intelligent transportation system ; travel time ;analyses of regression; prediction model0引言城市的快速发展伴随着人口的急剧增长，而增加的人口所带来的出行增加，导致了道路交通供需矛盾日益突出，进而造成现在城市内普遍的交通拥堵，交通污染等问题。故而为了缓解城市的交通压力，必须优先发展大容量，能耗低且低污染的公共交通。公交车辆的行程时间的精准预测是智能交通系统中重要的一环，其作用主要体现：为乘客提供车辆到站的实时信息，用于公交系统的管理，提高公交服务质量。因此研究公交车辆到站时间的预测方法，有利于提高公交车辆到站时间的预测精度，减少乘客的等待时间。从而提高公共交通的吸引力，这对于优先发展公共交通有一定的助益。目前，国内外学者在公交车辆到站时间预测方面做了大量的研究，提出的预测模型主要有时间序列(Time Series, TS)模型、人工神经网络(Artificial Neural Network, ANN)模型、支持向量机(Support Vector Machines, SVM)模型以及Kalman滤波模型等。Yang考虑了时间序列中的某些不平稳数据，利用差分方法建立了自回归移动平均时间序列模型，通过残差分析及数据拟合，实现对车辆到站时间的预测，但是该模型残差序列中白噪声影响严重，且未考虑城市交通的复杂性和多变性，预测精度不高1；熊文华等建立了BP神经网络模型，以浮动车和线圈的数据作为BP神经网络的输入，以融合的车辆行程时间作为输出，但该模型的建立需要大量的训练数据，且训练过程参数难以确定2；Chen等对离散行程时间算法和速度积分算法进行了改进，并在此基础上建立了一个基于神经网络的城市车辆到站时间动态预测模型，但两种算法在预测精度和误差波动控制上不能同时兼顾，预测效果难以满足要求3。Lee在建立的ANN模型中引入了聚类算法，最大限度减少了ANN模型的输入变量，但是该模型在本质上仍然依赖于历史数据，实时性和准确性较差4；于滨等基于Kalman滤波算法，结合SVM预测的信息，动态预测公交车辆运行时间，提出的模型具有更强的抗干扰能力5；姚宝珍等在SVM算法中引入了衰减因子，改进后的算法能动态地调整预测误差6；Chen等提出了基于贝叶斯概率的相关向量机预测算法，可以获取到站时间预测值及误差的方差7。然而，上述3种基于SVM的方法中，用于预测的支持向量均采用了离线训练的方式，不适合实时预测，无法应对道路交通中的各种随机或突发事件。温惠英等利用灰色理论对路段行程时间的影响因素进行了灰色关联分析，通过建立相应动态方程进行路段行程时间预测8。计会凤等则引入了相关法自适应滤波理论，以避免常规Kalman滤波中白噪声的影响9。这2种方法均为改进的Kalman滤波算法，但前者的灰色关联规则难以确定，后者的最优增益矩阵求解困难，在多步预测中，精度会明显下降。1国内外研究现状1.1国内外智能公交系统发展现状日本于1994年1月成立了由当时的警察厅、通商产业省、运输省、邮政省、建设省支持的日本“车辆、道路、交通智能化联席协会”，目的是促进日本在智能交通（ITS）领域中的技术和产品的研究开发及推广应用。日本新交通系统是日本实现智能交通的关键之一，在日本ITS框架体系的指导下，该系统设计由一个具有高性能的核心性综合交通控制中心和10个子系统组成。子系统包括： 公交优先系统、综合智能图像系统、安全驾车辅助系统、行人信息通信系统、紧急车辆优先系统、紧急状态通报系统、环境保护系统、动态诱导系统、车辆行驶管理系统、公共交通支持系统。 20世纪90年代，由于日本城市交通拥堵十分的严重，公交的运营服务水平急剧下降。为了重新赢得乘客对公交的信心，东京都交通规划院开发设计了一套城市公交综合运输控制系统，即CTCS系统。该系统的出现，大大改善了日本公交运营的面貌。在CTCS中,公共交通运营管理系统是一个基本的框架,其目的是通过掌握运行情况以及乘客数据实现精确平稳的公共交通运营服务。它在运营中的公共汽车和控制室之间建立信息交换,并利用诱导和双向通讯的方法,将服务信息提供给公共汽车运营人员和驾驶人员,同时这些信息也通过进站汽车指示系统和公交与铁路接驳信息系统提供给乘客。公共交通综合管理系统包括累积运营数据、乘客计数、监视和控制公共汽车运营与乘客服务等功能,其中乘客服务功能中包括进站汽车指示、信息查询和公共交通与铁路接驳信息提示。公共交通综合管理系统的硬件包括公交主控中心、区域中心以及路边、车库和车载设备等10。随着近几年城市交通问题的日益突出，以及经济的快速发展，政府加大了对公交方面的投入力度，在许多城市对公交车辆进行了更新，增加了公交企业的补贴，鼓励公交的发展。在理论研究方面，国内的许多学者结合国外已有的经验对公交调度问题进行了研究。通过国内学者的研究开发，我国在智能交通化方面的研究已初见端倪。在一些大城市里已经开始应用智能化的公交系统。在上海，先进的UNGEL自动检票机已被成功安装在了线路上，该系统能够实现自动记录地铁线路上面的乘客上下车流量。在杭州、大连、北京等城市，一些先进的车辆定位系统和车载设备被安装在了移动的公交车辆上面，并且电子站牌也被安装在了公交站点，这些城市的部分线路已经实现了对公交车辆的跟踪定位，极大地提高了公交运营的效率。1.2国内外公交到站时间预测技术发展现状在旧金山，公交线路利用MUNI系统将车载GPS设备接收的信息传送到控制中心，中心根据公交车的实际位置、即将到达的站点以及车辆所行路线的典型交通状况等信息，估计到达时间，并将其通过车站电子站牌提供给乘客。类似的系统也用在丹佛Rehoboth海滩沿线上。目前，在美国广泛使用的到达时间预测算法有:为维吉尼亚乡村Blaksburg设计的基于GPS的公交到达时间预测算法、由洛杉矶运输部门为公交车迅速运输服务提出的Metro Rapid预测算法、由华盛顿大学为西雅图提出的公交车到达预测算法、在休斯顿，为演示实时到达时间而提出的算法10。目前大陆的公交车到达时间预测研究也逐渐受到重视。同济大学已经研制出“交通信息网络系统”，系统依托交通信息网格平台，采集大量公交车辆的GPS信息，用高性能计算机进行相应处理，并通过智能导航系统为车载终端用户、手持电脑用户以及手机用户等提供公交到站时间预测、交通路况等出行信息。目前，该系统己在上海市公交系统的部分路段中使用，取得了良好效果。除此之外，各种有关公交车到站时间预测的手机APP也在发展，例如“车来了”、“掌上公交”和“酷米客公交”等。2研究方法介绍公交车辆的行程时间预测方法大致分为两大类，一种是通过对以往车辆运营数据的收集，整理以及分析，从而总结出一定的规律，然后再运用于实际当中进行验证及改善。这种方法比较简单，不需要很高的技术手段，但却需要海量的历史数据，并且这些数据的获取是很不容易的，所以这种方法应用范围较小。另一种方法就是考虑交通状况，如公交车辆行驶的道路拥堵情况及交叉口的信号灯数量等，再通过建立模型得到公交车运行的一般规律。其中悉尼市已付诸实施的机场快速公交车辆行程时间预测，采用的是基于统计分析的方法，所用的算法是改进的线性预测算法，其采集的数据来自于路标定位系统(ANTTS, Automatic Network Travel Time System),ANTTS是一种路标定位系统，用于预测公交站点公交车辆的到达时间，并在各公交站点将车辆到达时间提供给乘客。具体算法是用通过相邻路段的公交车辆行程时间改进后某一路段行程时间的预测值11。综合考虑两种方法，因为历史数据的不易获取，因此试验中我们打算采用基于统计分析的方法，结合公交车辆的行程时间的影响因素，即多元回归分析法建立模型。在通过调查的数据代入模型进行验证并计算公交车辆行程时间预测的精准度。3公交车的运行特性及到站时间影响因素分析3.1公交车运行特性分析公交车辆的运行可以分为路段行驶、交叉口通过及站点停靠三个阶段。假设公交车辆在两相邻站点之间以行驶速度行驶，简化了社会车辆对公交车辆的干扰所带来的时间损失。公交车通过交叉口时可分为三种情况：第一种是对应信号为绿灯时，公交车直接通过交叉口，此时公交车的延误主要决定于交叉口的型式、规模、相位设置及与其他流向车辆的交织情况等因素；第二种是对应信号为红灯，但前面没有车辆排队时，公交车需停车等待，待绿灯后，启动加速通过交叉口，此时公交车的延误除了第一种情况下的延误外，还有信号等待延误及车辆启动加速延误；第三种是对应信号为红灯，且公交车前面有车辆排队时，此时公交车需停车排队，待绿灯后，前车启动行驶后，启动加速通过交叉口，此时公交车的延误是第二种情况下的延误加上排队延误。公交车站是公交系统实现服务乘客出行目的的基础设施，公交车辆必须在公交站点停靠完成乘客的上下车及运输服务。调查显示，公交车在站点的停靠时间占其总运行时间的19%-21%，可见，公交站点是影响公交车辆运行的重要因素。公交车在停靠过程中，会与其他社会车辆、非机动车等发生干扰冲突，且乘客需求量的变化等也会影响公交车在站停靠的时间，对公交车停靠过程及特性的分析有助于了解影响公交车停靠的因素，为公交车到站时间的预测做好准备。公交车辆在站点的停靠过程可以描述为：公交车减速进入停靠站一开启车门一在站点停车上下乘客一关闭车门一公交车加速驶离停靠站。以时间为尺度分析公交车在站点的停靠过程，可分为三个主要阶段：进站阶段、停靠阶段和出站阶段12。3.2公交车到站时间影响因素分析从公交车辆的运行特性中可以看出，公交车辆运行过程十分复杂，因此，公交车辆的到站时间也受到多种因素的影响。公交车辆的到站时间可以分为三部分：在路段上的行驶时间、通过交叉口时间及在站点停靠时间。下面将对路段行驶时间的影响因素、交叉口行驶时间的影响因素和站点停靠时间的影响因素分别分析。3.2.1路段行驶时间影响因素分析公交车路段行驶时间的影响因素主要有道路条件、交通条件、天气情况及突发事件等，下面详细列出各种影响因素:(1)道路因素。公交车沿线道路的等级、车道数、断面型式及通行能力等是影响路面上机动车及非机动车流量、速度等交通参数的重要因素，从而也是影响公交车辆行程时间的重要因素。例如，若某路段设置了公交专用道，则将大大提高公交车在该路段上的速度，减少了行程时间。特别地，在瓶颈路段，道路宽度往往变窄，车辆需减速合流，公交车辆因其灵活性差，在与社会车辆混行时，一般会花费更多时间通过。(2)交通因素。公交车在路段上运行不可避免地受到社会车辆、非机动车和其他公交车辆的影响，不同交通流的流量、密度、速度相互影响，势必影响公交车在路段上的行驶时间。例如，在早晚高峰时，交通流密度较大，速度较低，公交车的行驶时间也会延长，遇有交通拥堵时，行驶时间会大大增加。(3)车辆因素。车辆的体积、最高车速、加/减速性能等直接影响车辆的速度及灵活性。(4)人的因素。司机的年龄、性别、驾龄等影响其驾驶技术、驾驶习惯及反应速度，从而影响公交车辆的行驶。(5)天气情况。高温、低温天气会影响车辆本身的性能，降雨、降雪天气会造成路面湿滑、影响驾驶员视线，从而影响公交车辆的行驶速度和时间。(6)突发事件。突发事件是指交通事故、临时交通管制等不可预料的事件，往往对公交车辆的行驶时间造成较大影响。3.2.2交叉口行驶时间影响因素分析公交车辆通过交叉口时会因信号灯和进口道排队情况等产生延误，公交车在交叉口产生的延误占公交车运行时间的较大比重，己有的调查显示，交叉口延误约占整个公交车运行时间的25%-33%。影响公交车辆通过交叉口行驶时间的因素除了已经提到的以外，还包括以下几个因素:(1)交叉口固有条件。交叉口的型式、规模决定了公交车通过交叉口需要走行的距离，信号灯的种类、相位、配时等决定了公交车是否可以优先通过交叉口及通过交叉口时产生交织车流状况。(2)交叉口交通情况。在交叉口的进口道，公交车前面车辆的排队情况也是影响公交车行驶时间的重要因素，一般而言，前面排队的车辆越多，公交车就需要越多的时间通过交叉口。3.2.3站点停靠时间影响因素分析站点停靠时间是指公交车开始减速进站直至车辆离站全部过程所消耗的时间，包括公交车减速进站时间、开启车门时间、乘客上下车时间、关闭车门时间、车辆加速驶离车站时间以及公交车进/出站时受其他机动车、非机动车干扰的时间等。因此，影响公交车在站点的停靠时间除了已经提到的因素以外，还包括以下几个因素:(1)站台因素。站台的型式、长度、公交车泊车方式、站台泊位等均会影响公交车在站点的停靠，另外，一般情况下，站台停靠的公交线路数量越多，公交车停靠所需的时间也会越长。(2)乘客因素。由公交车静止停靠时间的计算公式可知，上/下车乘客的数量以及乘客上/下车速度直接影响公交车静止停靠在站台的时间。综上所述，影响公交车到站时问的因素很多，且各种影响因素并不是相互独立的，而是相互影响、相互作用的，例如，降雨的天气不仅造成路面湿滑，使得驾驶员小心驾驶，还会影响乘客在站台的候车人数、乘客上/下车速度、车辆的满载率等。4试验调查数据分析本试验选择城建大学到手表厂上行这七站为调查对象，通过跟车调查，得到实际各站点到站时间，并且记录了沿途公交车停车原因，停车时长及各站点上下车人数。在实际调查中，有707路、175路、845路、862路均经过以上七站。因为组中有四位组员，根据任务分配，每人进行两次跟车调查，所以共取得八组数据。以下为各项数据分析：4.1公交车停靠时长表4.1 公交车停靠时长与行程时间停靠时间站间时间比率停靠时间站间时间比率0:00:170:02:549.67%0:00:140:02:378.89%0:00:200:02:3313.24%0:00:330:02:2622.75%0:00:230:02:3214.87%0:00:150:02:488.99%0:00:080:02:544.51%0:00:160:02:2810.68%由上表可知，停靠时间约占公交车站间行程时间的4%-23%，站台停靠时长平均是行程时间的14%左右，故而停靠时长是影响站间行程时间的重要因素。另外在站停靠时间又与上下车乘客数有关。下表是上下车乘客数与停靠时长的数据表：表 4.2 上下车人数与停靠时长上下车人数停靠时间30:00:0530:00:0940:00:1350:00:1540:00:1980:00:22100:00:44图 4.1 上下车人数停靠时长关系图由上图可知，在一定的情况下，上下车人数与停靠时长呈线性关系，即随着上下车人数的增加，在站停靠时长呈线性增长。4.2通过交叉口时间通过交叉口的时间，简化因交叉口型式，大小所造成通过交叉口的时间不同，只进行红绿灯等待时间的统计如下：表 4.3 各站间路段延迟时间与站间时长的比率站间名称交叉口延误时间站间时长比率城建-农学院0:00:170:03:098.75%农学院-侯台0:00:320:03:1915.88%产业园区-金冠里0:00:550:03:0030.78%金冠里-图书馆0:00:390:02:2925.98%图书馆-手表厂0:00:550:02:4433.39%图4.2 站间路段延迟时间及站间时长直方图因为实地调查时间段是在平峰时段，并没有堵车情况发生，因此站间堵车的因素并不考虑在模型建立中，所以路段的主要延误来源于等红绿灯时间及排队时长。由以上图表可知，路段延误约占公交车站间行程时间的9%-34%，平均占22%，因此路段因交叉口所造成的时间延误的因素较站台停靠时长更为重要。表 4.4 各站间路段长度站间名称路段长度（km）城建-农学院0.4农学院-侯台2侯台-产业园区0.65产业园区-金冠里1.6金冠里-图书馆1.3图书馆-手表厂0.66图 4.3停靠时长、路段延迟与行驶时间的占比饼图由上图可知，行驶时间在公交车站间行程时间的比率最大，其次是路段延迟，最后是在站停靠时长的比率最小，这是建立模型所必须考虑的三大因素，其他因素根据不同的道路情况可作不同的分析。5公交车辆行程时间预测模型公共汽车由于存在着定线、定站、定时等特点,因此公交车辆行程时间的预测相对社会车辆来说可以采用较简单的方法,即在公交车辆行程时间预测模型建立及进行计算时,可进行适当的假设和简化。5.1模型假设1)公交车辆在两相邻公交站点之间以行驶速度行驶。2)公交车辆行程时间受多种因素影响，如路段长度、交叉口数量、天气情况、交通流量等，可根据不同情况进行简化。5.2模型的建立与计算公共汽车交通系统中,公交车辆是在各公交站点之间行驶,因此,将每两个相邻的站点之间的公交车行程时间作为一个计算单元。通过上面的建模假设,进行简化后,可以将两相邻公交站点之间的路径看作包括交叉口的路段。由此建立两相邻公交站点之间行驶的公交车辆行程时间的回归函数为：Ti=Pi0+Pi1Xi1+Pi2Xi2+Pi3Xi3+式中: Pi0，Pi1，Pi2，Pi3为路段上的回归参数；Xi1，Xi2，Xi3为路段上的影响因素。计算回归参数，并进行模型的假设检验，通过检验后，用于未来时段的公交车辆行程时间预测。6公交车辆行程时间实时预测方法的应用模型应用的对象为城建大学到手表厂这部分线路，主要运行的是175路公交车。在调查研究中，我们由城建大学站到手表厂上行共七站。6.1自变量的确定对175路公交车行程时间进行多元回归分析，首先确定自变量。影响公交车行程时间的因素包括路段长度、信号交叉口数目、在站停靠时长、路段交通流量、天气情况、道路等级等。其中路段长度、通过交叉口时间（路段延误时间）和路段交通流量是最重要的几个因素。由于这一段路程是由杨柳青进入市区的主要路径，高峰与平峰时段的交通量相差明显。因为我们的调查时段是平峰时段，道路交通量较少，并没有造成拥堵情况，故而道路交通量不作为影响预测行程时间的因素。多元回归分析法的影响因素即自变量为相邻两站之间的路段长度、交叉口数量。因此根据实际情况可知，最终确定对175路公交车的行程时间进行二元回归分析,建立二元回归模型:Y= a+ bX1+ cX2；式中: Y为因变量公交车行程时间；X1为自变量站间路段长度；X2为自变量交叉口数量。6.2模型的计算及检验利用八组调查数据，通过Excel数据回归分析得到以下相关结果：图 6.1 数据回归分析结果图由上图可知：a=53.0789；b= 89.9440；c=21.1424；R2=0.8306；F=7.3545即：Y=53.0789+89.9440X1+21.1424X2；6.3预测结果及分析应用以上得到的二元回归预测模型得到一组预测结果，与实际测量值进行比较表6.1 模型预测值与实测值的比较站间预测值实测值相对误差城建-农学院110.20 90-18.33%农学院-侯台275.25 2957.17%侯台-产业园区111.54 108-3.18%产业园区-金冠里218.13 199-8.77%金冠里-图书馆212.29 209-1.55%图书馆-手表厂133.58 15616.78%图 6.2 模型预测值与实测值的比较图图 6.3 相对误差值的柱形图从以上结果可以看出，大多数预测结果的误差在5%-20%左右，平均误差在10%。并且试验中的起始站和终点站误差较中间站点要大。此试验所得到的二元回归预测模型只有一般的预测精度，还需不断改进。7总结公交到站时间预测是智能公交系统的重要组成部分及关键技术之一,对促进城市公交系统的进步与发展及提高公交乘客的乘车满意度有着极为重要的意义。本文在国内外学者已经提出的众多模型方法中，选择了对本实验比较契合的多元回归分析法，再根据公交车辆运行的特点，分析公交车辆行程时间的各种因素，根据现有的道路情况提出了公交车辆行程时间预测的一种方法。并结合175/845/707/862四条典型公交线路，进行了模型的实际应用和验证。最后将通过此方法得出的预测值与实测值进行比较及误差分析。因为预测公交车辆行程时间太过复杂，加上我们专业知识能力和时间的限制，采集的数据不够丰富，还有本次试验并没有高峰时段的数据。使得我们无法了解在高峰时段下如何预测公交车辆行程时间。总之，我们还需要学习更多有关于这方面的知识，希望可以得出更加精准的预测行程时间的方法，为城市公共交通的发展贡献一份力。参考文献1YANG J S. A study of travel time modeling via time series analysisC刀IEEE. Proceedings of 2005 IEEE Control Applications