一種基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法，包含以下的主要步驟：（1）基于歷史行車數(shù)據(jù)建立不同站點(diǎn)不同班次的公交車歷史運(yùn)行時(shí)間的數(shù)據(jù)庫；（2）采用模擬退火算法對(duì)歷史運(yùn)行時(shí)間數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)數(shù)據(jù)進(jìn)行聚類，形成一個(gè)基于時(shí)間段聚類的不同路段的平均行駛時(shí)間OD矩陣；（3）利用被預(yù)測公交車的動(dòng)態(tài)運(yùn)行信息來修正由模擬退火算法預(yù)測的平均行駛時(shí)間OD矩陣，得到該公交車的最佳平均行駛時(shí)間。本發(fā)明不僅充分發(fā)揮模擬退火算法在啟發(fā)式迭代優(yōu)化搜索算法方面的優(yōu)勢，而且還根據(jù)公交車運(yùn)行的最新數(shù)據(jù)自動(dòng)修正平均行駛時(shí)間OD矩陣中的參數(shù)，是一種動(dòng)態(tài)的公交車到站時(shí)間預(yù)測模型和計(jì)算方法。
【專利說明】一種基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及城市智能公交系統(tǒng)【技術(shù)領(lǐng)域】，具體涉及一種基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測系統(tǒng)和方法。
【背景技術(shù)】
[0002]公交車到站時(shí)間預(yù)測是公交系統(tǒng)智能化和信息化的關(guān)鍵技術(shù)，受到了國內(nèi)外研究人員的極大關(guān)注。但是由于種種客觀因素的影響，一直很難找到非常有效的方法來得到比較準(zhǔn)確的預(yù)測結(jié)果。目前統(tǒng)計(jì)出影響預(yù)測準(zhǔn)確性的因素有:(1)公交車輛的定位精度的影響。目前的車載GPS系統(tǒng)本身的定位精度是影響公交車到站時(shí)間的重要因素之一。(2)道路交通擁堵情況的影響。城市道路擁堵情況以及其它車輛與公交車的相互影響，使得公交車的行駛速度很難控制。(3)道路交叉口的信號(hào)燈的影響。(4)交通流量隨時(shí)間變化而變化的影響。如早晚高峰時(shí)段、工作日和周末等流量都是不同的。(5)天氣變化的影響。如雨、雪、霧霾、沙塵等不可避免延緩車輛的到達(dá)時(shí)間。(6)上下客人流量的多少也會(huì)影響車輛在站臺(tái)的停留時(shí)間。
[0003]以上的這些不確定的影響因素很難找到一個(gè)數(shù)學(xué)公式來表達(dá)出來，是完全非線性的問題，目前這個(gè)問題被人們歸類為NP難題。在分析這個(gè)問題過程中，人們發(fā)現(xiàn)諸如交通流量、客流集散度等在不同星期的對(duì)應(yīng)時(shí)間上具有高度的相似性，而天氣變化的影響力也具有某種程度的可估計(jì)性。而城市交通控制系統(tǒng)與公交系統(tǒng)是不相連的，公交系統(tǒng)無法得到交叉路口的交通信號(hào)燈的時(shí)間信息，信號(hào)燈的延誤是一種不確定的影響因素。由此可見，公交車到站時(shí)間的預(yù)測具有一定的規(guī)律性，并且受到多種隨機(jī)因素的影響，所以必須在充分利用歷史運(yùn)行數(shù)據(jù)的基礎(chǔ)上采用先進(jìn)的智能控制理論和方法來解決。目前的車輛到站時(shí)間預(yù)測方法主要有:歷史趨勢法、多元線性回歸法、時(shí)間序列分析、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)、隨機(jī)排隊(duì)機(jī)理論模型以及專家系統(tǒng)等。
[0004]基于歷史數(shù)據(jù)的到達(dá)時(shí)間預(yù)測模型是以大量公交行車歷史數(shù)據(jù)為基礎(chǔ)，假設(shè)交通模式具有循環(huán)變化的規(guī)律，在特定路段內(nèi)歷史行駛時(shí)間與當(dāng)前行駛時(shí)間是一致的。專利號(hào)200510110083提出了基于人工神經(jīng)網(wǎng)絡(luò)結(jié)果的公交車到達(dá)時(shí)間預(yù)測模型，以到達(dá)時(shí)間、站點(diǎn)滯留時(shí)間以及公交時(shí)刻表時(shí)間差為輸入，由最小預(yù)測誤差確定隱含層權(quán)重和參數(shù)的最優(yōu)解，由預(yù)測結(jié)果選擇、訓(xùn)練網(wǎng)絡(luò)來確定最佳的訓(xùn)練函數(shù)。人工神經(jīng)網(wǎng)絡(luò)模型具有解決復(fù)雜非線性問題的能力，但是在實(shí)際應(yīng)用中卻需要利用經(jīng)驗(yàn)嘗試選擇較優(yōu)的訓(xùn)練函數(shù)、學(xué)習(xí)函數(shù)以及一些參數(shù)達(dá)到一定的預(yù)測精度，同時(shí)很難實(shí)現(xiàn)實(shí)時(shí)在線的訓(xùn)練和動(dòng)態(tài)預(yù)測。專利號(hào)200910199431.4提出了一種公交車到站時(shí)間預(yù)測模型控制方法，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)歷史數(shù)據(jù)進(jìn)行訓(xùn)練，然后引入公交車的動(dòng)態(tài)運(yùn)行信息來修正BP神經(jīng)網(wǎng)絡(luò)方法得到的平均行程時(shí)間。專利號(hào)201310099912.4提出了用于公交系統(tǒng)的自適應(yīng)調(diào)度方法，根據(jù)統(tǒng)計(jì)的歷史行車時(shí)間采用遺傳算法預(yù)測路線行車時(shí)間。專利號(hào)201210256952.3提出了一種基于最大熵理論的公交車到站時(shí)間實(shí)時(shí)預(yù)測系統(tǒng)和方法，但是該方法缺少基于歷史數(shù)據(jù)的經(jīng)驗(yàn)，很難處理公交運(yùn)行過程中的不確定的隨機(jī)因素的影響，該方法的實(shí)時(shí)性和自適應(yīng)性較差。[0005]模擬退火算法(SA)是一種優(yōu)秀的優(yōu)化算法,首先是由Metropolis等于20世紀(jì)50年代初提出的，它是依據(jù)固體退火原理而發(fā)展起來的。其基本原理是:首先讓固體溫度升高至充分高，然后再讓其徐徐冷卻，溫度升高時(shí)，固體內(nèi)部粒子變?yōu)槲蓙y無序，內(nèi)能增大，而固體內(nèi)部的粒子慢慢冷卻時(shí)逐漸趨向有序，在確定的每個(gè)溫度其狀態(tài)都可以達(dá)到平衡；最后在常溫時(shí)變得穩(wěn)定，即達(dá)到基態(tài)，內(nèi)能降到最低。依據(jù)退火準(zhǔn)則，當(dāng)粒子在溫度t時(shí)，其趨于平衡的概率為exp (-AJt)，其中J為溫度為t時(shí)刻的內(nèi)能，AJ為其內(nèi)能的改變量。Kirkpatrick等人于1983年將SA應(yīng)用到組合優(yōu)化問題當(dāng)中，將內(nèi)能E映射為目標(biāo)函數(shù)值，溫度t映射成控制參數(shù)，從而得到解組合優(yōu)化問題的SA:由初始解i以及控制參數(shù)初值t開始，對(duì)待求解進(jìn)行“產(chǎn)生一個(gè)新解一〉計(jì)算目標(biāo)函數(shù)差一〉舍棄或者接受”的迭代，并不斷衰減t的值，算法終止時(shí)所得到的解即為所得最優(yōu)或近似最優(yōu)解，它是一種啟發(fā)式迭代優(yōu)化搜索算法和模式識(shí)別算法。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的是為了克服現(xiàn)有的公交車實(shí)時(shí)到站時(shí)間預(yù)測不準(zhǔn)的問題，提供一種基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法。
[0007]為了實(shí)現(xiàn)上述的發(fā)明目的，本發(fā)明采用下述的技術(shù)方案:
[0008]一種基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法，包含以下的順序步驟:
[0009]步驟1、基于歷史行車數(shù)據(jù)建立不同站點(diǎn)不同班次的公交車歷史運(yùn)行時(shí)間的數(shù)據(jù)庫；
[0010]步驟2、采用模擬退火算法對(duì)歷史運(yùn)行時(shí)間數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)數(shù)據(jù)進(jìn)行聚類，形成一個(gè)基于時(shí)間段聚類的不同路段的平均行駛時(shí)間OD矩陣；
[0011]步驟3、利用被預(yù)測公交車的動(dòng)態(tài)運(yùn)行信息來修正由模擬退火算法預(yù)測的平均行駛時(shí)間OD矩陣，得到該公交車的最佳平均行駛時(shí)間；
[0012]所述步驟2中，采用模擬退火算法對(duì)歷史運(yùn)行時(shí)間數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)數(shù)據(jù)進(jìn)行聚類，形成一個(gè)基于時(shí)間段聚類的公交站臺(tái)間的平均行駛時(shí)間OD矩陣，包括如下順序步驟:
[0013]步驟2.1、以歐式距離作為相似度測度建立最優(yōu)數(shù)學(xué)模型，適應(yīng)性函數(shù)選取誤差平
方和作為目標(biāo)函數(shù)
【權(quán)利要求】
1.一種基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法，其特征在于，包含以下的順序步驟: 步驟1、基于歷史行車數(shù)據(jù)建立不同站點(diǎn)不同班次的公交車歷史運(yùn)行時(shí)間的數(shù)據(jù)庫；步驟2、采用模擬退火算法對(duì)歷史運(yùn)行時(shí)間數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)數(shù)據(jù)進(jìn)行聚類，形成一個(gè)基于時(shí)間段聚類的不同路段的平均行駛時(shí)間OD矩陣； 步驟3、利用被預(yù)測公交車的動(dòng)態(tài)運(yùn)行信息來修正由模擬退火算法預(yù)測的平均行駛時(shí)間OD矩陣，得到該公交車的最佳平均行駛時(shí)間； 所述步驟2中，采用模擬退火算法對(duì)歷史運(yùn)行時(shí)間數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)數(shù)據(jù)進(jìn)行聚類，形成一個(gè)基于時(shí)間段聚類的公交站臺(tái)間的平均行駛時(shí)間OD矩陣，包括如下順序步驟: 步驟2.1、以歐式距離作為相似度測度建立最優(yōu)數(shù)學(xué)模型，適應(yīng)性函數(shù)選取誤差平方和作為目標(biāo)函數(shù)
2.如權(quán)利要求1所述的基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法，其特征在于:所述步驟I中的基于歷史行車數(shù)據(jù)建立不同站點(diǎn)不同班次的公交車歷史運(yùn)行時(shí)間的數(shù)據(jù)庫，包括如下順序步驟: 步驟1.1、收集公交車運(yùn)行過程中的歷史數(shù)據(jù)，所述公交車運(yùn)行過程中的歷史數(shù)據(jù)為同一線路上不同發(fā)班時(shí)間的公交車運(yùn)行的經(jīng)度、緯度、時(shí)間、速度； 步驟1.2、基于上述信息計(jì)算出不同站點(diǎn)之間、不同發(fā)班時(shí)間的公交車運(yùn)行時(shí)間，形成歷史運(yùn)行時(shí)間的數(shù)據(jù)庫。
3.如權(quán)利要求1所述的基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法，其特征在于:所述步驟3中，利用公交車的動(dòng)態(tài)運(yùn)行信息來修正由模擬退火算法預(yù)測的平均行駛時(shí)間OD矩陣，得到公交車的最佳平均行駛時(shí)間，包括如下順序步驟: 步驟3.1、公交行車數(shù)據(jù)處理中心系統(tǒng)模塊獲取當(dāng)前公交車的行車實(shí)時(shí)數(shù)據(jù)，確定當(dāng)前該車的實(shí)際路段位置，通過平均行駛時(shí)間OD矩陣獲得該車到達(dá)預(yù)測站臺(tái)的一般行駛時(shí)間T0; 步驟3.2、公交行車數(shù)據(jù)處理中心系統(tǒng)模塊判斷車輛的實(shí)時(shí)速度是否低于5公里/小時(shí)，如果實(shí)時(shí)速度低于5公里/小時(shí)且持續(xù)時(shí)長超過I分鐘，公交行車數(shù)據(jù)處理中心系統(tǒng)模塊直接發(fā)送“路段擁堵，公交車到達(dá)將延后”的信息給公交站臺(tái)信息顯示模塊，公交站臺(tái)信息顯示模塊對(duì)其進(jìn)行顯示，并執(zhí)行步驟3.3 ;若實(shí)時(shí)速度不低于5公里/小時(shí)，則返回步驟3.1 ； 步驟3.3、公交行車數(shù)據(jù)處理中心系統(tǒng)模塊獲取剛經(jīng)過預(yù)測站臺(tái)的一輛公交車的相同路段的行車實(shí)時(shí)行車時(shí)間T1 ； 步驟3.4、公交行車數(shù)據(jù)處理中心系統(tǒng)模塊通過計(jì)算時(shí)間T1和Ttl的平均值(Tc^T1) 2作為該車到達(dá)預(yù)測站臺(tái)最佳行駛時(shí)間Tbest,并將該最佳行駛時(shí)間Tbest發(fā)送給公交站臺(tái)信息顯示模塊，公交站臺(tái)信息顯示模塊對(duì)其進(jìn)行顯示； 步驟3.5、車輛到站后，公交行車數(shù)據(jù)處理中心系統(tǒng)模塊判斷車輛是否出站，若為是，執(zhí)行步驟3.1 ;若為否，公交站臺(tái)信息顯示模塊顯示“車輛到站”信息。
4.如權(quán)利要求3所述的基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法，其特征在于:所述的公交行車數(shù)據(jù)處理中心系統(tǒng)模塊獲取當(dāng)前公交車的行車實(shí)時(shí)數(shù)據(jù)的周期為10~15秒。
5.如權(quán)利要求3所述的基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法，其特征在于:所述的公交行車數(shù)據(jù)處理中心系統(tǒng)模塊把計(jì)算得到的車輛到站時(shí)間預(yù)測值發(fā)送給公交站臺(tái)信息顯示模塊的時(shí)間周期是30~60秒。
6.如權(quán)利要求3所述的基于模擬退火算法的公交實(shí)時(shí)到站時(shí)間預(yù)測方法，其特征在于:所述的同一路同一方向的車輛到站時(shí)間預(yù)測值只發(fā)送距離最近的一次發(fā)送給公交站臺(tái)信息顯示模塊的時(shí)間周期是30~`60秒。
【文檔編號(hào)】G06F19/00GK103678917SQ201310685431
【公開日】2014年3月26日 申請(qǐng)日期:2013年12月13日 優(yōu)先權(quán)日:2013年12月13日
【發(fā)明者】許志興, 陳冠雄, 肖華, 吳鑫梁, 姜明富, 周少鏵 申請(qǐng)人:杭州易和網(wǎng)絡(luò)有限公司