基于LSTM-PF模型的公交车辆到站时间预测研究

发布时间：2020-09-04 17:51

　　 衡量公交服务质量水平高低的重要指标之一是乘客的需求是否得到满足,其中,公交车辆到站时间的准确程度是城市居民最为关心的信息之一。精确预测公交车辆的到站时间并展示给乘客,不仅有利于乘客做出相应的出行规划,节约出行时间与出行成本,同时可以增加公交系统对出行者的吸引力,减轻交通压力,推动城市的信息化发展。首先,本文基于公交数据的采集方法和数据格式,对所采集的数据进行插值与归一化等预处理,并根据公交车辆的运行特点与影响因素,确定了本文中所建模型的输入变量为车辆在需求站点前2-4站的到站时间,设计了相应的求解算法,通过Matlab和MapInfo等软件将其实现。最终采用跟车调查法进行验证。其次,论文系统的对比了预测公交车辆到站时间的各个方法,根据LSTM神经网络与粒子滤波的原理,结合二者的优缺点,提出了基于LSTM神经网络和粒子滤波的公交车辆到站时间预测组合模型(Long Short Term-Memory and Particle Filter,LSTM-PF)。本文对LSTM-PF模型中的LSTM网络模型的学习速率进行了改进,并从函数选择与网络结构两个方面对其进行了优化。根据参数的不同构建了不同个LSTM模型,利用历史数据训练优化后的各个LSTM神经网络,拟合需求站点与之前站点到站时间之间的非线性关系,通过实时已到站时间预测需求站点的到站时间,最后通过粒子滤波对LSTM模型的预测结果进行动态调整,寻求最精确的到站时间,并完成了LSTM-PF模型的算例验证。最后,论文选取了北京市具有代表性的2路、438路和46路作为实验线路,采用LSTM-PF模型对工作日和非工作日的早高峰、平峰与晚高峰时刻分别预测,通过平均绝对误差表示模型的预测准确程度。结果表明,不论工作日与否,平均绝对误差值基本控制在1.5分钟内。为了进一步验证LSTM-PF模型的准确性,本文将该结果分别与标准粒子滤波和不同个标准的LSTM模型所预测的最优的结果进行对比,得出LSTM-PF模型的预测结果更接近于实际到站时间。相比较标准LSTM网络模型和标准粒子滤波模型,LSTM-PF模型工作日(平均绝对误差:41.64秒)的预测结果分别改善了 35.84%(平均绝对误差:64.90秒)和49.20%(平均绝对误差:81.97秒),非工作日(平均绝对误差:55.96秒)的预测结果分别改善了27.42%(平均绝对误差:77.10秒)和38.82%(平均绝对误差:91.47秒)。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP183;TN713;U495
【部分图文】：

２０１．１亿，环境损失为人民币４５．２亿⑴。逡逑由２０１８年北京市交通发展年度报告［２］可知，２０１６－２０１７年的不同方式的交通出逡逑行量对比见图１－１，中心城工作日日均出行总量为３８９３万人次（包括步行），同比逡逑上一年有２．４％的增多，绿色出行占总量的７２．１％，比去年增加１．１％。２０１７年共享逡逑单车出现井喷式发展，很多步行或者短距离的出行方式都转为自行车的方式，从逡逑而出行比例明显增加，比去年增长１．６％。逡逑１000逡逑８００逡逑６００逦６１８邋５７５＾Ｂ逦逡逑＾邋＾邋Ｂ２０１６逡逑４００逦通逦■■逡逑－ＭｆｔｉｐＥ逡逑地铁邋公交小汽车出租车自行车其他逡逑图１－１中心城通勤交通不同方式出行量对比逡逑Ｆｉｇ．邋１－１邋Ｃｏｍｐａｒｉｓｏｎｓ邋ｏｆ邋ｄｉｆｆｅｒｅｎｔ邋ｍｏｄｅｓ邋ｏｆ邋ｃｏｍｍｕｔｉｎｇ邋ｔｒａｆｆｉｃ邋ｉｎ邋ｃｅｎｔｒａｌ邋ｃｉｔｙ逡逑由于北京市实施了调控小汽车数量的策略，机动车的增加速率出现逐渐下降逡逑的趋向。近几年，北京市的机动车保有量的发展情况如图１－２所示，２０１７年末达逡逑到了邋５９０．９万辆，比２０１６年末有１９．２万辆的增加；私人保有量为４７５．６万辆，同逡逑比去年增加３．３％。逡逑１邋？逡逑

２０１．１亿，环境损失为人民币４５．２亿⑴。逡逑由２０１８年北京市交通发展年度报告［２］可知，２０１６－２０１７年的不同方式的交通出逡逑行量对比见图１－１，中心城工作日日均出行总量为３８９３万人次（包括步行），同比逡逑上一年有２．４％的增多，绿色出行占总量的７２．１％，比去年增加１．１％。２０１７年共享逡逑单车出现井喷式发展，很多步行或者短距离的出行方式都转为自行车的方式，从逡逑而出行比例明显增加，比去年增长１．６％。逡逑１000逡逑８００逡逑６００逦６１８邋５７５＾Ｂ逦逡逑＾邋＾邋Ｂ２０１６逡逑４００逦通逦■■逡逑－ＭｆｔｉｐＥ逡逑地铁邋公交小汽车出租车自行车其他逡逑图１－１中心城通勤交通不同方式出行量对比逡逑Ｆｉｇ．邋１－１邋Ｃｏｍｐａｒｉｓｏｎｓ邋ｏｆ邋ｄｉｆｆｅｒｅｎｔ邋ｍｏｄｅｓ邋ｏｆ邋ｃｏｍｍｕｔｉｎｇ邋ｔｒａｆｆｉｃ邋ｉｎ邋ｃｅｎｔｒａｌ邋ｃｉｔｙ逡逑由于北京市实施了调控小汽车数量的策略，机动车的增加速率出现逐渐下降逡逑的趋向。近几年，北京市的机动车保有量的发展情况如图１－２所示，２０１７年末达逡逑到了邋５９０．９万辆，比２０１６年末有１９．２万辆的增加；私人保有量为４７５．６万辆，同逡逑比去年增加３．３％。逡逑１邋？逡逑

２公交车辆到站过程分析与到站时间预测方法逡逑２．１公交车辆到站过程分析逡逑定时定点定线可以作为公交车辆运行的特点，其运行过程如图２－１所示。可将逡逑其运行过程概括为两段：路段（站间）行驶过程和站点停靠过程，因此，公交车逡逑辆运行过程的时间主要包括路段行驶时间、交叉口延误时间和站点停靠时间。由逡逑于公交车辆的运行情况复杂多变，受外界因素影响较大，包括道路因素、车辆因逡逑素、位置因素和时间段因素等，都难以量化，同时，其综合影响使得公交车辆的逡逑运行特征具有很强的随机性，所以公交车辆到站时间的运行规律和影响因素需分逡逑段分析处理。逡逑第Ｋ车次的车辆运行方向ｄ逡逑逦？逡逑站间行驶过程逦站点停靠过程逡逑画逦ｈ逦Ｈ逦Ｈ逡逑？哪…■￣￣｜邋｜￣￣■——■…？逡逑首（末）站逦站点ｉ－ｌ逦交叉口邋站点丨逦站点ｉ＋１邋末（首）站逡逑图２－１公交车运行过程示意图逡逑Ｆｉｇ．２－１邋Ｓｋｅｔｃｈ邋ｍａｐ邋ｏｆ邋ｂｕｓ邋ｏｐｅｒａｔｉｏｎ邋ｐｒｏｃｅｓｓ逡逑假设第々车次的公交车辆在＾方向上运行，首站至末站共有？个站点经过，则逡逑该车辆到达站点／的时间匕为：逡逑纪＝Ｇ＋４逦Ｃ２－１）逡逑（２－２）逡逑式（２－１）与式（２－２）中：逡逑７＾——第车次的车辆在ｄ方向上，到达站点／的时间；逡逑７＾＇——第Ａ：车次的车辆在ｄ方向上，到达站点／邋－１的时间；逡逑４一一第Ａ：车次的车辆在ｄ方向上

【参考文献】

相关期刊论文 前10条

1 吴栋栋;邵毅;景谦平;霍振彬;;北京交通拥堵引起的生态经济价值损失评估[J];生态经济;2013年04期

2 陈旭梅;龚辉波;王景楠;;基于SVM和Kalman滤波的BRT行程时间预测模型研究[J];交通运输系统工程与信息;2012年04期

3 杨小莹;彭刚;王涛;王艳琴;;基于量子遗传粒子滤波的WSN目标跟踪算法[J];计算机工程与设计;2010年23期

4 姚宝珍;杨成永;于滨;;动态公交车辆运行时间预测模型[J];系统工程学报;2010年03期

5 于滨;杨忠振;曾庆成;;基于SVM和Kalman滤波的公交车到站时间预测模型[J];中国公路学报;2008年02期

6 于滨;杨忠振;林剑艺;;应用支持向量机预测公交车运行时间[J];系统工程理论与实践;2007年04期

7 刘美生;;全球定位系统及其应用综述(一)——导航定位技术发展的沿革[J];中国测试技术;2006年05期

8 杨兆升,保丽霞,朱国华;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年03期

9 周雪梅,杨晓光,王磊;公交车辆行程时间预测方法研究[J];交通与计算机;2002年06期

10 张飞舟,杨东凯,范跃祖,孙先仿;智能交通系统中的公共交通信息管理体系[J];北京航空航天大学学报;2000年04期

相关硕士学位论文 前10条

1 范光鹏;城市交通公交车到站时间预测研究与应用[D];青岛大学;2018年

2 宋爽;基于SVM和Kalman滤波的公交到站时间预测方法研究[D];大连海事大学;2018年

3 程俊;基于ARIMA-LSTM混合模型的机械传动件制造企业销售预测方法研究与应用[D];电子科技大学;2018年

4 艾文文;公交到站时间预测模型的研究[D];青岛大学;2017年

5 赵衍青;公交车辆到站时间预测方法研究[D];北京交通大学;2017年

6 齐静;径向基函数插值若干问题研究[D];重庆师范大学;2016年

7 彭俊伟;基于静态和动态算法结合的公交到站时间预测[D];杭州电子科技大学;2016年

8 陈鑫杰;基于粒子滤波的公交车辆到站时间预测研究[D];北京交通大学;2016年

9 刘翔;卫星姿态控制系统故障模式分析与故障诊断研究[D];哈尔滨工业大学;2015年

10 计晓昕;公交车到站时间预测模型与实证研究[D];北京交通大学;2015年

本文编号：2812404