基于机器学习的公交车辆到站时间预测的设计和实现

发布时间：2020-02-16 13:43

【摘要】：公共交通的大力建设有助于缓解城市交通及环境压力,智能公交调度监控系统管理可以显著提高公交服务和管理水平,从而为大众提供更优质的服务,吸引更多人选择公交出行。到站时间预测系统有助于提高智能公交系统的服务能力。本文针对如何构建到站时间预测模型展开了研究。本文首先阐述了智能公交调度监控系统的组成以及到站时间预测系统在其中的地位,同时介绍了当前在公交车辆到站时间预测领域的研究成果。然后利用公交车辆实际行驶数据,分析了影响公交车辆行驶的天气因素和人为因素；利用实际的车辆行驶数据和聚类学习算法,分析了公交车辆的在全天时段行驶时间的规律；分析了历史行驶时间之间规律,并对如何选取历史数据进行了探讨；依据车辆行驶速度规律,提出了预测车辆在路段剩余道路平均速度预测模型。在充分分析了影响公交车辆行驶因素及其行驶规律后,确定了应作为模型输入条件因素及参考数据。依据车辆在路的行驶时状态,提出了由三个子预测模型所组成的车辆到站时间预测模型,利用前馈神经网络和多元线性模型分别构建了三个子预测模型,并设计了每个模型的输入数据结构。利用实际行驶数据对模型进行了训练和测试,证实了模型的可行性,同时预测精度均高于采用历史均值或者前车均值的预测模型。并依据设计方案实现了到站时间预测模型。
【图文】：

情况,天气情况,阵雨,小雨

图3-9 6日趟次时间在工作日条件下，22日天气情况为多云转中雨，与其作对比两日，16日天气为多云转阴，9日天气情况为多云；23日天气为小雨转阵雨，其对比日15日天气为晴，8日天气为晴转多云。通过计算可以得出：> >> >其中22日趟次时间均值明显大于其两个对比日，分别高出了 4.5%和4.2%,平均高出4.4%。23日趟次时间均值较其余两个对比日时间有所增长，，增长幅度不太显著，23日较16日提高了 0.02%，较9日提高了 3.87%,平均提高了 1.9%。总体来看，在工作日环境下，在降水天气下1路线下行方向公交车辆趟次行驶平均时间比天气良好天气情况下，提高了 2.8%。在非工作日条件下，23日天气情况为小雨转阵雨，其对比日21日和6日天气情况均为晴好天气。计算比较得出：

天气情况,阵雨,小雨,中雨

图3-9 6日趟次时间在工作日条件下，22日天气情况为多云转中雨，与其作对比两日，16日天气为多云转阴，9日天气情况为多云；23日天气为小雨转阵雨，其对比日15日天气为晴，8日天气为晴转多云。通过计算可以得出：> >> >其中22日趟次时间均值明显大于其两个对比日，分别高出了 4.5%和4.2%,平均高出4.4%。23日趟次时间均值较其余两个对比日时间有所增长，增长幅度不太显著，23日较16日提高了 0.02%，较9日提高了 3.87%,平均提高了 1.9%。总体来看，在工作日环境下，在降水天气下1路线下行方向公交车辆趟次行驶平均时间比天气良好天气情况下，提高了 2.8%。在非工作日条件下，23日天气情况为小雨转阵雨，其对比日21日和6日天气情况均为晴好天气。计算比较得出：
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：U491;TP18

【参考文献】