客流量动态影响下公交智慧出行服务模型研究

发布时间：2021-01-12 20:29

　　公交车是城镇居民出行的重要交通工具。由于受到行程时间、客流量等不确定性问题的影响,乘公交车出行的乘客经常遭遇延误。基于上述问题,针对出行者乘公交车出行全过程提出了一种可靠的出行服务模型,该模型能够确保乘客按时到达目的地并有效节约时间。模型首先使用LSTM（long short-term memory）算法预测公交行程时间,为乘客提供目标车辆;随后,模型将客流量动态变化对出行的影响纳入研究范围,通过建立模糊专家系统对公交客流量问题进行评价,为乘客制定合理的出门时间,避免客流量过大造成旅客滞留,模糊专家系统中的客流量数据由k-NN算法获得。经实际案例验证,该模型能够为出行者提供可靠的出行策略。研究结果对提升公交服务水平,发展智慧出行具有积极的推动作用。 

【文章来源】：重庆交通大学学报(自然科学版). 2020,39(10)北大核心

【文章页数】：8 页

【部分图文】：

公交智慧出行服务模型实现流程

人工神经网络具有强大的信息处理能力，其中，LSTM是一种特殊的递归神经网络(RNN)，能较好地解决时序性和非线性的复杂问题，反映事物随时间的变化状态或程度。LSTM用记忆模块替换RNN的隐藏层，克服了RNN梯度弥散和梯度爆炸的缺点。LSTM实现“长期记忆”是依靠记忆细胞的改造，其核心是控制“细胞状态”。如图2，控制细胞状态的需要执行遗忘门、输入门、输出门操作来实现。遗忘门产生一个0～1的数ft来控制上一单元状态的遗忘程度;输入门生成一个候选向量Ct来控制新信息的参与度，以便于更新细胞状态Ct;输出门通过sigmoid函数生成一个0～1的数Ot来控制当前细胞状态的参与程度。笔者基于LSTM对到站时间的预测，为乘客选择规定时刻之前能到达目的地的车辆为目标车辆，这也是模型功能实现的基础。

迭代计算完成后，LSTM仿真预测结果与实际验证数据的绝对误差如图3。图3显示了预测的公交车出发时间、到站时间与实际数据的偏差。预测误差随时序的推进总体呈逐渐增大的趋势，这反映了LSTM的递归特性。在未来40 min内的4组预测数据显示出良好的预测效果，预测发车时间和到站时间的绝对误差均在2.5 min之内，可以满足公交出行预测需求。为了证明LSTM方法的准确性，选取了BP神经网络预测方法进行对比。如图4，数据结果显示BP神经网络预测方法的结果相对不稳定，部分预测数据偏差较大。图4 BP神经网络预测绝对误差

【参考文献】：
期刊论文
[1]基于LSTM和Kalman滤波的公交车到站时间预测[J]. 范光鹏,孙仁诚,邵峰晶.  计算机应用与软件. 2018(04)
[2]基于深度学习的城市道路旅行时间预测[J]. 张威威,李瑞敏,谢中教.  系统仿真学报. 2017(10)
[3]基于K近邻非参数回归的短时公交客流预测[J]. 王锦添,蔡延光,黄何列,陈东.  东莞理工学院学报. 2017(03)
[4]基于粒子群小波神经网络的公交到站时间预测[J]. 季彦婕,陆佳炜,陈晓实,胡波.  交通运输系统工程与信息. 2016(03)
[5]铁路客运专线模糊k近邻客流预测模型[J]. 豆飞,贾利民,秦勇,徐杰,王莉.  中南大学学报(自然科学版). 2014(12)
[6]基于灰色理论和马尔科夫模型的城市公交客运量预测方法[J]. 杨琦,杨云峰,冯忠祥,赵现伟.  中国公路学报. 2013(06)
[7]城市智能交通系统现状与发展构想[J]. 胡振文.  国防交通工程与技术. 2003(02)



本文编号：2973495