基于路段行程时间的公交到站时间预测

摘 要：实时的公交到站时间预测是智能公交的重要组成部分，准确地预测和信息发布能帮助居民进行有效出行规划，减少等待时间。但是公交到站时间的预测受多种影响因素的作用，且各种因素对预测精确度不可度量。选择良好的预测方法和模型能有效帮助实时信息的发布。本文通过调查的两公交站点之间的车辆运行总时间，并采用ARMA和动态神经网络两种预测方法对公交在两站之间的行程时间进行预测，然后对结果进行对比分析，验证了动态神经网络的预测效果优于ARMA方法。

关键词：公交行程时间;动态神经网络;ARMA;预测

0 引言

地面公交（以下简称公交）是构建APTS系统的重要组成部分，公交到站时间预测是实时公交出行信息发布、公交出行路径诱导、公交运行动态调度管理等的核心内容[1]。由于公交系统内、外部影响因素较多且复杂，包括路段行驶时间的影响，如道路因素，拥堵因素，车辆因素，人的因素，交叉口因素，停靠站延误时间影响，交通状态的影响[2]。调查表明，乘坐公交车出行的居民大部分为上班、上学类人群，上述出行者对公交运行的准时性和可靠性要求很高，如果公交实际到达时间严重滞后于预测时间，将导致居民候车时间延长，引发出行焦虑、人群拥挤等问题。同时，不可靠的公交到站时间预报将导致乘客分流转移到可靠性较高的其它出行方式。所以选择合适的预测模型和方法尤为重要。

目前，国内外关于公交到站时间预测的模型一般分为两种，分别是基于统计学的预测模型和基于分析的预测模型，前者通过历史规律来预测未来的公交车到站时间，如历史平均法、卡尔曼滤波、统计回归模型;后者基于分析的模型主要考虑各种内、外部因素（道路条件、交通条件、乘客流量等）对公交到站时间的影响，建立因果关系模型。如神经网络法、小波分析、支持向量机等[3-5]。本文主要以这两类基本的模型对数据进行试验并对比两种方法的预测效果。

1 ARMA模型预测

1.1 ARMA模型介绍

对于平稳时间序列，自回归移动平均模型ARMA（auto-regressive and moving average model）可以提供精确度较高的短期预测。它将预测对象随时间变化形成的序列，看作是一个随机序列，达到在最小方差意义下的最佳预测。自回归滑动平均模型（ARMA）是随机时间序列分析模型的普遍形式。但是现实交通系统中的问题的许多时间序列都是非平稳的，不能直接使用自回归移动平均模型，若其能通过d阶差分后变成平稳序列，经d阶差分后的ARMA（p，q）模型称为ARIMA（p，d，q）模型[6-7]。

1.2 案例分析

本例采用调查得到的公交路段行程时间作为预测的原始资料来进行预测分析，两站点距离800米。

我们通过EVIEWS软件通过单位根检验发现序列并不平稳，经二阶差分后，由单位根检验得知序列平稳。综合考虑通过AIC准则和SC准则来进行模型定阶，一般选择AIC和SC值最小的模型为最优模型，通过对比，选择ARIMA（3，2，2）。残差序列resid经检验为白噪声，说明拟合模型有效。

2 动态神经网络预测

2.1 动态神经网络简介

神经网络分为两大类：静态神经网络和动态神经网。静态神经网络的输出只依赖于当前的输入，而动态神经网络的输出不仅依赖当前的输入，同时依赖之前的输入[8-9]。

2.2 神经网络训练

在MATLAB中，使用时间序列工具箱进行训练。采用动态神经网络NAR模型，网络训练时把数据分为三类：训练数据、验证数据和测试数据，通过训练数据和验证数据测试神经网络的结果，通过测试数据来判断误差。根据error图进行误差分析，如果结果不理想可以继续调整相关参数，直到Autocorrelation在满意值范围内。训练得到当神经元个数为9，延迟阶数为6，只有零阶自相关在标准范围之外，故满足训练要求，停止训练。

3 结果分析

将ARMA模型和基于MATLAB动态神经网络预测得到的结果参数进行对比，动态神经网络的预测结果R值为0.946优于ARMA模型，平均相对误差为6.79%也小于ARMA模型的11.49%，从整体来说，动态神经神经网络的预测效果很大程度上优于ARMA模型，具有更好的实用性，能为公交到达时间提供精确的预测信息。

参考文献：

[1]向红艳，彭学文.公交到站时间预测研究现状与发展趋势[J].交通信息与安全，2014，32（04）：57-61.

[2]季彦婕，陆佳炜，陈晓实等.基于粒子群小波神经网络的公交到站时间预测[J].交通运输系统工程与信息，2016，16（03）：60-66.

[3]王麟珠，苏庆列，郑日博.基于Elman动态神经网络的公交到站时间预测[J].机电技术，2012，35（01）：135-137.

[4]陈巳康，詹成初，陈良贵.基于路段行程时间的公交到站预测方法[J].计算机工程，2007，33（21）：281-282.

[5]艾文文.公交到站时间预测模型的研究[D].青岛大学，2017.

[6]陈小玲.基于ARIMA模型与神经网络模型的股价预测[J].经济数学，2017，34（04）：30-34.

[7]竇慧丽，刘好德，吴志周等.基于小波分析和ARIMA模型的交通流预测方法[J].同济大学学报（自然科学版），2009，37（04）：486-489.

[8]于秀丽.基于MATLAB动态神经网络在环境污染事件预测中的研究[J].电子商务，2017（09）：31-32.

[9]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.

推荐访问:路段 行程 公交 预测 时间