基于前車與經(jīng)驗數(shù)據(jù)的車輛到站時間預測模型*

涂利明

摘 ?要： 公交車輛運行經(jīng)驗數(shù)據(jù)體現(xiàn)了到站時間的一般性規(guī)律，前車數(shù)據(jù)反映了到站時間的實時性。提出一種基于前車與經(jīng)驗數(shù)據(jù)的公交車輛到站時間預測模型。在該模型中對站點間路段行駛時間及站點停留時間區(qū)分了高峰期和非高峰期，站點間的延時時間考慮了不同方向紅燈等待時間的區(qū)別以及斑馬線的影響。用杭州公交104路公交車的數(shù)據(jù)對預測模型進行了驗證，結果表明，該預測模型具有較高的預測精度，能夠較為準確地預測公交車輛到站時間。

關鍵詞： 公共交通; 公交車輛; 經(jīng)驗數(shù)據(jù); 到站時間預測

中圖分類號：TP399 ? ? ? ? ?文獻標志碼：A ? ? 文章編號：1006-8228（2015）01-01-03

Prediction model of bus arrival time based on front bus data and empirical data

Tu Liming

（Hangzhou Dianzi University， Hangzhou， Zhejiang 310018， China）

Abstract： Operation of public transport vehicles experience data reflects the general laws of bus arrival time， the front bus data reflects the real time line of vehicle arrival time.A prediction model of bus vehicle arrival time is presented， based on the front bus data and empirical data.In the model， the travel time between sites and site retention time distinction is classified into peak and ravine. The delay time is predicted by taking the effects of different direction light difference between waiting time and a zebra crossing into consideration.The model is verified by Hangzhou 104 bus line data. The results show that the prediction model has higher predictive accuracy and can accurately predict bus arrival time.

Key words： public transport; public transport vehicles; empirical data; arrival time prediction

0 引言

隨著城市化進程的加快，城市變得越來越大，機動車保有量快速增長與道路交通資源相對稀缺的矛盾日顯突出，優(yōu)先大力發(fā)展公共交通是解決城市交通擁堵問題的重要方法之一。要引導市民出行選擇公共交通，首先公共交通必須能提供相對優(yōu)質的服務，比如發(fā)達的線路網(wǎng)絡、快捷方便的乘車體驗等。提供較準確的公交車輛到站時間信息，有助于增強市民對公共交通的好感。目前國內外學者對此做了大量的研究，蘇慶列[1]等提出的預測模型有基于神經(jīng)網(wǎng)絡的GA-Elman預測模型，在模型中以時間段、天氣、路段和當前路段運行時間為輸入量對公交到站時間進行預測。胡華[2]等提出基于自動車輛定位技術的AVL預測模型，根據(jù)實時和歷史的公交車輛自動定位數(shù)據(jù)，采用點估計法和自適應指數(shù)平滑法等對其進行動態(tài)預測。李大銘[3]等提出基于模糊神經(jīng)網(wǎng)絡的短時公交到站時間預測，利用全球定位系統(tǒng)和電子票務收費系統(tǒng)收集的車輛實時信息，建立路段和站點補償模糊神經(jīng)網(wǎng)絡模型。孫棣華[4]等根據(jù)公交浮動車輛實時GPS數(shù)據(jù)，提出公交浮動車輛到站時間實時預測模型。周雪梅[5]等基于采集獲取的實時車輛定位信息，提出了一種基于前車的公交車輛到站時間動態(tài)預測模型。公交線路車輛到站經(jīng)驗數(shù)據(jù)體現(xiàn)了車輛到站時間的一般性規(guī)律，前車數(shù)據(jù)反映了車輛到站時間的實時情況。本文提出一種以歷史經(jīng)驗數(shù)據(jù)為預測基準數(shù)，利用前車數(shù)據(jù)進行修正的公交車輛到站時間預測模型。

1 問題描述

根據(jù)公交車輛自身定線定站的運行特點以及城市道路的特性，可以把公交車輛從某個站點到下一個站點的整個過程時間T看成是由站點間路段行駛時間、站點間延時時間和站點停留時間三部分組成。

⑴ 站點間路段行駛時間，其中n表示線路的站點數(shù)，tri，i+1表示第i個與i+1個站點之間的行駛時間。

⑵ 站點間延時時間（主要為道路信號燈以及斑馬線讓行所影響時間），其中n表示線路的站點數(shù)，tdi，i+1表示第i個與i+1個站點之間的延誤時間。

⑶ 站點停留時間，其中n表示線路的站點數(shù)，tsi表示第i站點停留時間。

即有T=Tr+Ts+Td。

2 到站時間預測模型

通過上述分析可知，公交車輛運行時間預測實際上是要對車輛在每個站點到站時間的預測。車輛在線路上某站點i的到站時間預測，也是由類似的三部分時間組成：第i-1個站點到第i個站點之間的站點間路段行駛時間;第i-1個站點的停留時間;第i-1個站點到第i站點之間的站點間延時時間。

公交車輛運行時間具有規(guī)律性，除了線路特性的改變，比如線路改向、站點調整、地鐵等其他公共交通的影響等，一般情況下，以往公交車輛到站時間的歷史經(jīng)驗數(shù)據(jù)可以作為線路到站時間預測模型的基準數(shù)。然而，同一線路在當天可能會有臨時交通狀況發(fā)生，從而造成公交車輛運行時間的變化，僅僅以歷史經(jīng)驗數(shù)據(jù)進行預測可能與實際運行情況有一定的偏差。剛剛駛往下一個站點前車車輛的平均瞬時速度能夠近似地反映當前公交車輛駛入該區(qū)段時的道路交通狀況，該前車數(shù)據(jù)可以對經(jīng)驗數(shù)據(jù)偏差進行修正。為了使公交車輛到站時間預測模型更加貼近實際情況，可根據(jù)道路上車輛的潮汐性，把線路上車輛運行的時間分為高峰期和非高峰期兩種不同的時段進行考慮。

2.1 站點間路段行駛時間

如果把公交運營線路抽象為一條直線段，站點抽象為直線段上大節(jié)點，站點之間的交叉路口可以抽象小節(jié)點，則可以把公交車輛在線路上的運行軌跡直線化，如圖1所示。其中Si-1，i表示站點i-1和站點i之間的道路長度。Srj-1，j表示站點i-1和站點i間第j-1與j個路口之間的道路長度。

圖1 ?公交車輛運行軌跡直線化示意圖

從圖1可見，站點間路段行駛時間等于站點間所有路段上的行駛時間之和，即有，其中tsrj-1，j表示第j-1與j個路口的路段行駛時間，m-1表示第i-1和i兩個站點之間經(jīng)過的交叉路口數(shù)。根據(jù)公交車輛在高峰時段、非高峰時段兩種不同的時段，其在某兩個路口j-1和j之間道路的行駛時間預測模型如公式⑴。

⑴

其中，表示在路口j-1和j之間高峰時段公交車輛歷史行駛的平均速度;表示在路口j-1和j之間非高峰時段公交車輛歷史行駛的平均速度;表示在路口j-1和j之間前車的平均速度;v瞬表示在路口j-1和j之間當前車輛的瞬時速度。

2.2 站點間延時時間

如圖1所示，在每個路口的小節(jié)點處都有一個信號燈，在路口之間可能還會存在若干斑馬線，斑馬線前公交車需要讓行，這些都有可能造成公交車輛到站時間的延時。站點間延時時間主要是指經(jīng)過兩站點間道路路口信號燈以及斑馬線讓行所影響時間的總和。公交車輛在路口的行進方向可能是直行、左轉或右轉，路口信號燈對不同的行進方向的影響度是不同的。比如紅燈信號對右轉車輛幾乎不受影響，最多是禮讓行人，可以與斑馬線歸為一類，而對于直行或左轉車輛遇到紅燈信號必須等待，其延時相對較多。一些文獻[4-6]通常假設路段路口車輛的到達服從泊松分布，其中P（x）為x輛車到達信號燈區(qū)域的概率;g為計數(shù)時間間隔t0內車輛平均到達率。站點i與i+1間延時時間預測模型如公式⑵。

⑵

其中，m是兩站點間有信號燈路口的數(shù)量，q是在兩站點間非路口斑馬線的數(shù)量，而tpx表示在路口或斑馬線上等待的時間，在直行或左轉的路口其等待時間是紅燈時間th的隨機數(shù)，在右轉路口或非路口斑馬線其等待的時間是一個統(tǒng)計時間tx內的隨機數(shù)。具體計算見公式⑶。

⑶

2.3 站點停留時間

站點停留時間是指公交車輛從駛入?？空军c進行上下客到駛離站點所花費的時間。公交車輛在站點的停留時間也與客流量的潮汐性有關，在高峰期?？空军c的車輛多，上下客流量大需要花費更多的停留時間，非高峰期與夜間車輛少、客流量小，則相對停留時間短。沿車輛行駛方向在將要進入站點區(qū)域和離開站點區(qū)域分別設置站點駛入?yún)^(qū)和駛離區(qū)。通過車輛的GPS數(shù)據(jù)獲取車輛從進入駛入?yún)^(qū)到離開駛離區(qū)的時間來定義站點停留時間。站點停留時間預測模型利用歷史停留時間數(shù)據(jù)體現(xiàn)該站點正常的停留情況，前車停留時間放映當前該站點的最新停留情況，具體見公式⑷。

⑷

其中，表示在站點i高峰時段公交車輛歷史平均停留時間;表示在站點i非高峰時段公交車輛歷史平均停留時間;表示在站點i前車的停留時間。

3 模型驗證

為驗證該模型的有效性，本文選取杭州公交104路學正街公交站往四季青服裝交易中心方向，其中8個站點分別為六號大街十一號路口、九號路六號大街口、四號大街九號路口、四號大街五號路口、下沙商貿(mào)城、文淵路南口和高沙社區(qū)。這些站點組成的區(qū)間是該線路經(jīng)過醫(yī)院、商業(yè)區(qū)等相對比較復雜路況的路段，非常具有代表性。而線路剩余的其他路段則基本上是路況較通暢，平時候車乘客相對比較少。

通過實地調查，這8個站點間的站點規(guī)模、同站線路數(shù)以及客流量規(guī)模等情況調查結果如表1，其中客流規(guī)模等級從小到大依次以1-5數(shù)字表示。站點間的路口數(shù)量、信號燈情況以及斑馬線數(shù)量等如表2。其中斑馬線數(shù)量是指在兩個站點之間除了有紅綠燈路口外存在的行人斑馬線情況。

表1 ?站點特性

[站點名稱＼&站點規(guī)模＼&同站線路數(shù)＼&客流量規(guī)模＼&六號大街十九號路口＼&中＼&2＼&2＼&六號大街十一號路口＼&小＼&3＼&1＼&九號路六號大街口＼&中＼&5＼&3＼&四號大街九號路口＼&中＼&10＼&3＼&四號大街五號路口＼&中＼&13＼&4＼&下沙商貿(mào)城＼&中＼&11＼&3＼&文淵路南口＼&?。?6＼&1＼&高沙社區(qū)＼&?。?5＼&2＼&]

從表1可以看出，九號路六號大街口、四號大街九號路口、四號大街五號路口和下沙商貿(mào)城因為分別經(jīng)過醫(yī)院、學校和商業(yè)區(qū)，使得同站的線路數(shù)比較多，客流的規(guī)模也相對比較大。

表2 ?間路口情況

[站點名稱＼&路口

數(shù)量＼&路口信號燈情況

及紅燈時長（秒）＼&斑馬線

數(shù)量＼&六號大街十九號路口——六號大街十一號路口＼&2＼&直（53s）、直（60s）＼&0＼&六號大街十一號路口——九號路六號大街口＼&1＼&右（0s）＼&0＼&九號路六號大街口——四號大街九號路口＼&1＼&左（30s）＼&2＼&四號大街九號路口——四號大街五號路口＼&2＼&直（36s）、直（35s）＼&2＼&四號大街五號路口——下沙商貿(mào)城＼&1＼&直（36s）＼&6＼&下沙商貿(mào)城——文淵路南口＼&2＼&右（10s），直（66s）＼&1＼&文淵路南口——高沙社區(qū)＼&2＼&直1（30s）、左1（70s）＼&1＼&]

為評價該模型，采用站點到站時間預測值與GPS 數(shù)據(jù)記錄之間的相對誤差值，以及預測值與調查數(shù)據(jù)平均值的相對誤差值來評價預測模型。選取10組數(shù)據(jù)按本模型進行計算估計車輛到站時間求其平均值，并與GPS數(shù)據(jù)平均值以及調查數(shù)據(jù)平均值之間進行相對誤差求解，其結果如圖2所示。

圖2的分析結果表明，在高峰期和非高峰期本模型的預測值平均值與GPS數(shù)據(jù)平均值之間的相對誤差的平均值在10%以內，而與調查數(shù)據(jù)平均值之間的相對誤差的平均值在20%以內。這表明該模型還是具有較高的精度，能夠較為準確地預測公交車輛到站時間。從圖2可以看出，下沙商貿(mào)城站點的誤差為最大。根據(jù)實地調研經(jīng)驗得知，在其前一站四號大街五號路口是經(jīng)過比較繁華的商業(yè)區(qū)，在該站的上下客流量相對較大，上下客的時間不容易精確估算，同臺線路較多，有時同時靠站的車輛較多，需要更多的靠站停留時間，另外該段路線的行人斑馬線較密集，多達6條，公交車斑馬線讓行，這些是造成預測時間相對誤差較大的原因。

圖2 ?各站點到站時間與GPS值、調查值之間的相對誤差

4 結束語

本文將線路公交車輛的到站時間分為站點間路段行駛時間、站點間延時時間和站點停留時間三部分組成，建立了基于前車和經(jīng)驗數(shù)據(jù)的公交車輛到站時間預測模型。在模型中對站點間路段行駛時間及站點停留時間區(qū)分了高峰期和非高峰期，站點間的延時時間考慮了不同方向紅燈等待時間的區(qū)別以及斑馬線的影響。同時，在該模型中借鑒了前車的實時數(shù)據(jù)和歷史經(jīng)驗數(shù)據(jù)，使得預測結果不僅考慮了公交車輛到站時間一般性規(guī)律，而且也考慮了最新實時路況對公交車輛到站時間的影響。實驗結果表明，該模型能較好地滿足預測所需要的準確性及實時性要求。本文只選取了杭州公交104線路的部分站點作為算例驗證，后續(xù)研究應選取更多的公交線路的數(shù)據(jù)來驗證本文模型是否具有普遍適用性，并對該模型進行改進，以進一步提高其預測性能。

參考文獻：

[1] 蘇慶列，王麟珠.GA-Elman公交車輛到站時間預測模型[J].廈門理工

學院學報，2013.20（1）：71-74

[2] 胡華，高云峰，劉志鋼.基于AVL數(shù)據(jù)的公交到站時間實時預測模型[J].

重慶交通大學學報，2012.31（5）：1014-1017

[3] 李大銘等.基于模糊神經(jīng)網(wǎng)絡的短時公交到站時間預測[J].東北大學

學報，2011.32（3）：443-336

[4] 孫棣華等.公交浮動車輛到站時間實時預測模型[J].交通運輸工程學

報，2011.11（2）：84-89

[5] 周雪梅等.基于前車數(shù)據(jù)的動態(tài)公交車輛到站時間預測模型研究[J].

交通與運輸，2011.12：53-56

[6] 李清泉，尹建忠，賀奮琴.面向道路網(wǎng)的GPS浮動車覆蓋率模型研究[J].

武漢大學學報：信息科學版，2009.34（6）：715-718