基于网络模型的公交车到达时间预测外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

关于广泛出现的系统和网络工作的第八届国际会议

基于网络模型的公交车到达时间预测

摘要

提供关于公交车的到站和离开的精确时间是现代公共交通系统的重要组成部分。这篇论文提供了在公交车站公交到站的实时预测。提出的模型信息基于关于公交车现在位置，有关历史数据的时间段分类，和公交车网络的数据模型。我们讨论了四种数据模型：一种基于公交站点和路口网络的数据模型，一种基于公交站点的数据模型，一种定位网络中的个体和可能影响出行速度的障碍之间的关系的数据模型，和一种公交网络长度固定的数据模型。根据平均运动速度，公交出行时间段被分为四段：上午，下午，清晨或夜晚，周末。分析的结果显示，公交车网络模型的分类和时间段的划分都会影响公交车到达时间预测的准确性。

1. 介绍

窗体顶端

巴士站实时到达时间信息系统（RTPI）是为乘客提供的系统
潜在的乘客在巴士站提供有关巴士到达时间的实时信息。 为了提供准确和可靠的信息，系统必须能够提供关于旅行时间预测的精确和可能的估计。考虑到所有可能的交通条件和情况。这些系统的运行需要智能交通系统例如自动车辆定位，自动车辆识别和确认乘客上下车的系统和数据转化和显示的系统。关于公交车到站时间的实时信息对于公共交通的使用者有很多积极影响，因此，可能会促进使用公交系统人数的增加。RTPI系统的积极影响包括：

减少等待时间。

积极的心理因素，比如减少不确定性。

增加使用的容易程度，增加安全性。

增加付钱的意愿。

适应的交通行为（比如更高效地利用等待时间和更有效率的出行）

对于出行工具的选择

提升公共交通的整体情况

预估的公交车到达目标站点的时间的计算基于现有公交车的位置信息和公交车从现在位置到达目标站点所需要的时间。通过全球定位系统（GPS）获取的大量车辆位置信息数据使获取车辆现在位置和过去行驶速度的样本成为可能。

虽然大量的关于预测实时公交系统的产品和系统被开发了，但是预测数据和现实数据之间仍然存在很大误差。预测和实际数据之间的差异对于使用同一公共交通设施的单个交通工具来说尤为明显。因此不同时间段的公共交通时间，比如拥堵时刻，非拥堵时刻和周末，就有很大的不同。

1. 论文概述

很多在他们的模型中用过不同的案例的研究者们已经对公交系统内的公交到站时间的预测做出了很多研究。 Altinkaya 和Zontul把现在已经有的模型分为了4类：基于历史数据的模型，基于统计数据的模型，卡尔曼滤波模型和机器学习模型。Balasubramanian和Rao提出了一个基于包含季节性数据周期变化的公交车到达时间预测模型。（一周中的每一天，一天中的每一个小时）Deng et al提出了一个基于Bayesian网络模型的公交车到达时间预测的模型，这个模型比较了公交车在特定交通情景和交通时间下的行驶数据和历史数据。Chen et al使用了一个乘客自动计数系统作为预测公交车到达时间的关键数据。Cats and Loutos提出了计算行驶时间的三种机制：
一个基于公交车实时位置和预先设置的时间表的计算公交车到达时间的方法

一个基于交通时间的到达时间预估方法（一周中的某一天，一天中的某时刻）

一个基于分别处理公交车往返次数和行驶时间的模型。为了得到交通情况，行进的公交车的速度需要被考虑进去。

很多研究都做了比较不同预测模型的精确程度。这些方法和模型可以被分为：卡尔曼滤波法，人工神经网络法，支撑向量法，线性回归法和无限逼近法。

Alejandro et al.使用了在无交通流量下公交车的平均速度做预测，并使用算法对每一个信号交叉口，回旋处，加速，减速，和乘客上下车的时间损失进行了计算。

很多作者研究出了大量不同的方法对公交到站时间做出了预测，但是由于数据的复杂性和本身特性，个体算法或者模型不适用于所有模型。

之前的研究并没有聚焦于公交车到达时间的网络模型。Chen et al提出并比较了一个基于部分公交到达时间网络和联结公交到达时间模型的预测。Zegeye et al.提出了一个通过距离选定公交站点长度定义参考点的模型。

1. 提出模型

这个模型提出了一个预测公交车到达选定站时间的计算方法，基于公交车现在的位置和预设好的行驶轨道。这个模型基于预设的公交网络数据模型和根据过去平均行驶时间来划分的行驶时间段。

关于公交车现在位置的信息是RTPI系统最基本的操作。通常来说，会有一个绝对位置或地理位置，通过经度和纬度来表达，还会有一个逻辑上的位置，通过和数据网络中其他地点的相对位置的关系来表达（在路上，在路口，或者到达站点）。关于公交车车辆位置的信息可以通过很多方式获取。最常用的定位系统就是全球定位系统（GPS）。现在这个系统可以免费试用。这种GPS的定位方法并不是百分之百准确，因此为了在车辆网络上定位车辆位置实施地图定位非常有必要，也就是将从定位系统上获取的车辆位置信息定位为坐标。提出的模型只考虑了公交车从动力性质上提取出来的逻辑轨道点（速度，加速，减速等）。

由于交通系统的随机性，在网络每个部分的行驶速度是不同的，在同一部分的不同个体之间的行驶时间也有不同。公交车的行驶速度被很多因素影响比如交通流量的密度，管理限制，乘客数量，天气情况，公交车行进过程中的延误，司机因素等。

在提出的模型中，时间段被根据每天线路上特殊的时间系列分段。这个模型考虑了过去不同网络部分的交通次数，这些间接地决定了交通环境和到站时间。通常来说，提出的模型不考虑突发情况，比如交通事故和路段损坏。

3.1公交车网络数据模型

除了确定公交车现在位置之外，准确地预计公交车到站时间还需要掌握公交车日常线路信息和公交车到达目标站点的预计时间。在现在位置到目标站点所需要的时间可以有很大不同，特别是当公共交通系统和其他机动车交通综合的时候。对于网络中的特定部分，行驶时间是特殊计算的。因此，在设计计算公交车到站时间的算法的时候，设计一个数据网络模型是非常必要的。最开始，数据网络模型是通过当前站点和相连接的临近站点定义的。在这个研究中，数据模型是通过节点和相邻节点定义的。本论文比较了在不同数据网络模型下公交车到达时间的预测结果：

潜在屏障数据模型（DM1）

基于公交车站点的数据模型（DM2）

潜在屏障适应性数据模型（DM3）

固定节点距离数据模型（DM4）

图1

节点的数量和他们位置和相应的公交车线路沿线联结的数量也根据数据模型的不同相应，也就是：

在DM1中的节点是潜在的障碍（道路网络信号交叉口，道路和铁轨交叉口，圆环，产生的交叉口），在到达公交车站点之前可能影响公交车行驶速度的因素。

在DM2中的节点都是在公交车到站之前的节点。

在DM3中的节点是在两点之间的中点。

在DM4中的点都有固定长度。

3.2预测算法

公共车预计到达时间等于公交车从现在位置到达终点和到达其他点的时间之和。预测的行驶时间是由每次行驶时间的平均值决定的。预测的从现在位置到目的地的时间公式为：

（公式1）

在公式1中的符号有以下含义：

—公交车从现在位置到达目标站点的在时间段p的预计到达时间

—在时间段p内公交车从一个现在位置到一个联结的时间

—公交车网络的行驶时间所占的百分比，以保持公交车的覆盖范围直至结束 它当前所在的链接。

—预测从下一个链路到目标公共汽车站的所有公共汽车网络连接的公交车行驶时间。

在所提出的模型中可以变化的数据是总线网络的数据模型和时间段计算旅行时间。

1. 实验

研究分析了公共汽车单个连接的公共汽车旅行时间 巴士1号线不同时间段的网络，Tezenska Dobrava， 马里博尔，斯洛维尼亚。 线1的总长度为7.495公里。 沿线是 15个巴士站。 巴士路线几乎完全沿着其他机动车道行驶 交通。 公交车站1和2之间的部分线路分别在a 专用公交专用道，2号和3号巴士站之间的巴士服务运行 与机动车辆完全分开。 沿着整个路线，巴士通过 通过11个信号交叉口和4个环岛，而公交线路 无信号交叉口的轨迹在优先道路上运行。 该线 穿过铁路十字路口，很少关闭。这段路的第一部分有一个3KM长的道路并且限速30Km/h，第二段道路主要是一个4排的道路，并且限速70Km/h。该模型已经根据城市公交线路1案例研究中的实际数据进行了评估 从市中心到郊区。1号线是马里博尔最常出现的线路，并且在15路巴士站点停靠，停止。该模型根据所收集的有关2周内巴士位置的信息进行评估 从2016年5月30日至2016年6月12日。第一周收集的数据用于确定时间段和 总线网络每条链路上的旅行时间的计算以及第二周的数据被用于 对提出的模型进行评估。

4.1时间段的确定

时间段是基于观测的第一周进行的270次运行。期限是基于 整个路线的平均旅行时间。所获得的数据显示平均行程速度显着不同 个别运行之间（图3）。公交车在深夜，清晨和夜间的平均速度最大 在周末的大多数运行中。

根据测量的整个路线上的行驶速度数据，制定了四个时间段： 上午期间（周一至周五，上午6点至下午12点），下午期间（周一至周五，12点至7点），清晨，傍晚 期间（周一至周五，上午6点之前，下午7点之后）和周末期间（周六，周日）。获得的数据显示，整个路线的平均行程速度是平日期间最低的下午。由于所分析的数据是针对远离城市的方向，所以预计不会出现上涨中央。早上和周末的平均旅行速度非常相似。

4.2公交线路数据模型

如上所述，针对数据总线1提出了四种模型.DM1由30个链路组成。 链接的开始 终点是由潜在的障碍和巴士站决定的。 DM2中的链接的开始和结束是 由巴士站决定。 在DM3中，每个链接的开始和结束点都在中间确定 影响公交车行驶速度的两个潜在障碍。 沿线1有22个链接。DM4中的链接是100米 长。 因此这种类型的模型有75条链路。

4.3 提出的模型的验证

建议模型的验证在340次运行中进行（下午116次，上午106次 期间，周末34次，清晨/傍晚期间84次）自2016年6月6日至6月12日 2016年为四种不同类型的数据网络。 数据也按时间段分列，即早上 星期一至星期五的小时，星期一至星期五的下午时间，周末以及清晨和晚上 晚上跑步。还有一次模型验证 期。 总共有192,084辆公交车到达预测 已经计算了在公共汽车站的时间。 每个 一块关于当前位置的信息 巴士，预计所有巴士站的巴士到达时间 沿线进行了计算。模型的结果是基于差异的 在观测和计算的预测巴士之间 在三个不同的评估公交车站到达时间 方法。测量模型的准确性 由平均绝对误差（MAE）之间 观察和计算旅行时间并作为a给出 观察到的与观察到的偏差的百分比 计算的旅行时间（MRA - 平均相对误差）。 以用户的百分比进行评估 感知对应预测（UPCP）， 即最多1分钟的预测偏差 从当前位置到目标停止的旅行时间 最多5分钟，最多2分钟预测 旅行时间偏差达10分钟，a 最多3分钟预测偏差为 旅行时间超过10分钟。一个对比 在巴士站和巴士站预测巴士到达时间 实际到达时间是针对所有14辆公交车进行的 沿线停下来。最少的预测是 比较公交车站P1（2,871）和最多 线路上的最后一个公共汽车站，P14（21,793）。通过比较预计和观测的公交车旅行时间之间的差异，计算MAE 建议的公交网络数据模型，关于完整观测时段的公交车旅行时间的时间段， 以及在特定时间段内观察到的时间段。

您可能感兴趣的文章

• 精益和自动化生产及物流外文翻译资料
• 精益自动化生产和物流外文翻译资料
• 精益化和自动化的制造和物流外文翻译资料
• 精益自动化的制造和物流外文翻译资料
• 生产与物流的精益化和自动化外文翻译资料
• 无刷直流电机闭环速度控制原型设计与实现方法外文翻译资料
• 无线HART网络控制外文翻译资料
• 基于单片机的智能鱼缸的设计外文翻译资料
• 基于单片机的盆花自动浇水控制系统设计外文翻译资料
• 基于PLC的空气循环净化系统外文翻译资料