公交车行程时间预测模型

公交车行程时间预测模型摘要：随着城市道路交通面临着巨大的压力，交通问题已成为制约着城市经济发展的重要因素。公交车辆的按时乘坐成为了乘客最为关注的信息之一，而公交车行程时间预测这项技术应用对提高公交吸引力、提升乘客的满意度具有重要的意义，因此，本文以公交车运行时间预测为出发点，对其预测算法进行深入分析，以求探讨和研究更加精准的预测手段和方式。从技术的可行性和现实可行性的角度对公交到站时间预测技术进行了分析，总结现有预测算法的不同之处后，提出了将算法根据车辆运行的不同状态进行预测的方法，即为路段运行时间和车站服务时间两部分。本文在以公交车站调研基础之上，将影响预测结果的各种因素进行归类并且分布统计，提出了以支持向量机为基础、通过车辆实时车速而进行修正的路段运行时间预测模型，和以停车延误为基础进行的车站服务时间预测算法。本文的最后，选取了乌鲁木齐市个别公交车作为研究，利用调查数据对其车辆到站进行预测模型的验证，并和实际运行状况进行对比分析，验证了这些方法具有较高的正确性和可靠性。关键词：智能公交；支持向量机；运行时间延误分析；预测结果分析ResearchonthePredictingModelofBusTravelTimeAbstract:Astheurbanroadtrafficfacedwithtremendouspressure,trafficissueshavebecomeimportantfactorsofrestrictingthedevelopmentoftheurbaneconomy.Busrideaspassengerswereamongthemostconcernedabouttheinformationinatimelymanner,andbustraveltimepredictiontechnologyappliedtoimprovethepublictransportattractive,improvepassengersatisfactionisofgreatsignificance,therefore,toforecastbusrunningtimeasthestartingpointofthisarticle,itsin-depthanalysisofpredictionalgorithmsinordertoexploreandstudythemoreaccuratemeansofpredictingandways.Fromtheperspectiveoftechnicalfeasibilityandpracticalfeasibilityofbusarrivaltimepredictiontechniquefortheanalysis,aftersumminguptheavailablepredictionalgorithmsdiffer,proposedaalgorithmbasedmethodforpredictionofvehicleoperationindifferentconditions,isthelinkruntimeandservicetothetwopartsofthestation.Thisarticleisbasedontheinvestigationofthebusstation,factorsinfluencingthepredictionsforthecollationanddistributionofstatistics,presentedbasedonsupportvectormachine,Keywords:Intelligentbusinformationsystem;SVM;RunningtimedelayanalysisPredictionresultanalysis1绪论1.1研究背景伴随着社会经济的快速发展和城镇化进程加快，我市的机动车拥有量和城市道路交通量急剧增多；与之相适应，道路基础设施建设水平也是突飞猛进。但是，很明显后者的增长速度远远无法满足前者，同时我市的道路交通秩序管理上也存在一些问题，综合导致了道路交通的供需紧张，进而造成了城市中普遍存在的交通拥挤、事故频繁和环境污染等现象，交通问题已成为现代社会尤其是城市面临着的重大问题。为了促进城市交通的可持续发展，必须优先发展大容量、高承载且低污染的公共交通。公共交通是城市及其周边城镇内居民和公众出行的主要工具和手段，也是现代化城市建设和发展中的重要基础内容之一，是缓解城市道路交通压力的有效办法，其原因是公共交通具有运载量多、运送效率高、能耗低、污染、平均运输成本低等优点。根据相关资料显示，公交车辆占用道路和停车用地是最为经济，以每平方米每小时通行人数多少为标准来衡量道路的使用效率，公共汽车是私家车的10到15倍不等，运送相同数量的乘客，公交车与私家车相比较，其产生的废气量是私家车的1/10,油耗量是私家车的1/3,交通事故率是私家车的1/100。因此，尽管相比私家车，公交车的乘坐舒适度和便捷性有所下降，但其仍是大多数出行者的首选交通工具。公共智能交通系统的信息化作为目前的研究热点，它可以提高公交车辆的有效利用，实现公交管理从静态到动态、从简单化到智能化的转变，进而能实现公交系统的动态调度和运行管理，因此实现公共智能交通系统信息化是完善城市公共交通系统的重要内容之一。而公交系统信息化不仅仅面向管理者，相对乘客而言，信息化同样可以给乘客带来极大的便利。利用先进的信息、通信技术、动态采集、公交车辆的行驶信息和道路交通信息等，将其进行处理后通过电子站牌、手机或者网络等手段进行实时发布。可以为乘客提供诸如：公共车交通拥挤程度、车辆到站时间、换乘信息等。信息的提供可以极大地提高公共交通系统的使用率，树立城市公共交通的良好形象，提高其运营效率。不过，我市城市交通系统的信息化较为落后，人们很难获得其所需的实时公交车辆运行信息，因此普遍对公交系统的满意度不是很高，从而导致公交系统使用率偏低，遏制了公共交通的发展，同时私家车拥有量的提高也导致了有限的道路空间更加拥挤。因此，在大力城市规划和发展城市交通的同时，必须实现公交系统信息化和智能化，为乘客提供全方位、高质量的公交服务信息，提高公交调度和运行效率水平。1.2国内外研究现状1.2.1国内外公交到站时间预测技术发展现状先进的车辆定位信息化采集装置和技术的研发，为公交车辆到达时间的研究和应用奠定了坚实的基础。近年来，许多国家都意识到精确的公交车辆到达时间预测在公交车使用中占有举足轻重的地位，于是，纷纷利用先进的交通信息采集手段，结合自身地理条件和多种交通影响因素等，进行公交车辆到达时间预测的研究，希望在通过到达时间的实时发布，减少乘客的等侯时间，提高公共交通的使用率，树立良好城市的形象，促进城市公共交通的应用和发展。在日本，公交车到达时间预测作为一项交通需求管理，其措施得到政府的大力支持，其控制中心利用GPS掌握公交车的位置，通过网络向用户的电脑或者手机发送公交车的预测到达时间。实验结果表明乘客候车的时间减少了6分钟（约占平均候车时间的63%）,超过六成居民认为是由于该预测系统使他们更加愿意乘坐公交车，从而有效的提高了公交车的使用率。在我国台湾，公交车运行时间预测技术已有一定的研究成果：针对不同旅行者的需求设计不同模式的预测算法，不仅提供短距里行程时间预测，还提供举例较长的重要站或换乘站的行程时间预测。目前国内的公交车到达时间预测研究也在逐渐受到重视。同济大学已经研制出交通信息网络系统”，系统依靠交通信息网格平台，采集大量公交车辆GPS信息，用高性能计算机进行相应处理后，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的预测、交通路况等交通信息。目前，该系统已在上海市公交系统的一些路段中使用，取得了良好效果。此外，一些国内的公司充分利用GPRS/CDMA无线通信技术、嵌入式控制技术以及LED安全按显示技术等，设计出能进行到站信息预报的公交电子站牌系统。在经济相对发达的北京、沈阳和广州等城市已经率先安装该系统，其预测准确误差约为1~2分钟，有效预报率高达94%。但从总体上来看，国内关于公交车运行时间预测技术的研究仍然相对来说较少，多数已有研究和应用的重点仍局限于预测公交车辆到达下游站点的距离。由于车辆在行驶过程中受到各种随机因素的影响，因而对乘客而言，获得距离信息往往没有时间信息更加直观和可靠。2研究内容优先发展城市公共交通系统对缓解城市道路压力有着不可或缺的作用，通过对公交系统的信息化和智能化可以有效提高整个道路系统的运行效率和服务水平。公交车辆到站时间作为乘客最为关心的公交信息，可以有效减少乘客候车时间以及提高乘车满意度，对于加强公交服务水平、提高公交吸引力有着极为重要的作用。本文以乌鲁木齐市公交系统为背景，提出了预测公交到站时间的若干手段和方法，采用了基于支持向量机和停车延误的预测模型，以求获得较高的预测精度。本论文的主要内容如下：第一章，绪论。这章是全文的开始和基础，论述了我国城市交通所遇到的问题以及优先发展城市公共交通的意义，并点明了实现公交信息智能化的必要性。同时介绍了国内外智能公交系统和车辆到站时间预测的发展现状。第二章，研究内容简介，大体介绍了本文的研究内容以及全文的基本结构。第三章，基于支持向量机的公交车辆路段运行时间预测。考虑到公交车辆在路段上运行时间和站内停车时间分布的不一致性，本文采用了分步的方式对公交到站时间进行预测。本章对公交车辆在路段上运行时间的预测模型进行了探讨。第四章，基于停车延误的公交车站服务时间预测。本章主要对公交车辆在站点的停车服务时间预测算法进行了设计根据公交停靠站点的设置位置、设然后将公交停靠过程特征进行分析，总结出规律；最后设计了基于停车次数（延误）对公交车辆的站内停车服务时间进行了预测。第五章，公交车到站时间预测模型验证。本章主要对模型进行了验证，计算了其精确值、与实际值之间的时间差等。最后对预测结果进行了分析，找出了其误差的原因与改进办法。第六章，结论与展望。本章对论文的研究工作进行总结与归纳，指出了论文的研究成果和结论，探讨了论文的工作与不足，并对未来迸一步的研究方向和研究内容作了分析和展望。3基于支持向量机的公交车辆路段运行时间预测目前国内外对于公交车辆到站时间的预测方法中对于车辆进站后的服务时间的重视程度不够，仍未考虑到公交车辆在路段运行时间和在公交站台停车服务时间的不同性。本文在算法的选择上，尝试将两者进行区分对待，分别进行预测。本章就影响公交车辆在路段运行时间的各方面因素进行分析，采用支持向量机作为公交车运行时间预测模型，并根据乌鲁木齐特有的情况进行了区别对待，对于影响因素适当的进行了增减。1影响车辆路段运行时间预测的主要因素1.1路段运行时间的定义对于两个相邻站点来说，路段运行时间是指公交车辆从站点i离开时刻至到达站点i+l并准备进站时刻的时间差，即公交车在两个相邻站点之间的运行时间。这其中包括正常行驶时间和停车延误时间。停车时间主要是指交叉口红绿灯停车等待时间和路途行驶中其他因素导致的停车延误时间，不包括车辆在公交站点的等待及乘客上下车产生的停车时间，本文将站台内的时间消耗称为停车服务时间t,并将在第四章对由此造成的时间消耗进行详细论述。对于多个连续站点而言，记公交车辆从站点i离开时刻至到达站点i+n（n1,一般来说n5）并准备进站时刻的时间差为T,公交车在站点i+l,i+2,…，i+n-1的停车时间分别记为ti1,ti2,…，tin1,则其路段运行时间为Tti1ti2Ln1。1.2影响车辆路段运行时间的因素（1）路段正常行驶时间路段正常行驶时间是指除去受交叉口和其他突发事件因素，如交通事故等的影响，公交车以正常速度完成指定路段行驶过程所消耗的时间。这部分时间主要与以下因素有关：1）道路基础设置。指公交车所经过路段的等级、车道数和通行能力等硬件条件，这直接影响着公交车辆的行驶速度，从而影响着车辆的运行时间。2）时间因素。城市道路交通受时间变化的影响较大，同一天内交通流量平峰期和高峰期的道路使用率呈现出较大的变化，直接导致路网上车辆的平均行车速度出现明显的差别，是影响车辆路段运行时间诸多因素中极为重要的一个。3)车辆因素。指公交车辆本身的性能，如最高车速、加速和减速性能等，对于大多数市区运行的公交线路，由于城市道路交通压力负荷较大，且道路状况较为复杂，车辆在行驶中加、减速频繁且车速不高，因此车辆的加、减速性能尤为重要。4)人的因素。主要是指驾驶员的驾驶技能和应付复杂情况的能力。在我市，城市公交车路段正常行驶时间所占比例与其他城市相比存在较大差距，据资料统计，乌鲁木齐市公交车辆在路段上正常行驶的时间约占总运行时间(包含站内停车服务时间)的48%~61%,而在公交系统比较发达的其他城市，该比例为65%-75%,这一方面与我市的城市道路交通秩序较为混乱有关，另一方面也因为目前对公交优先的实施力度并不是很明显。以乌鲁木齐市BRT快速公交为例，为公交车辆设置专用的、与其他社会车辆有物理设施分割的公交专用车道仅在为数不多的几条BRT线路上存在，公交优先还未被真正的落到实处。2支持向量机在公交车辆路段运行时间预测中的应用公交车辆在路段上运行时间的预测必须具有实时性、可靠性和高精度。通常公交车在路段上行驶的速度受到很多随机因素的干扰，如：天气和交通拥挤程度的变化等，准确的预测车辆在路段上行驶所用的时间是非常困难的。近年来，出现了一种新的机器学习方法一一支持向量机(SVM),它主要研究如何从有限观测数据和样本中挖掘出目前尚不能通过原理分析得到的规律，并利用这些规律去分析客观对象，对未知数据或无法观测的新现象进行预测和判断。SVM的理论基础是统计学理论，但是，不同于传统统计学的渐进理论，SVM研究的是在小样本下的统计学规律。它具有很强的学习能力，泛化能力明显优于神经网络，很容易在拟合程度与泛化水平上进行平初。因此，本文选取了SVM来进行公交车辆在路段上运行时间的预测。3支持向量机基本原理网支持向量机(SVM,SupportVectorMachines)是Vapnik等根据统计学习理论中的结构风险最小化原则提出的。SVM能够提高学习机的推广能力，即使由有限训练样本得到的决策规则对独立的测试集仍能够得到较小的误差。此外，支持

向量机算法是一个凸二次优化问题，能够保证找到的极值解是全局最优解。这些特点使支持向量机成为一种优秀的学习算法。SVM是统计学习理论中最年轻的内容，也是最实用的部分。下面就支持向量机的一些基本原理进行简要的叙述：(1)广义最优分类超平面假定训练数据(X,yJ…,(xi,yjxRn,y{1,1}可以被一个超平面(Xi)b0分开，如果这个向量被超平面没有错误的分开，并且离超平面最近的向量与超平面之间的距离是最大的，则这个超平面为最优超平面。为了描述分类超平面，使用一下的形式：(为)b1ifyi1(为)b1ifyi11,i1,…1,i1,…,l()I『成为一个最小化的超I*|=1如果它以如下的形式将向量X若(*x)-b若(*x)-b间隔分类超平面集合的VC维的定yj(Xi)b]可以验证，最优超平面就是满足条件并且使得平面。对一个超平面(x)b0,分类：则称之为间隔分类超平面，并有以下关于理。y{则称之为间隔分类超平面，并有以下关于理。(2)非线性情况为了解决非线性的问题，支持向量机采用了通过非线性变化，将非线性问题转化为另一个高维特征空间的线性问题，在这个高维空间求最优的线性分类超平面。在线性不可分的问题上，Vapnik等人成功的引入了核空间理论，将低维输入空间的数据通过非线性映射函数映射到高维属性空间，从而把分类问题转化到高维属性空间进行。大多数输入空间线性不可分问题在属性空间可以转化为线性可分问题。由于最优函数和分类函数都只涉及训练样本之间的内积运算，所以，高维特征空间只需进行内积运算，而这种内积运算又可以通过原输入空间的核函数的计算实现，即核函数K(xi,yj)(x)(xj。通常来说，对于非线性问题，通过非线性映射变换为一个高维空间线性问题的困难在于这个变换可能非常复杂。对于支持向量机而言，这里没有必要解出变化的具体形式，只要核函数K(x，Xj)满足一定的条件，就一定对应某一空间中的内积。仔细观察线性情况下的分类函数可以知道，其函数只包括待分类样本与训练样本中的支持向量机的内积，它的求解过程也只涉及训练样本之间的内积运算，因此可以通过核函数K(Xi,x)来代替最优分类超平面的点积，从而避免在高维特征空间进行的复杂运算。样本空间中分类函数变为-1口*f(x)sgn-ayiK(xi,xj)bi1核函数的选择需要满足一定的条件，选择不同形式的核函数可以产生不同的支持向量机。SVM的关键在于核函数，这也是最值得本文应用的地方。低维空间向量通常难以划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，我们就可以得到高维空间的分类函数。这正可以满足本文对公交车辆路段运行时间的预测，由于路网上各种因素的影响，导致输入量(路网上影响车辆运行时间的各种因素)和输出量(运行时间)很难在低维空间上找到对应函数关系，利用SVM可以在不求解函数的情况下，利用核函数进行高维映射，找寻输入量和输出量之间的对应关系，使得预测可以有保障地进行。4回归支持向量积由于SVM不要求具体的函数形式，一个训练好的SVM可以捕获非线性或时变系统的输出变量和输入变量之间的复杂关系。因此，SVM在一些很难用的

数学公式表达的复杂系统中进行预测时是非常有用的。因此，SVM算法是一个凸二次优化问题，能够保证找到的极值就是全局最优解，而不像其他一些非线性优化方法易限于局部最小点。下面就通过核函数所有运算都不必映射到高维空问，可以直接在输入空间上计算”这样的定理给予证明。令x表示输入向量，y表示输出向量。如果给定l组关系未知的样本：TOC\o"1-5"\h\z(。y)(x2,丫2),・・，(为，y)(XjXRn,yiYR)(3-1)SVM可以利用一个非线性映射，将数据x映射到高维特征空间H,并在这个空间进行线性逼近，找到映射函数使其能够很好的逼近给定数据样本。由统计学习理论可知，该函数具有以下形式：f(x)(x)b(3-2)可以把回归估计的问题定义为对一个损失函数进行风险最小化的问题，最优的回归函数是通过在一定的约束条件下最小化规则化风险泛函：21l(3-3)C-L(yi,f(xJ)(3-3)li1式3-3中第一项使函数更为平坦，从而提高泛化能力，称为规划化项；第二项则为经验风险泛函，可由不同的损失函数确定，常数C0控制对超出误差的yf(xpV\f(%)yf(xpV\f(%)(3-4).ryif(xi)L(yi,f(xj){0i'对于L(y,f(x)),如果估计输出f(xj与期望输出yi的偏差的绝对值小于,则它等于0;否则，它等于偏差的绝对值减去，通过引入非负的松驶变量最小化式3-3可重新描述为：C；11*i)(3-5)s.t示:件:V\大多数情况下，式\C(i

i1*i)（为）(3-6)(X1)by\i=1L(3-7)3-5可以通过它的对偶模型来求,求解方式如下式3-8所(iii1\*a(i1*i)\a(1(x)b)这里，L是拉格朗日函数,，ai，(x)b)(3-8)*一…、一-ai为拉格朗日乘子，满足一下条(3-9)拉格朗日函数L在鞍点处是关于w,b,i*i极小点，故可得到:bL\(ai1*ai(3-10)bL(aii1*、，、a)(Xi)0(3-11)*Li*ai(3-12)将式3-10、3-11、3-12代人3-8,可得拉格朗日对偶函数maxWge)乂(&a)i1(aiai)i11i2i1\(aij1aj(aja)(x)(x)(3-13)s.t，*、八(aia)0(3-14)i1*qW0,C(3-15)函数式3-11的最小化是一个凸二次优化问题，通过拉格朗日理论，这里可以最终得到：iTOC\o"1-5"\h\z.*.(aiai)X(3-16)i1....*一式中的ai,ai为拉格朗日乘子。如此得出：l*

f(x)(aiaj(Xi)(x)b⑶仔)i1将核函数K(Xi，Xj)带入到式3-17中可以得出下式：lr✓\✓__*、■//\!f(X)(qq)K(Xj,Xj)b⑶⑻i1K(Xi,Xj)是向量Xi和Xj在特征空间(x)和(Xj)上的内积，即：K(Xi,Xj)(Xi)(Xj)(3-19)因此通过核函数所有的运算都不必映射到高维空间，可以直接在输入空间上计算，所以将SVM运用到公交车辆路段时间运行预测是较为合适的。4停车延误的公交车站服务时间预测公交站点是最为基础的城市公交设施，它是乘客和公共交通运输系统最为直接的联系纽带，是公交系统实现其服务而不可缺少的一个重要环节，公交车辆必须在此停靠实现其对乘客进行服务的目的，乘客也必须在此上下车实现其出行的目的。公交车辆在站点停靠是影响预测公交运行时间的关键因素，在公交客流较大的集散站点，常有多条公交线路经过，造成这些站点上下车和换车的乘客多，为了方便乘客换乘，各条线路的停靠站点一般会集中设置，这样的站点可以称为多线路公交停靠站点。此类公交站点的特点是公交车和乘客流量都较大，尤其是在早晚高峰期，当多辆公交车同时到站时，极易造成停靠区域内秩序混乱，导致站内停车时间大幅延长，并增加了其不确定性。而目前在对公交车辆到达时间进行预测的研究中，对于车辆的站点停靠并给予足够的重视，造成了在交通高峰时段预测结果的精确度不理想，因此本章将对公交车站服务时间预测进行详细探讨。1公交车辆站内服务时间特征分析影响乘客上下车速度的因素有很多，主要有两方面因素。一是客观因素（受硬件条件制约），包括：①车门宽度和数量；②上下车踏板的级数和高度；③刷机卡机等售检票方式；④车内构造，如过道宽度及座位构造等；⑤上、下车乘客车流组织方式和状态；⑥车站路面、路缘石高度以及停车地点的条件与构造。二是乘客主观因素（受乘客的心理影响），主要包括：①天气情况；②站台及公交车上的拥挤程度；③车内是否有空位；④乘客携带行李的多少，尤其对长途公交车影响较为明显。通过国内外已有的研究成果和后期对乌鲁木齐市内随机抽取的5个典型公交车站的调查进行分析，可知乘客上下车时间具有以下特征；①乘客的上车时间明显大于下车时间，尤其是乌鲁木齐市目前乘客压力较大的公交车乘客上车时间明显大于下车时间；②车门较宽，允许两名乘客同时下车的车辆比只允许一名乘客下车的要省时27%~46%;③客流高峰时期，车内通道较宽的车辆比通道较窄的车辆可以减少乘客上下车时间；④当车内有站立乘客时，乘客上下车时间将明显增加。（3）加速离站过程加速离站是指公交车辆在公交站点范围之内，完成乘客上下车服务并关闭车门后开始加速出站，直至达到正常行驶速度的运行过程。不同型式的公交停靠站点其车辆出站运行特征不同。①直线式公交停靠站公交车出站特征描述对于直线式停靠站来说，公交车出站的过程较为简单，其表现为一个公交车在乘客上下车结束后从零速启动加速直至达到正常的跟车行驶状态的过程。根据实际的调查情况和资料统计，在理想交通状态下，在公交车加速出站的过程中，公交驾驶员一般要进行三次换档才能完成加速出站过程。第一个档位的车速一般取10~15krn/h,时长为2s：第二个档位白车速一般取20~25km/h,时长为3s；第三个档位白车速一般取30~35km/h;当公交车到达第三档位车速时即认为加速出站过程结束，车辆进入跟车行驶状态。当交通较为拥堵的情况下，道路通行速度较低，当公交车行驶速度达到道路行车平均速度后即可视为已经离站，实际离站时间与平峰时期没有较大差异。②港湾式公交停靠站公交车出站特征描述对于港湾式公交停靠站来说，由于公交车辆出站时要重新汇入相邻车道的直行交通流，使得公交出站过程较为复杂。除了要考虑公交车的加速出站过程，还要考虑与停靠站相邻车道的交通状态的影响。一般情况下认为与停靠站相邻的路段车道的直行交通流为优先交通流，停靠站的公交车出站时要让行，但从目前乌鲁木齐市实际的公交车辆运行状况来看，情况并非如此，由于出站的公交车争道抢行，迫使路段的交通流减速甚至产生拥塞的情况比比皆是，而公交车辆的出站受影响却不是很大，因此，本文将车港湾式站点车辆出站等同为直线式站点。4.2公交站点车辆站内服务时间特征调查分析4.2.1站点的车辆到达分布特征由于在一定时间问隔内，例如平峰和高峰小时，公交线路的发车间隔是一定的。因此，理论上一个站点在一定的时间问隔内，公交车辆的到达数量应该是恒定不变的，等于各个线路公交发车频率之和与统计时间的乘积。但是，实际上在没有完全实行公交专用道和交叉口公交信号优先的情况下，由于公交车辆的运行受到道路交通条件、交叉口信号控制和站点停靠延误等不确定因素的影响，每辆公交车到达站点的时间是不确定的，同一条线路相邻的两辆公交车辆到达站点的时间间隔与发车间隔也不一致。因此，在较短的时间间隔内，公交站点车辆的到达是不确定的。4.2.2进出站过程中加减速时间特征分析影响公交车辆进出站时加减速时间的因素有很多，其中主要有道路交通流量、车站乘客数量、车辆性能和站台设置形式等。根据对乌鲁木齐市的4个不同公交站点的调查数据，对结果进行统计（见附录3）0结果显示：直线式与港湾式停靠站公交车辆的进站减速时间差别不大，直线式公交停靠站一般集中在4~8秒之间，其中以4~6秒为最多，占调查总数的45%,其次为6~8秒，占调查总数的36%;港湾式公交停靠站一般集中在4~10秒，依然以4~6秒为最多，占调查总数的41%。直线式与港湾式公交车辆的离站加速时间有着较明显的差别，直线式停靠站公交车辆的离站加速时间一般集中在6~14秒之间，以8~10秒为最多，占调查总数的38%,其次为10~12秒，占调查总数的31%;而港湾式停靠站的车辆离站加速时间比较离散，大概集中在6~18秒之间，以12~14s为最多，占调查总数的27%,其次为10~12秒，占调查总数的24%。3停车服务时间预测本节预测的公交停车服务时间指的是公交车驶入站台的起点至离开站台这段正常停靠过程中所花费的时间，也可称为停车延误，在数值上表现为车辆在实际运行过程中和在理想状态下不停车通过站台的时间差值[11]。本章的前部已经简要的论述了整个停靠过程以及各过程的时间分布特征，这里将其简要叙述为以下几个步骤：1、减速进站；2、等待前面车辆；3、停车/同时开门；4、乘客上下车；5、关门；6、等待前面车辆并准备离站，可能产生二次及多次停车；7、加速离站。当在交通平峰时段，步骤2和6发生的情况比较少，车辆直接就可进站提供服务，同时乘客上下车并关门后车辆可以直接离开站点，但是当高峰时期，由于路网上车流密度较大，各个班次的公交车辆同时进出站而造成了站点内部的拥堵，这会导致车辆的二次停车以及出站困难，本小节主要就基本的一次停车服务进行分析。由于预测算法中涉及变量较多，下面首先就各个变量进行定义：站台长度为L;公交车辆长度为1;公交车辆驶入站点时耗为Td;公交车辆在驶入站点前的平均速度为vd;公交车辆的进立^寸减速度为ad;公交车辆驶出站点时耗为Tu;公交车辆在驶出站点后的平均速度为vu;公交车辆的出立^寸加速度为au;乘客上下车时间Tp；上车乘客数为Nu；下车乘客数为Nd;上车乘客的平均时耗为Tu;下车乘客的平均时耗为Td;由于各种原因造成的对乘客上下车速度的影响因子F;理想状态下公交车辆不停车通过站台的时耗为T公交车辆的总停车服务时间为Ts在一次停车的状态下，公交车辆的停车服务时间表示方法较为简单，只需要考虑车辆的停车、启动以及乘客上下车的因素，比较易于分析。在基本延误过程中不考虑其它车辆的干扰，特别是前面车辆的干扰，在分析过程中假设站台长度L足够长，车辆在站台内才开始制动。即L应满足：Lvd2/2advu2/2au而公交车辆的停车服务时间可以描述为：TsTdTuTpT(LlVd2/2ad心侬)/%t其中：TdVd/adTuvu/auT(Ll)/Vd一,一,2一一2一一,,、,一式中LlVd12adVu/2au车辆加速离站时，当速度达到Vu而并未完全驶出站台时，以此速度匀速离开站台所消耗的时间。式中影响因子厅的取值则根据天气概况、站内及车内人数和车辆的具体特征进行取值，其取值范围一般为0.8〜1.5不等。5公交车到站时间预测模型验证随着新疆经济的快速发展，乌鲁木齐作为一个国际化大城市，机动车的持续快速增长给城市交通带来巨大压力，路、桥等交通设施的建设难以适应汽车高速增长的需要，因此大力发展公共交通成为目前的首要任务。在这里本文的预测实例验证将选取乌鲁木齐市的一个公交线路为背景进行，根据第二章乘客需求调查中得知，绝大多数乘客对预测信息需求时间是10分钟，即只关心十分钟内公交车辆的到达信息，因此本文实例选取大体上基于此要求。为验证上述模型的精度，进行了与实际时间的比较，本文选取的乌鲁木齐市52路公交车路线的11个车站10个路段进行预测，然后与实际运行时间进行相比较。52路公交车从哈密路到铁路局，全长6.7km,共11个车站。

科学院〃经管学院.、rvifl'AlL首,1苏值・a峨*历■本郭用ET■.中fa成疣巾AftAJL科学院〃经管学院.、rvifl'AlL首,1苏值・a峨*历■本郭用ET■.中fa成疣巾AftAJL二,"'%二L小西沟+JI苏州殖立幺措4四.支精・厂工图5-152路公交路线站点地理位置图漠洱■4:1j科技馆之st血站,帽■中立力十3甲it炉事"头客111*越皿选取正常工作日的早高峰(8:30~10:30)、平峰(13:00-15:00)和晚高峰(18:30-30:30),共获得6组有效数据。每组数据包括，每辆公交车到达各站点时间和从该站点出发的时间，SVM的输入变量为路段的运行时间，为此，将调查的数据转换成每辆公交车在两个车站之间的运行时间，并对数据进行归一化处理。表3-1公交车辆路段运行时间分配表影响因素交叉口延误路段正常运行其他交通延误所占比重(%)25%70%5%本示例预测是52路车从哈密路发车，行驶至铁路局需要的全部时间。在平峰时段和高峰时段，具预测结果与实际情况分别进行对比，其结果如表中所示

表5-2、5-4中所列出的预测值是SVM预测值与站内预测值，时间差值是预测的公交车从哈密路驶出至到达铁路局站总消耗时间与真实值之间的差值。表5-2平峰时段预测值与真实值对照表（单位：秒）班次预测值真实值时间差值路段时间站内时间路段时间站内时间13512301072881510329-29350114716-24622166343661126910-6740935122833163822-1191201015113-341032143716-7569135629175-100总时间704804-100

图5-3平峰时段预测值与真实值之间的比较表5-4高峰时段预测值与真实值对照表（单位：秒）班次预测值真实值时间差值路段时间站内时间路段时间站内时间138194620-9270159316-24351147435-44425172919-6544137115-29632164115-8741115112-11829173826141031214823-19438161583198-182总时间599781-182表5-5高峰时段预测值与真实值之间的比较从预测结果与真实值的对比分析，可以总结出以下几点：(1)本文所采用的预测方法的预测精度可以满足使用要求，平峰时段预测值与真实值的时间差控制在40秒以内，而高峰时段的时间差在60秒内，虽然差值较大，但也可以满足要求，根据调查，高峰时段精准度在2分钟以内的预测结果还是可以让绝大多数乘客满足。(2)对于路段运行时间预测，无论是平峰还是高峰时段，具预测结果都不是很理想，这是由于好多因素未考虑到；同时，由于公交车运行时间采集不够精确使运行时间有一定的误差；就是乌鲁木齐近期在施工，对公交车运行有这一定的影响。(3)对于平峰时段的站内停车服务时间的预测，预测值普遍略小于真实值，这主要是由于平峰时段乘客上下速度不一，尤其是乘客分批到达时，司机会停车进行等候，导致了实际的站内服务时间值比预测值偏大，这一现象可通过长期的数据调研，找出预测值和实际值之间的差值规律，进一步缩小预测误差。(4)部分高峰时段的站内停车服务时间预测值明显低于真实值，有些站高出真实值好多，这是由于预测还有部分因素没有考虑到，而且由于道路施工情况影响了公交车的运行，或者某些路段造成大量的车辆拥挤状况，这都是为考虑到的。还有就是没有考虑到公交车在站内二次及多次停车延误这一步骤，而这一过程在算法中无法得以体现，所以导致预测值高于真实值。6结论与展望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。本文分析了公交预测技术的研究和应用现状，并根据乌鲁木齐市目前已有公交系统资源，在对其架构进行分析，确定了研究的技术可行性及现实可行性，并在公交车站调查和走行调查的基础之上，设计了基于支持向量机的公交路段运行时间预测模型和基于停车延误的公交车站服务时间预测算法，通过实例可以验证，这里所设计的模型和算法具有较高的准确性。由于公交到达时间的预测过于复杂，加之本人的能力和时间限制，本文在以下几处仍存在不足和尚未解决的问题：(1)由于调查经费和时问限制，对于公交数据采集得不够全面，因此在平峰时段公交车站服务时间的预测算法中，预测值和真实值之间本可以通过长期调研进行修正的误差值无法得知，未能进一步提高其预测精度。(2)对于公交车站服务时间的预测，由于在高峰期公交车辆站内停车次数的不确定性在算法中难以体现，导致对个别车辆的预测结果出现了较大的偏差，这也是尚待解决的一个问题。参考文献：[1]谭满春，毛宗元.城市公共汽车停靠站选址模型[J].公共交通科技，1999,16(2):59-61.[2]杨涛.我国城市道路网体系基本问题及若干建议[J].城市交通,2004,2(3):326-327.[3]李小静.对城市公交路网优化内涵的分析与研究[J].河西学院学报,2005,13(5):31-35.[4]杨兆升.关于智能运输系统的关键理论一综合路段行程时间预测的研究[J],交通运输工程学报，2001,1(1):65-67.[5]曾松,杨晓光.行程时间信息质量与接受水平关系[J].中国公路报,2002,15(4):81-84.[6]杨兆升，保丽霞.基于Fuzzy回归的快速路行程时间预测模型研究[J].公路交通科技，2004,21(3):78-80.[7]毛林繁.城市公交网络可靠性的双层规划模型[J].中国公路学报,2002,15(3):88-91.[8]于滨,杨忠振.应用支持向量基预测公交车运行时间[J].系统工程理论与实践,2007,7(4):160-165.[9]于滨,蒋永雷.支持向量机在公交车辆运行时间预测中的应用[J].大连海事大学学报,2008,34(4):1-3.[10]王俊，陈学武影响城市公交车辆运行时间白因素分析及改进措施[J].城市公共交通,2004,21(l):6-7.[11]郭四玲等.公交车停靠时间的统计分析[J].广两师范大学学报，2006,6(6):19-20.[12]彭庆艳，郭冠英.公共汽车停靠时间研究[J].城市公交规划与管理,2002,2(6):45-47.[13]吴叶,徐人刚.公交停靠站停靠时间特征分析[J].交通与运输,2007,1(12):77-80.[14]于斌.城市公交系统模型与算法研究[D].大连理工大学,2006.[15]马宏伟.城市公交停靠时间延误分析与对策[J].公路与汽车，2006,5(12):27-29.[16]马汉中，陈永义.支持向量机同归方法在实时业务预报中的应用[J].应用气象学报,2004,15(2):37-39.[17]罗虹.基于GPS的公交车辆到达时间预测技术[D].重庆大学,2007.[18]谭满春，毛宗元.城市公共汽车停靠站选址模型[J].公共交通科技，1999,16(2):59-61.LiW,M.W.Koendjbiharie.AlgorithmsorEstimatingBusArrivalTimessingGPSData[C].InEEE5thInternationalConferenceOnntelligentTransportationSystems.Singapore,2002.JeongR.,RilettL.R.BusArrivalTimePredictionUsingArtificialNeuralNetworkModel[C].The7thIEEEConferenceinIntelligentTransportationSystems.WashingtonD.C,2004:988-993.Chien,StevenL.J.DingY,DynamicBusArrivalTimePredictionwithArtificialNeuralNetworks[J].JournalofTransportationEngineering,2002,128(5):429-438.78路公交车跟车调查站名进站时间出站时间停车次数多次停二车原