基于卡尔曼滤波的公交站点短时客流预测_张春辉
基于Kalman滤波的城市环路交通流短时预测研究
Ｏ 引 言
为建 立交 通实 时 控制 系统 ， 在 ２ 早 Ｏ世 纪 ６ ＂ ０－ ７ Ｏ年代 ， 们 开始 把 各种 预测 模 型 用 于短 时交 通 人 流量 预测 中［２。从 表 现形 式上 ， 时交通 流量 预 １３ － 短 测方 法 ， 分 成基 于确 定 的 数学 模 型 的方法 和无 可
［ ， （）… ， 志］Ｃ： ｃ（）ｃ 志 ， ｃ（） ， 为状态 变量 。 虑到 一 考
些 较 长 的路段 ， 模 型考 虑 个 时段 各 出人 口的 本
交通 流 量 （ ｋ ｋ ， ， 一 ＋１时段 的交 通 流 即 ， 一１ …Байду номын сангаасｋ 量） 对路 段 上 的交通流 量 的影 响［ ］ ５。 交 通 流量 预测模 型为
通 流 量 ， 与路 段 两端 各 人 口和 出 口的交 通 流量 它 有 关 ， Ｖ（ ） ｋ时 刻 的各 出人 口的交通 流 量 向 设 ｋ是 量 ， ｋ ） ｋ时 刻前一个 时刻的各 出人 口的交 Ｖ（ 一１ 是 通 流量 向量 。 。 ， ．’ 一 是参 数 矩 阵 ， 一 ．日 Ｈ
状况 的 预测 。 ｗａ ｕａ ｉ 用Ｋａｍａ １ ｏＯｋ ｔｎ［利 ３ ｌ ｎ滤 波理 论建 立 了 交 通流 量 预 测模 型 ， 预测 结 果优 于用 其 ＵＴ Ｓ ２的预 测 方 法 的 预 测 结 果 。Ｖｙｈ ｔａ Ｃ一 ｔｏ ｋ ｓＰ Ｃ［ 提 出 了基 于 Ｋａｍａ ４ ｌ ｎ滤 波 理 论 的 交通 流 量 预
（ 一 ＋ １ 志 ）＋ Ｗ （ ） （ ） 志 １
利 用 Ｋａｍａ ｌ ｎ滤 波理论 ， 得到 如下方 程组 易
（ ）一 Ｘ （ ｋ一 １ 志 志Ｉ ）＋
基于Elman神经网络的道路网短时交通流预测方法
Ｖ０ ． ０ １１ Ｆ ｂ ｕ ｒ ｅ ｒ ａｙ
Ｎｏ． １ ２ ０１ ０
文章 编 号 ：１０ —７ ４（ ０ ０ ｌ０ ４ —７ ０ ９ ６ ４ ２ １ ）Ｏ 一 １５０
基 于 Ｅｍａ ｌ ｎ神 经 网 络 的 道 路 网 短 时 交 通 流 预 测 方 法
董春娇， 邵春福 熊志华， 娟 ， 李
解 空 间 维数 ， 高 交 通 流 预 测 的 计 算 精 度 和 效 率 ； 次 以 实 时 采 集 的 交 通 流 数 据 为 基 提 其
础 ， 以重构 的 交通 流时 间序 列作 为输 入 ， 用 Ｅｍ ｎ神 经 网络 实现道 路 网 多断 面 交通 并 采 ｌａ
基于LSTM和Kalman滤波的公交车到站时间预测
基于LSTM和Kalman滤波的公交车到站时间预测范光鹏;孙仁诚;邵峰晶【摘要】The construction of intelligent transportation system has become the main problem facing the development of urban transportation.The prediction of bus arrival time is an important part of intelligent transportation system.Bus arrival time data is time-series data with long-term and short-term characteristics,and the bus is susceptible to external factors,so the bus arrival time is also dynamic.Based on the above problems,a bus arrival time prediction model based on LSTM and Kalman filtering was proposed,in which LSTM model was used to predict the basic time series of bus arrival and arrival,and Kalman filtering model was used to dynamically adjust the basic time series.Finally,the adjusted prediction accuracy,mean square deviation and mean absolute deviation were respectively compared with those predicted by LSTM,SVM and SVM + Kalman models.It was proved that the accuracy,mean square deviation and average absolute deviation of LSTM + Kalman model prediction were better than the comparative model.%智能交通系统的建设已成为城市交通发展面临的主要问题,其中公交车到站时间预测是智能交通系统的重要组成部分.公交车到站时间数据是具有长期和短期特性的时间序列数据,而且公交车易受到外来因素的影响,因此公交车到站时间也是动态变化的.基于上述问题,提出基于LSTM和Kalman滤波的公交车到站时间预测模型,其中LSTM模型用来预测公交车到站的基础时间序列,Kalman滤波模型用于对基础时间数据序列进行动态调整,最终将调整后的预测值的正确率、均方差、平均绝对偏差分别与LSTM、SVM、SVM+Kalman模型预测结果进行对比,证明LSTM+ Kalman模型预测值的正确率,均方差和平均绝对偏差均优于对比模型.【期刊名称】《计算机应用与软件》【年(卷),期】2018(035)004【总页数】6页(P91-96)【关键词】智能交通;公交车到站时间;LSTM模型;Kalman滤波;时间序列【作者】范光鹏;孙仁诚;邵峰晶【作者单位】青岛大学计算机科学技术学院山东青岛266071;青岛大学计算机科学技术学院山东青岛266071;青岛大学计算机科学技术学院山东青岛266071【正文语种】中文【中图分类】TP391.90 引言随着国民经济的发展，私家车数量越来越多，给城市交通带来巨大压力，交通问题已成为城市发展面临的巨大问题，因此建设智能交通系统是城市交通建设的主要任务。
组合非参数回归和卡尔曼滤波的公交车到站时间预测
第 一作 者简介 ： 计 晓昕（ １ ９ ８ ９ 一 ）， 女， 硕 士研 究生 ， 研究方 向 ： 公共 交
通 。Ｅ—ｍａ ｉ ｌ ：１ ２ １ ２ ０ ８ ６ ９ ＠ｂ ｊ ｔ ｕ ． ｅ ｄ ｕ ． ｃ ｎ 。
９ ５ ８ ２
科
学
技术Biblioteka 与工程 １ ３卷
２公 交 车 到 站 时 问 预 测 模 型 与 算 法
＠
２ ０ １ ３ Ｓ ｃ ｉ ． Ｔ ｅ ｃ ｈ ． Ｅ ｎ ｇ ｒ ｇ ．
组合非参 数回归和卡尔曼滤波的 公交 车到站时 间预测
计 晓昕 关 伟
（ 北京交通大学交通运输学 院， 北京 １ ０ ０ ０ ４ ４）
摘
要
准确预测公交车到站 时间并实 时向公交乘客发布 ， 是提 高公交车服 务水平 的关键 因素。在采集 的公交 车 Ｇ Ｐ Ｓ数据
用 到公 交车 到站 时 间 的预 测 中 ， 并 比较 了 历 史平 均 模型、 人 工 神 经 网络 模 型 和 非 参 数 模 型 的 预 测 效
１ 数据准备
公交 车辆 Ｇ Ｐ Ｓ车载设 备通 过 Ｇ Ｐ Ｒ Ｓ无 线 网络传 输， 将 公交 车运 行数 据 以一 定 的格 式 存 储 在 文本 文 件 中。利 用协 议 可 提 取 的有 用 信 息 有 ： 线路 号、 上 下行方 向 、 车辆 编 号 、 经度 坐标 、 纬度 坐 标 、 速度等。
果 。预测 结果表 明， 该模型具有较高 的预测精度 。
关键词
公 交车到 站时间
Ｇ Ｐ Ｓ
预测
非参数 回归 Ａ
卡 尔曼滤 波
中图法分类号 Ｕ ４ ９ １ ． １ ７ ；
文献标志码
基于卡尔曼滤波的公交站点短时客流预测
化 明显具 有代表 性 的 站 点进 行 了采 集数 据 和 实例 分析 ， 数据 结 果 的 平 均 绝 对误 差 为
５ １ ７ １ 均方误 差 为 ０ ７ ６ １ 表 明提 出的模 型与算 法 可以有 效地对短 时公 交客 流进行 ． ７ ， ．９ ， 预 测．与 人 工 神 经 网 络 预 测 结 果 比较 ， 相 同 的 实 例 数 据 下 ， 平 均 绝 对 误 差 为 在 其
ｒ ａ ｕｓ ｌｎ ｅ ｌ ｂ ｉ ｅ， ａ ｔ ｐ ｃ ｌ ｂｕ ｓ ａ ｉ ｎ ｗｉｈ ｌ ｒ ｅ ａ ｄ ｓ ｇ ｉ ｃ ｎｔ ｈ ｎｇ ｄ ｐａ ｓ ｎ ｅ ｏ ｙ ｉ ａ ｓ ｔ ｔｏ ｔ ａ ｇ ｎ ｉ ｎ ｆ ａ ｌ ｃ ａ ｅ ｓ ｅ ｇ ｒ ｆ ｗ ｉ ｈｏ ｅ ｔ ｅ ａ ｉ ｙ ｌ ｓｃ ｓ ｎ ｏ ｂ ｎ
ｓ ｏ ｔ ａ ｈ ｌ ａ ｌｅ — ｓ ｄ ｍ ｏ ｅ ｓ ｍｏ ｅ ａ ｃ ｒ ｔ Ｔｈ ａ ｃ ｌ ｔ ｄ ａ ｅ ａ ｅ ａ ｏ ｕｔ ｒ ｏ ｓ ５．１ １ ｈ ｗ ｈ ｔ ｔ ｅ Ｋａ ｍ ｎ ｆ ｔ ｒ ｂａ ｅ ｄ ｌｉ ｒ ｃ ｕ ａ ｅ． ｉ ｅ ｃ ｌ ｕ ａ ｅ ｖ ｒ ｇ ｂｓ ｌ ｅ ｅ ｒ ｒ ｉ ７７
ｅａ ｘ ｍｐｌ Ｔ ｒ ｄ ｃｉｎ ｍｅｈ ｄ ａ ｈ ｒｉ ｃａ ｅ ｒ ｌｎｅｗｏ ｋ ｈａ ｅ ｎ ｃ ｍｐ ｒ ｄ ｗｉｈ ｔ ｅ ｒ ｓ ｌｓ，ｗｈｉｈ ｅ． ｈｅ ｐ ｅ ｉｔｏ ｔ ｏ ｎｄ ｔｅ ａ ｔ ｉ ｌｎ ｕ ａ ｔ ｒ ｄ ｂ ｅ ｏ ａ ｅ ｔ ｈ ｅ ｕ ｔ ｉ ｆ ｃ
Ｋａ ｍ ａ ｌｅ － ｓ ｄ Ｓ ｏ ｔＴｅ ｍ ｓ ｅ ｇ ｒ Ｆｌ ｗ ｌ ｎ Ｆｉ ｒ－ ｅ ｈ ｒ ・ ｒ Ｐａ ｓ ｎ ｅ ｏ ｔ Ｂａ －
基于浮动车的路段行程时间卡尔曼滤波预测算法
基于浮动车的路段行程时间卡尔曼滤波预测算法龚珊*尹相勇 朱爱华(北京交通大学 交通运输学院，北京 100044)摘 要: 本文以浮动车数据为信息来源，利用路段上返回的浮动车数据，建立了卡尔曼滤波模型，进行以5min 为一个时段的路段行程时间的短时预测。
并基于杭州市浮动车数据，进行了路段行程时间预测的实例分析，验证了模型的有效性。
关键词: 路段行程时间 浮动车 卡尔曼滤波Link Travel Time Prediction Method Based on Kalman Filtering and ProbeVehicleGong Shan Yin Xiangyong Zhu Aihua(The school of traffic and transportation, Beijing Jiaotong University, Beijing 100044, China )Abstract ：In this paper, based on the data of probe vehicle on the road, we apply Kalman filtering to establish a new model, which can predict the link travel time using 5 minutes as a time interval. Finally we give a demonstration of link travel time prediction to verify models’ validity based on the floating car date gathered from Hangzhou. Keywords: link travel time, probe vehicle, kalman filtering1 引言路段行程时间预测是交通流诱导系统的重要研究内容之一，目前国内外关于实时行程时间预测的研究成果较多，主要有历史趋势、时间序列、参数回归模型、卡尔曼滤波模型、神经网络等几种方法，大多是对传统方法的改进和对模型参数标定方法的探讨[1~4]。
基于模糊卡尔曼滤波的短时交通流量预测方法
基于模糊卡尔曼滤波的短时交通流量预测方法郭海锋;方良君;俞立【摘要】A new short-term traffic flow prediction model is proposed which is based on the Kalman filtering predictions. In order to avoid the time lag problem on the flow prediction, the Kalman filtering prediction model existed is improved and the parameters of the model are determined by the fuzzy logic method. This fuzzy Kalman filtering traffic flow prediction model can accurately predict short-term traffic flow in real time. Experimental results show that the new model has higher accuracy and better instantaneity compared to the traditional Kalman filtering model. The average relative error is reduced to 0. 27%,, average absolute relative error is reduced to 7. 26% lower and absolute maximum relative error is reduced to 32. 43%. It further improves the prediction accuracy.%为解决卡尔曼滤波模型预测交通流量存在的时间滞后性问题,在已有卡尔曼滤波短时交通流量预测模型基础上,结合城市道路交通流日相似性特点,对已有卡尔曼滤波预测模型进行改进,并通过模糊逻辑方法对改进模型中的参数加以确定,设计出模糊卡尔曼滤波交通流量预测模型,从而对短时交通流量进行实时准确预测.数值分析及对比结果表明:相较于卡尔曼短时交通流量预测方法,模糊卡尔曼短时交通流量预测方法能够提升预测过程的实时性,并使平均相对误差降低0.27％,平均绝对相对误差降低7.26％,最大绝对相对误差降低32.43％,进一步提高了预测精度.【期刊名称】《浙江工业大学学报》【年(卷),期】2013(041)002【总页数】4页(P218-221)【关键词】卡尔曼滤波;模糊逻辑;短时交通流;预测模型【作者】郭海锋;方良君;俞立【作者单位】浙江工业大学信息工程学院,浙江杭州310032【正文语种】中文【中图分类】U491.14短时交通流量预测是以检测设备获得的实时交通数据为基础，通过构建的模型和方法预测下一时段的交通流量.交通流量的预测结果通常对实时交通信息发布系统、交通信号控制系统和动态交通诱导系统产生较大影响.为提高短时交通流量的预测效果，已有文献从不同角度构建模型对这一问题进行了广泛的研究［1-4］.比较而言，Iwao Okutani和Vythokas P C提出的卡尔曼滤波预测模型的预测效果优于著名的UTCS-2方法的预测效果，预测结果精度较高，模型鲁棒性较强［5-6］.由于卡尔曼滤波预测模型的上述优点，使其在各智能交通子系统中得到了大量应用.但是已有卡尔曼滤波预测模型的预测结果尚存在一定的时间滞后性问题，直接影响了动态实时交通信息发布、交通控制和交通诱导系统的实施效果.为了解决这个问题，笔者提出一种基于模糊卡尔曼滤波的短时交通流量预测方法.首先采用卡尔曼滤波理论建立交通流量预测模型，再结合城市道路每日交通流存在相似性的特点，对卡尔曼滤波预测模型进行改进，并通过模糊逻辑对改进模型中的参数进行确定，最终利用模糊卡尔曼滤波预测模型对短时交通流量进行预测.交通流量预测模型主要是基于路段动态交通流建立的，如图1所示.图1中dn为置于道路中的检测器，νn（τ）为相应检测器dn在时段（（τ-1）T，τT］检测到的交通流量，其中τ=1，2，…，n，T为预测周期，一般取值为5～15 min，QL（τ）为在时段（（τ-1）T，τT］路段L上的交通流量.易知路段交通流量主要由前几个时段出入口的交通流量决定，从而可得路段交通流量预测模型［7］为式中：ˆQL（τ+k）为τ时刻后k个时间段的路段L上的交通流量向量，它与路段两端出入口的交通流量有关；V（τ）=［ν1（τ），ν2（τ），…，νm（τ）］T 是在时段（（τ -1）T，τT］各出入口的交通流向量，其中νm（τ）是在时段（（τ-1）T，τT］某个入口或出口的交通流量，它包含对交通流量预测一些有用的预测因子，可以通过检测器直接观测到；V（τ-1）是在时段（（τ-1）T，τT］前一个时段（（τ-2）T，（τ-1）T］各出入口的交通流向量；H0，H1，…，Hn-1为参数矩阵，Hk=［c′1（τ），c′2（τ），…，c′m（τ）］，c′m（τ）为状态变量；考虑到较长的路段，在计算时考虑三个时间段各出入口的交通流量对路段L 的影响，即上式n=3；m为路段上入口和出口所考虑的检测器总数；ω（τ）为观测噪声，假定期望为零的白噪声，它的协方差矩阵为R（τ）.为了方便应用卡尔曼滤波理论预估状态变量，特将式（1）作变换：可得式中：z（τ）为观测向量；X（τ）为状态向量；A（τ）为观测矩阵；B（τ）为状态转移矩阵，B（τ）=I；υ（τ-1）为模型噪声，假定期望为零的白噪声，它的协方差矩阵为Q（τ-1）.利用卡尔曼滤波器预测交通流量可分为两个部分：时间更新方程和测量更新方程.时间更新方程负责及时向前推算当前状态变量和误差协方差估计的值，以便为下一个时间状态构造先验估计.测量更新方程负责反馈---也就是说，它将先验估计和新的测量变量结合以构造后验估计.时间更新方程也可视为预估方程，测量更新方程可视为校正方程.最后的估计算法成为一种具有数值解的预估-校正算法.这里时间更新方程为测量更新方程为计算完时间更新方程和测量更新方程，整个过程再次重复.在以往文献中（如文献［7］）通常将QL（τ+k）=A（τ）ˆX（τ）作为预测结果，然而从式（7-11）卡尔曼滤波步骤看，该预测结果是将噪声滤掉后的结果，而不是最终的预测结果.只有在观测值不可用或不可靠时，才可认为滤波与预测等价，文献［7］所给出的预测结果才合理，但是通过上述分析，预测过程的观测值显然是可靠的.从式（10）可以看到已经用到了实际需要的预测值，所以对已有卡尔曼滤波交通流参数预测方式改进，通过图2方式对交通流参数进行预测.改进后的交通流量预测结果为对城市道路交通而言，工作日同一路段每天的交通流量具有相似的变化趋势，存在早晚高峰，其交通流量时域波形呈现较为明显的马鞍状.为了提高卡尔曼滤波预测的精确度，并改进其实时性，在式（12）的基础上加入工作日平均交通流量，改进后的预测模型为式中L（τ+k）为预测的最终结果（τ+k）为同时期历史平均流量；ˆQL（τ+k）为卡尔曼滤波的预测结果；γ为历史值权重系数.式（13）中的历史权重值γ通过模糊逻辑进行确定.模糊逻辑又称模糊推理，它采用模糊集方法，如模糊综合评判、模糊统计判断及模糊优化等，解决不确定现象和模糊现象，是应用人类多年经验的一种感知判断能力来进行决策的方法［8］.模糊规则：以相对误差，平均相对误差，平均绝对相对误差，作为模糊综合判断指标，参数γ越大，则当前交通流量变化趋势更接近历史平均；反之，则当前交通流量变化趋势更接近卡尔曼滤波预测值.最优值从对象集｛0.0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1.0｝中选取.以评价指标作为确定因素集V=｛v1，v2，v3｝，v1为相对误差：v2为平均相对误差：v3为平均绝对相对误差：确定隶属度：因素集里的每个因素，该值越小，该方案的隶属度愈大.取rij∈［0，1］，用线性模型来确定隶属度：式中：Rj为选择每个对象所得的误差；rij为确定的隶属度；i∈［1，3］为因素集数；j∈［1，11］为所指代的对象序号.得到评价矩阵为采用层次分析法确定权数集A=（a1，a2，a3）=（0.163，0.297，0.540）.经过一致性验证：CR= 0.007 2＜0.10，说明权数分配合理.最后合成运算为得到集合B=｛b1，b2，…，b11｝，选择与计算值最大相应的对象值作为最优选择，将选得最优选值与先前的最优选值叠加求均值，即为所求的γ值.为了检验预测模型的预测效果，以杭州市庆春路-中河路交叉口作为研究对象，获取该路口通过环形感应线圈为交通控制系统（SCATS系统）提供的交通流量和占有率等数据.抽取2008年7月某一周的交通流量数据作为样本，研究的车流方向为由东到西，时间间隔采用15 min，即每15 min采集一次交通流量.为了与原卡尔曼滤波预测结果相比较，引入的性能指标有相对误差见式（14），平均相对误差见式（15），平均绝对相对误差见式（16），而最大绝对相对误差为预测的结果和实际获得的数据如图3，4所示.通过图3，4的对比可以看出：卡尔曼滤波模型存在较强滞后性，而改进后的模糊卡尔曼预测模型预测结果具有较强的实时性.通过图5中预测值与实际值的相对误差对比可以看出：模糊卡尔曼预测模型较原始的卡尔曼滤波模型具有更高的预测精度.卡尔曼滤波模型与模糊卡尔曼滤波模型预测值各项指标见表1.从表1中的各项指标对比可看出：模糊卡尔曼滤波模型的各项指标结果均优于卡尔曼滤波模型.在已有卡尔曼滤波短时交通流量预测模型的基础上，结合城市道路交通流量日相似性特点，设计了模糊卡尔曼滤波交通流量预测模型，并采用杭州市庆春-中河路交叉口的实际交通流量数据对模型进行了验证.实验对比分析表明：将历史流量参数引入到预测模型中，可以提高预测精度；此外，模糊卡尔曼滤波交通流量预测模型改进了传统卡尔曼滤波交通流量预测模型存在的时间滞后性问题，能够为动态实时系统提供较为准确的预测数据.【相关文献】［2］ HU Xiao-jian，WANG Wei，SHENG Hui.Urban traffic flow prediction with variable cell transmission model［J］.Journal of Transportation Systems Engineering and Information Technology，2010，10（4）：73-78.［3］ XUE Jie-ni，SHI Zhong-ke.Short-time traffic flow prediction based on chaos time series theory［J］.Journal of Transportation Systems Engineering and Information Technology，2008，8（5）：68-72.［4］ LAN Jin-hui，GUO Min，LU Hai-feng，et al.Short-term traffic flow combination forecast by co-integration theory［J］. Journal of Transportation Systems Engineering and Information Technology，2011，11（3）：71-73.［5］ IWAO O.Dynamic prediction of traffic volume through kalman filtering theory ［J］.Transp Res，1984，18（1）：1-11.［6］ VYTHOULKAS P C.Alternation approaches to short term traffic forecasting for use in driver information systems［C］// Transportation and Traffic Theory.California：Elsevier Science Publishers，1993.［7］杨兆升，朱中.基于卡尔曼滤波理论的交通流量实时预测模型［J］.中国公路学报，1999，7（3）：63-67.［8］王先逵，吴丹.制造技术中的模糊逻辑决策研究［J］.中国机械工程，2000，11（1/2）：157-162.［1］刘静，关伟.交通流预测方法综述［J］.公路交通科技，2004，21。
基于深度学习的公交到站时间预测研究
TRAFFIC AND SAFETY | 交通与安全时代汽车 基于深度学习的公交到站时间预测研究张军芳1 杜鹏2 房月华1 张利民1 赵鑫31.衡水学院数学与计算机学院 河北省衡水市 0530002.衡水学院电子信息工程学院 河北省衡水市 0530003.衡水学院科研处 河北省衡水市 0530001 引言公交到站时间预测是智能公共交通信息服务系统的重要组成部分，精确的到站时间能有效缓解站台等车乘客的焦虑情绪，让出行者合理安排出行计划。
调查结果表明，公交乘客根据预测信息合理选择乘车的时间，能使乘客节约63％的等待时间；而对于管理者而言，准确的到站时间信息是实现灵活调度、科学管理的前提[1]。
目前城市公交公司已经将到站预测运用于公交公司的运营调度中，然而车辆的到站时间受实时的天气、交通状况、交通需求等诸多因素的影响，所以实时准确的公交到站时间预测既是智能公共交通服务系统的重点，又是公交运行管理的难点。
目前，国内的公交车辆普遍安装了车载GPS装置。
国内上海、南京、广州等一些大城市，在市区内的一些特殊线路候车站点上都安装了电子停车标志，以告知乘客车辆的预计到达时间。
一些互联网公司也通过开发手机软件来发布实时公共交通信息，比较美国的谷歌地图，国内的高德地图，百度地图等，基本上都配置了公交线路实时信息查询的功能，用户可以登录手机应用程序查看市区内的公交线路，公交站点与站点的地图，以获得车辆的到达时间[1]。
根据衡水市公交运行数据，结合公交运行与调度情况，综合考虑衡水市公交运行时段、天气状况、道路基础设施、是否交叉路口、是否高峰路段等因素，建立混合模型，预测公交运行的准时性。
2 方法介绍研究发现，人工神经网络（ANN）只能记忆短时期的信息，信息随着学习量的增多或者学习周期的增长将会导致梯度消失或者梯度爆炸现的发生象[2，3]。
长短时记忆网络 （LSTM）是一种特殊的RNN网络模型，由 Hochreiter等人[4]于1997年提出，后期被 Alex Graves进行了改进和应用[3，5]，该模型可以记忆长时期的规律，并且有效避免梯度消失现象[3，4]。
基于改进卡尔曼滤波的轨道交通站台短时客流预测
基于改进卡尔曼滤波的轨道交通站台短时客流预测张智勇;张丹丹;贾建林;梁天闻【摘要】在对站台短时客流特性进行分析的基础上,基于卡尔曼滤波理论,提出了改进卡尔曼滤波短时客流预测模型,并给出了模型的求解过程.选取北京市客流量较大、客流变化明显的岛式站台、侧式站台、普通站台、换乘站台进行数据采集和实例分析.结果表明,该预测模型的平均绝对误差为0.299,均方误差为34.094,均等系数为0.923,提出的模型可以有效地对短时地铁客流进行预测.相较于传统卡尔曼滤波预测方法,改进的卡尔曼滤波短时客流预测方法能够提升预测信息的实时性,并使平均绝对误差降低了0.448,进一步提高了预测精度.%Based on kalman filtering theory ,a improved Kalman filter short-term prediction model is put forward and the solving process is presented after the characteristic analysis of rail transit plat-form .The data acquisition and example analysis are carried out on the island platform ,side platform , common platform and transfer platform with large passenger flow and obvious change of passenger flow in Beijing .The results show that the average absolute error of the model is 0 .299 ,the mean square error is 34 .094 ,and the equal coefficient is 0 .923 ,w hich reveals that the proposed model can effectively predict the short-term subway passenger flow .Compared with the traditional Kalman filte-ring prediction method ,the improved Kalman filter short-term passenger flow forecasting method can improve the real-time information of prediction ,reduce the average absolute error by 0 .448 ,and has higher prediction accuracy .【期刊名称】《武汉理工大学学报（交通科学与工程版）》【年(卷),期】2017(041)006【总页数】4页(P974-977)【关键词】轨道交通;短时客流预测;卡尔曼滤波【作者】张智勇;张丹丹;贾建林;梁天闻【作者单位】北京工业大学城市交通学院北京 100124;北京工业大学城市交通学院北京 100124;北京工业大学城市交通学院北京 100124;北京工业大学城市交通学院北京 100124【正文语种】中文【中图分类】U491城市轨道交通凭借大运量、低能耗、安全、准时、快速等优势，已成为城市通勤乘客最重要的出行方式之一.站台作为轨道交通系统与乘客直接交互的服务平台，乘客聚集现象最为明显.因此，及时分析站台客流数据，准确预测和掌握站台客流数据，对于提高轨道交通车站运营安全和运营效率、增强高峰时段车站运输能力具有重要意义.轨道交通车站站台的客流量随机性较大，受站台尺寸设计、站点附近土地利用形式、突发事件以及天气因素等因素的影响较大，很难准确预测.目前，国内外学者主要运用神经网络法和灰色预测法[1-4]、时间序列法[5-7]等中长期客流预测方法对轨道交通进行短期和长期客流预测.由于轨道站点站台客流受随机性影响因素较大，因此，将中长期客流预测方法应用于短时客流预测效果不佳.李文权等[8]基于小波理论提出了公交站点短期客流预测方法；宋瑞等[9]基于卡尔曼滤波理论提出公交站点短时客流预测模型.但这些研究没有考虑研究站点受同期历史客流的影响，实时性较差.针对以上问题，文中提出一种基于改进卡尔曼滤波的轨道交通站台短时客流预测方法.通过分析站台短时客流特性，采用卡尔曼滤波理论建立预测模型.综合考虑站台客流的日相似性，站台历史同期数据，利用两周中同周次的两天客流量比值作为客流原始数据，建立改进后的卡尔曼滤波预测模型.最后，以北京市典型车站站台为例对模型进行验证.轨道站点站台的短时客流量受很多因素的影响，按照性质不同可以分为固定因素和随机因素.固定因素包括：车型、站台尺寸、站点周围土地利用形式等.随机性因素包括：天气、突发事件、大型活动等.随机因素和固定因素的共同作用使得站台客流呈现复杂的动态随机特性.短时客流预测是基于获得的实际交通数据，通过构建模型和提出算法来预测未来短时段内某一时段客流量.由于列车运行时刻的周期性，站台客流呈现非线性周期特征，以北京市轨道交通站台客流数据为例，见图1.轨道站点站台的短时客流变化具有周期性，受历史同期客流影响，同时还与相邻时间间隔的客流相关。
基于卡尔曼滤波交通预测的交叉口时空优化
基于卡尔曼滤波交通预测的交叉口时空优化随着城市交通拥堵问题的日益严重，人们对于交通预测和优化的需求越来越迫切。
卡尔曼滤波是一种经典且有效的估计和预测方法，可用于交通预测。
在本文中，我们将讨论基于卡尔曼滤波的交通预测，并结合时空优化来解决交叉口拥堵问题。
在交通预测中，卡尔曼滤波可以用于估计交通流量、速度和密度等参数，并根据历史观测值和模型预测值进行预测。
首先，我们需要构建一个数学模型来描述交通流动的动态过程。
常用的交通流动模型包括宏观模型（如LWR模型）和微观模型（如车辆跟踪模型）。
通过观测交通流状态（如车辆数量、速度等），我们可以使用卡尔曼滤波来估计未来的交通状态。
卡尔曼滤波通过最小化预测误差和观测误差的加权和，得到最优估计。
然而，仅仅进行交通预测是不够的，我们还需要针对交叉口进行时空优化，以减少交通拥堵。
交叉口是交通网络中最重要的节点，也是交通流动的关键瓶颈。
通过优化交叉口的信号控制和车辆调度，可以改善交通流动，减少拥堵。
传统的交通信号优化方法主要基于周期信号和固定的时序计划，很难适应交通流的时空变化。
因此，结合时空优化方法和卡尔曼滤波可以更好地解决交叉口拥堵问题。
时空优化可以通过实时调整信号控制方案和实时调度车辆来实现。
首先，我们可以使用卡尔曼滤波预测未来的交通流状态，并根据预测结果调整信号控制方案。
例如，在交通流量较大时，可以减少红灯时间，增加绿灯时间，以提高过街能力。
其次，可以根据交通流预测结果，调度车辆的行驶路径和出发时间，以避免交叉口拥堵。
例如，在预测到交通流量较大的路段时，可以将一部分车辆引导至其他路径或调整出发时间。
1.收集交通数据：利用传感器、摄像机等设备收集交通数据，包括车辆数量、速度、位置等信息。
2.构建交通模型：根据收集到的交通数据构建交通流动模型，如LWR 模型或车辆跟踪模型。
3.运用卡尔曼滤波：利用卡尔曼滤波对交通数据进行估计和预测，得到未来一段时间内的交通流状态。
4.时空优化：根据预测结果，调整交叉口信号控制方案和车辆调度策略，以优化交通流动和减少拥堵。
基于扩展卡尔曼滤波的公交车行程时间研究
link appraisement扬州大学建筑科学与工程学院周倩雯，扬州大学，建筑科学与工程学院，硕士研究生，周倩雯下；而卡尔曼滤波法因其具有误差小、波动稳定等优势，在众多预测模型中脱颖而出。
本文将在卡尔曼滤波法的基础上，研究扩展卡尔曼滤波法对公交车行程时间的预测精度。
扩展卡尔曼滤波法（EKF）扩展卡尔曼滤波法（EKF）是卡尔曼滤波法（KF）的延伸，相较于传统的卡尔曼滤波法，扩展卡尔曼滤波法更加适用于非线性系统的估算和测试，其主要思想是通过迭加运用泰勒的展开项，扩展卡尔曼滤波法主要用的是一阶泰勒公式，在舍去最高项之后，通过获取非线性函数在mean 的斜率来构造函数，最后把剩余的项带入卡尔曼滤波算法，从而完成非线性化系统的测量与评估。
扩展卡尔曼滤波法不再全部依托于模型，其可以通过使用一些技术方法弥补卡尔曼滤波缺陷。
公交车行程时间扩展卡尔曼滤波预测方法与步骤扩展卡尔曼滤波法是以最小方差为准则，其主要是以观察变量和实际值的误差来计算当前的变化量，它是目前最常见的预测方法之一，在整个过程中，卡尔曼滤波不仅稳定而且测量精准。
状态方程和离线方程如式（1）所示： k k k k w u x f x +=+),(1 （1）k k k k v u x h z +=),( （2）这里对于泰勒公式展开舍去最高项：k k k k k k k k w x A u x f x A x +−+=+ˆ),ˆ(1 （3）k k k k k k k k v x H u x h x H z +−+=ˆ),ˆ( （4）k w 为高斯白噪声，k v 为观测噪声向量，协方差为Q 或R。
定义：k k k x u x f A ),(∂∂=k h H ∂=+−−−−−+ −−= 0)exp(1()exp(1()exp( 00 )exp( 00 0 1w w w i C R T R CR T R Q k T k k U U U C R T C RTU U SOC （13）公交车行程时间对比分析为了验证结果的准确性，本文将运用扩展卡尔曼滤波算法得出的值与真实值做对比。
车辆位置数据处理及动态出行路径诱导技术
2020耳第12剧文章编号：1009-2552(2020)12-0129-05DOI：10.13274/ki.hdzj.2020.12.026车辆位置数据处理及动态出行路径诱导技术张春辉(中国市政工程华北设计研究总院有限公司，天津300110)摘要：车辆路径诱导技术的发展，为公众的日常出行提供了极大的便利。
为了提高车辆诱导技术的诱导精度，研究对Dijkstra最短路径算法进行了改进，提出了动态最短路径诱导技术。
通过在S市路网中的仿真分析，验证改进算法的有效性。
研究结果显示，车辆的路径诱导结果符合实际交通状况，且在两个时段的预测行驶时长仅相差26.3s，这说明动态最短路径诱导技术具有可行性，并且能够较好地满足公众日常出行需要。
此次研究所提出的动态最短路径算法表现出良好的可行性和适用性，并对于提高车辆出行效率、改善城市交通堵塞等问题具有借鉴性意义。
关键词：车辆位置；数据；出行；路径；算法中图分类号：U491文献标识码：AVehicle location data processing and dynamic route guidance technologyZHANG Chun-hui(North China Municipal Engineering Design and Research Institute Co.,Ltd.,Tianjin300110,China) Abstract：The development of vehicle route guidance technology provides great convenience for the public's daily travel.In order to improve the guidance accuracy of vehicle guidance technology,Dijkstra shortest path algorithm is improved,dynamic shortest path guidance technology is proposed.Through the simulation analysis in S city road network,the effectiveness of the improved algorithm is verified.The research results show that the results of vehicle route guidance are in line with the actual traffic conditions, and the predicted driving time difference between the two periods is only26.3s,which shows that the dynamic shortest route guidance technology is feasible and can better meet the needs of public daily travel.The dynamic shortest route algorithm proposed in this study shows good feasibility and applicability,and has reference significance for improving vehicle travel efficiency and improving urban traffic congestion.Key words：vehicle location；data；travel；route；algorithm0引言车辆的交通信息是交通管控的基础,它实时地反映了车辆位置的变化情况。
基于卡尔曼滤波算法的公交车辆行程时间预测
基于卡尔曼滤波算法的公交车辆行程时间预测
周文霞;徐建闽;刘正东
【期刊名称】《交通标准化》
【年(卷),期】2007(000)002
【摘要】通过分析公交车辆的行驶特性,利用卡尔曼滤波算法建立行程时间预测模型,并用该模型预测未来时段的公交车辆路段行程时间.预测结果表明,该方法预测精度较高,可有效地改善公交车辆动态调度效果,提高交通资源利用率,因此该方法具有推广意义.
【总页数】4页(P174-177)
【作者】周文霞;徐建闽;刘正东
【作者单位】华南理工大学交通学院,广东,广州,510641;华南理工大学交通学院,广东,广州,510641;华南理工大学交通学院,广东,广州,510641
【正文语种】中文
【中图分类】U4
【相关文献】
1.基于神经网络的公交车辆行程时间预测模型研究 [J], 何波;卢耀军;陈旭梅;林国鑫;朱琳
2.公交车辆行程到站时间预测模型优化研究 [J], 刘兆祥
3.公交车辆行程时间预测方法研究 [J], 周雪梅;杨晓光;王磊
4.基于多源数据融合的干线公交车辆\r行程时间预测 [J], 刘迎;过秀成;周润瑄;吕
方
5.基于GPS轨迹数据的公交车辆行程时间预测 [J], 陆阳
因版权原因，仅展示原文概要，查看原文内容请购买。
基于AP聚类的支持向量机公交站点短时客流预测
基于AP聚类的支持向量机公交站点短时客流预测杨信丰;刘兰芬【摘要】公交站点短时客流预测是公交调度决策的基础,文中设计了一种基于AP 聚类算法的支持向量机用于公交短时客流预测.该方法利用AP聚类算法将客流调查数据划分为若干个聚类子集,对每一子集建立支持向量机预测模型,并采用遗传算法对预测模型的参数进行优化选择.该方法在兰州市快速公交站点客流数据统计的基础上进行实例分析,结果表明:设计的遗传算法可以有效解决支持向量机模型中的参数优选问题,使用AP聚类算法对客流数据进行分类可以提高支持向量机的预测精度,该预测方法可有效的对公交车站客流进行短时预测.【期刊名称】《武汉理工大学学报（交通科学与工程版）》【年(卷),期】2016(040)001【总页数】5页(P36-40)【关键词】公交;短时客流预测;支持向量机;AP聚类算法;遗传算法【作者】杨信丰;刘兰芬【作者单位】兰州交通大学交通运输学院兰州 730070;兰州交通大学交通运输学院兰州 730070【正文语种】中文【中图分类】U491杨信丰(1978- )：男，博士，副教授，主要研究领域为运输系统分析与决策.*国家自然科学基金项目(批准号:61164003, 61364026)、教育部人文社会科学研究项目(批准号:13XJC630017)、甘肃省自然科学基金项目(批准号:1310RJZA032,148RJZA052)资助公交是一种高效利用道路资源的交通方式.掌握客流变化规律、准确预测客流是公交企业科学制定运营计划的基础和关键[1].公交站点短时客流预测是智能公交调度系统中重要的决策基础与技术支持[2].短时客流的随机性和时变性使得短时客流预测与中长期客流预测存在显著差异.公交短时客流预测已受到国内外学者的广泛关注，其研究方法主要有人工神经网络[3-4]、小波理论[5-6]、卡尔曼滤波[7]及支持向量机(support vector machine, SVM)[8-11]等.其中，SVM是一种基于统计学习理论的机器学习算法，在短时预测领域有较好的应用.影响SVM预测效果的因素主要有训练样本及训练参数.但不同时间公交短时客流的变化较大，很难直接采用原始训练样本得到合适的SVM训练参数.针对上述问题，文中利用AP聚类算法对公交车站短时客流数据样本集进行聚类分析，将客流数据分为若干个子样本，针对每一子样本，利用遗传算法对SVM参数进行训练优化，得到较优的SVM预测模型，用于公交车站短时客流的预测，具体流程见图1.Frey等[12]提出了近邻传播聚类算法(affinity propagation，AP算法)，该方法能较快地处理大规模数据.相比较于其他传统的聚类算法，AP算法将每个数据点都作为候选的类代表点，避免了聚类结果受限于初始类代表点的选择.同时该算法对于数据集生成的相似度矩阵的对称性没有要求，并在处理大规模多类数据时运算速度快，所以能够很好的解决非欧空间问题以及大规模稀疏矩阵计算问题等[13].因而，与传统的聚类算法相比，AP算法是一种确定性的聚类算法，有比较稳定的聚类结果.不同日公交短时客流差异较大，为了提高SVM的泛化能力，文中使用AP算法将客流数据分为若干个SVM训练子样本集.对于一个有N个样本的公交短时客流数据集，AP算法定义任意2个样本xi,xk之间的相似度为定义可信度为定义可用度为AP 算法的基本步骤如下.步骤1 设m=0，最大迭代次数为M，计算数据集的相似度矩阵S，设定p值，设定初始可信度和可用度r(0)(i,k)=0,a(0)(i,k)=0及阻尼系数λ.步骤2 如果m大于M，则转步骤5，否则，m=m+1按式(2)及(3)计算r(m)(i,k),a(m)(i,k).步骤3 按下式更新可用度和可信度.步骤4 确定聚类中心，(r(m)(i,k)+a(m)(i,k)>0时认为是一个聚类中心)，返回步骤2.步骤5 将其余点根据相似度划分到各个聚类中，算法结束.支持向量机在回归预测方面有广泛的应用，其核函数和参数的选择对其应用结果有较大影响.文中首先对每一个数据聚类子样本，构造一个SVM预测模型，然后以聚类子样本训练支持向量.2.1 SVM模型及核函数选取支持向量机是通过一个非线性映射函数，将输入空间的低维数据映射到高维特征空间中，通过高维空间的线性回归计算，实现低维空间里非线性回归的效果[14].其线性回归函数模型可表示为式中：K(x,xi)为SVM模型的核函数.常用的核函数有线性核函数、多项式核函数、径向基核函数(RBF)、Sigmoid核函数.文献[14]对上述4类核函数的SVM预测性能进行了测试，结果表明RBF核函数具有较高的预测准确率.文中选取RBF函数作为核函数，其具体形式为2.2 SVM参数优化正则化参数和核参数共同决定着SVM的性能好坏，只有选择合适的正则化参数和核参数，才能得到较好的SVM模型.正则化参数γ能够有效平衡模型的复杂度与误差精度.核函数参数σ2决定着数据样本的分布特性，其值较大时，越容易产生欠学习现象，其值较小时，易产生过学习现象.为获得较好的预测性能，有必要对SVM的参数进行优化选择.遗传算法是一种具有自适应优化搜索的方法, 为此，文中采用遗传算法对SVM的参数进行优化选择.1) 染色体的编码染色体V由两个基因组成，采用将γ,σ2参数扩大100倍，用整数编码的方式表示.2) 交叉操作按交叉概率Pc从父代选择交叉染色体，两两分组，并对每组染色体进行如下操作：随机选择一个要交叉的基因，将染色体中该基因进行交换，从而得到两条新的染色体.3) 变异操作对popsize个染色体以变异概率Pm进行变异：选择一个要变异的基因，并随机产生一个[-原基因/10，原基因/10]间的整数R，令新基因=原基因+R，从而得到一条新的染色体.4) 适应度评价将种群中染色体相对误差绝对值的倒数定义为该染色体的适应度值，则染色体的适应度函数为式中：L为实际值；D为绝对误差，若D=0，令Fit(V)=+∞.5) 选择操作采用最佳个体保存和适应度比例相结合的选择策略.将每代群体中的个体按照适应度由大到小排列，排在第一位的个体性能最优，将它直接复制一个进入下一代，并排在第一位，其余个体采用轮盘赌法选择产生.6) 终止准则程序终止控制采用适应值变化控制准则，当连续G代个体最优适应值不发生变化时，终止算法.3.1 公交短时客流聚类分析文中选取兰州市快速公交的兰州交通大学站点进行观测，以10 min为观测间隔，对2014年5～6月站点06:00～08:00间的客流到达数据进行统计.利用AP算法进行聚类分析，取不同的参考度p得到的聚类数及聚类结果见表1.从聚类结果来看，聚类数主要受参考度p值的影响.周六和周日在一个相对稳定的聚类内，随着聚类数的减少，周一与周二，周四与周五的数据分别聚集为一类，而部分周三与周一、周二、周四或周五在一个分类内，最终周一至周五为一大类.从聚类的过程来看，部分数据的聚类不太稳定，这也说明了公交短时客流受到多种因素的影响.3.2 基于子类的核函数参数优化分析以时段为输入变量，利用前7周的客流数据对第8周客流数据进行校验.设遗传算法种群个数为30，G=150，交叉概率Pc=0.25，变异概率Pm=0.35.利用文中设计的计算方法对不同聚类进行参数优选.其中，在不进行分类情况下，采用遗传算法对SVM模型的参数进行优化，其进化过程见图2.由图2可见, 遗传算法可以在较少代内找到稳定满意解, 因此, 采用遗传算法寻找SVM模型的参数是一种有效的途径.各聚类参数优选的结果见表2，其中设每个预测时段的相对误差为(绝对误差/真值)×100%，总误差为一周所有预测时段相对误差的总和.由表2可以看出，6个分类的总误差最小，为493.07%，2个分类的总误差次之，为504.54%，但与6个分类的总误差相差不大，无分类的误差最大，为753.70%.3.3 预测结果对比分析利用上述各分类得到的最佳参数γ和σ2对SVM进行训练及预测，将第8周客流预测数据与实际数据进行对比，部分结果见图3.从图中可以看出，6个分类的预测效果较好，与实际数据趋势较为符合，平均相对误差也较小，6个分类的最大相对误差不超过15%；对于周末，采用分类预测与不分类预测结果差异较大，不分类预测的结果相对误差较大.2个分类的预测效果好于不分类，当部分数据样本聚类不稳定时，可采用2个分类进行预测.由此可见，训练样本的分类会直接影响SVM的预测效果.3.4 短时客流的预测选取6个分类的检验样本及优选参数建立预测模型，并训练样本，对未来一周内06：00～08：00间10 min间隔客流数据进行预测，结果见表3.通过对BRT兰州交通大学站客流调查分析，发现该站客流在上下课时间段客流会突然的增多，而其他时间段，客流较为平稳.文中设计了一种基于AP聚类的SVM公交短时客流预测方法，该方法先用AP聚类算法将客流数据划分成若干个聚类子集，对每一子集建立SVM预测模型，通过遗传算法对模型的参数进行优化选择，并利用兰州市快速公交车站实际调查数据进行验证，得出以下结论：1) 使用AP 聚类算法优化数据集，可以得到高质量、小样本的SVM训练集.2) 训练样本的分类会直接影响SVM的预测效果.采用分类的SVM预测结果精度更高.3) 遗传算法可以在较少代内完成SVM 模型参数的优选，是确定SVM模型参数的一种有效方法.【相关文献】[1]杨兆升．城市智能公共交通系统理论与方法[M]．北京：中国铁道出版社，2002．[2]张春辉,宋瑞,孙杨.基于卡尔曼滤波的公交站点短时客流预测[J].交通运输系统工程与信息,2011,11(4):154-159.[3]YIN H, WONG S C, XU J, et al. Urban traffic flow prediction using a fuzzy-neural approach[J]. Transportation Research Part C: Emerging Technologies,2002,10(2):85-98. [4]俞洁,杨晓光.基于改进BP神经网络的公交线路OD矩阵推算方法[J].系统工程,2006,24(4):89-92.[5]刘凯,李文权,赵锦焕.短时公交客流小波预测方法研究[J].交通运输工程与信息学报,2010(2):111-117.[6]杨军,侯忠生.基于小波分析的最小二乘支持向量机轨道交通客流预测方法[J].中国铁道科学,2013,34(3):122-127.[7]GONG M, FEI X, WANG Z H, et al. A sequential framework for short-term passengerflow prediction at bus stop[C].Transportation Research Board 93rd Annual Meeting，2014，14：116-123.[8]邓浒楠,朱信山,张琼,等.基于多核最小二乘支持向量机的短期公交客流预测[J].交通运输工程与信息学报,2012,10(2):84-88.[9]王树洋,黄天民,方新.基于PSO-SVM的交通流量短时预测[J].重庆交通大学学报：自然科学版，2012,31(4)：55-58.[10]郭士永,李文权,白薇,等.基于最小二乘向量机的公交站点短时客流预测[J].武汉理工大学学报:交通科学与工程版,2013,37(3):603-607.[11]CHEN Q, LI W, ZHAO J. The use of LS-SVM for short-term passenger flow prediction[J]. Transport,2011,26(1):5-10.[12]FREY B J, DUECK D. Clustering by passing messages between data points[J]. Science,2007,315(5814):972-976.[13]冯晓磊.近邻传播聚类算法研究[D].郑州：解放军信息工程大学，2011.[14]黄成泉,周丽华,王林.基于SVM的年度收入预测模型研究[J].统计与决策,2013(17):24-26.。
基于GRU和Kalman滤波组合模型的公交车辆到站时间预测方法研究
基于GRU和Kalman滤波组合模型的公交车辆到站时间预
测方法研究
刘政泽
【期刊名称】《中阿科技论坛(中英文)》
【年(卷),期】2022()9
【摘要】准确的公交到站时间信息能够为人们的出行规划提供有效依据,降低出行时间成本。
文章以尽量减少预测公交到站时间与实际时间的偏差为目标,避免行驶过程中各类突发事件对预测结果的影响,建立了一种基于GRU和Kalman滤波的组合模型来对公交车辆到站时间进行实时预测。
其中GRU神经网络利用历史数据对公交车辆在各个站点间的行驶时间进行计算,得到基础时间到站时间序列,再通过Kalman滤波利用公交车辆行驶过程中获取的实时信息,对到站时间的预测结果进行优化更正。
研究结果表明,GRU预测模型在预测效率上相对于LSTM模型高出5.3%~7.9%。
在结合Kalman滤波后,SVM、LSTM、GRU组合模型的综合评价指标MAPE分别为3.71%、2.63%、2.04%。
因此,文章所提出的组合模型能够更有效地预测公交到站时间。
【总页数】5页(P100-104)
【作者】刘政泽
【作者单位】山东科技大学交通学院
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于粒子滤波的公交车辆到站时间预测研究
2.基于LSTM和Kalman滤波的公交车到站时间预测
3.基于集成学习的公交车辆到站时间预测模型研究
4.基于集成学习的公交车辆到站时间预测模型研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第11 卷 第4 期 2011 年 8 月
交通运输系统工程与信息
Journal of Transportation Systems Engineering and Information Technology
Vol. 11 August
：
（ 1 ） 实时性— — —模型预测应该能够体现交通
3
3． 1
短时公交站点客流预测
离散卡尔曼滤波理论 卡尔曼滤波是 Kalman 于 1960 年提出的， 是采
用由状态方程和观测方程组成的线性随机系统的 状态空间模型来描述滤波器，并利用状态方程的 递推性， 按线性无偏最小均方误差估计准则， 用递 推算法对该滤波器的状态变量作最佳估计 ， 从而求 得滤掉噪声的有用信号的最佳估计
No. 4 2011
6744 （ 2011 ） 04015406 文章编号： 1009-
基于卡尔曼滤波的公交站点短时客流预测
* 张春辉，宋 瑞 ，孙 杨
（ 北京交通大学 交通运输学院 ， 北京 100044 ）
摘要： 公交站点短时的客流预测是智能公交调度系统中重要的决策基础与技术支持 ． 在对短时客流特性进行分析的基础上 ， 提出了以卡尔曼滤波作为公交站点短时客流的 ， ． 预测模型 并给出了模型的求解过程 选用了一条实际公交线路中客流量较大 、 客流变 数据结果的平均绝对误差为 化明显具有代表性的站点进行了采集数据和实例分析 ， 5． 177 1 ， 均方误差为 0． 796 1 ， 表明提出的模型与算法可以有效地对短时公交客流进行 预测． 与 人 工 神 经 网 络 预 测 结 果 比 较， 在 相 同 的 实 例 数 据 下， 其平均绝对误差为 10． 477 0 ， 均方误差为 1． 672 4 ， 结果表明使用卡尔曼滤波建立的模型比较准确 ， 说明本 文所提出的方法预测误差小， 具有现实的应用意义． 关键词： 城市交通； 短时客流预测； 卡尔曼滤波 中图分类号： U491 文献标识码： A
decisionmaking on the intelligent bus dispatch system． A Kalman filter method is developed to forecast shortterm passenger flow based on the characteristic analysis，and the solving algorism is presented． In the real bus line，a typical bus station with large and significantly changed passenger flow is chosen to be an example． The prediction method and the artificial neural network had been compared with the results，which show that the Kalman filterbased model is more accurate． The calculated average absolute error is 5． 177 1 and mean square error is 0． 796 1 using the Kalman filter and the average absolute error is 10． 477 0 and mean square error is 1． 672 4 using the artificial neural network，which indicates that the prediction error is small，and the method is meaningful in practical application． Key words： CLC number： urban traffic； shortterm passenger flow forecasting； Kalman filter U491 Document code： A
l
p（ w ） ～ N（ 0 ， Q） ～ N（ 0 ， R）
（ 3）
当控制函数 u k －1 或过程激励噪声 w k －1 为零时， 差分方程中的 n 阶增益矩阵 A 将上一时刻 k － 1 的 状态线性映射到当前时刻 k 状态． 矩阵 B 代表可选 的控制输入 u ∈ R 的增益． 量测方程的矩阵 H 表 示状态变量对测量变量的增益． 卡尔曼滤波器用反馈控制的方法估计过程状 态： 滤波器估计过程某一时刻的状态， 然后以测量 变量的方式获得反馈． 因此卡尔曼滤波器可分为 两个部分： 时间更新方程和测量更新方程． 时间更 新方程负责及时向前推算当前状态变量和误差协 以便为下一个时间状态构造先验估 方差估计的值， 计． 测量更新方程负责反馈， 也就是说， 它将先验 估计和新的测量变量结合以构造改进的后验估计 ． 离散卡尔曼滤波器时间更新方程 ： ^ k－ = Ax ^ k －1 + Bu k －1 X
［11 ］ 公交线路的客流量预测模型为 ： Q* （ t + k） = H0 V（ t） + H1 V（ t － 1） + H2 V（ t － 2） l
（ 1） （ 2）
z k = Hx k + v k 测噪声， 他们相互独立， 服从正态分布：
随机信号 w k 和 v k 分别表示过程激励噪声和观
{ p （ v）
［1 － 3 ］
客流量预测分为两类： 短期预测和中长期预测． 一 般将 5 分钟—30 分钟跨度的客流量预测称为短期 预测， 将 30 分钟至数小时跨度的预测称为中期预 将时间为 1 天以上跨度的预测称为长期预测． 测， 传统上的公交客流预测， 一般选取公交线路横断面 流量， 在时间跨度上较大， 一般以年、 月为单位进行 预测， 预测结果多用于公交线路规划或运营方案的 确定． — —先进的公共 在智能交通系统中的子系统— 交通系统 （ Advanced Public Transportation Systems， APTS） 中， 则需要利用短时数据． 使用实时公交数 据进行预测并根据预测结果进行动态调度是 APTS 的一项重要内容． APTS 按信息流程基本可以划分 为 4 部分， 分别为公交信息采集系统、 信息传输系 统、 信息处理系统、 信息提供系统． 其中短时数据 对数据的处理预测发生在信息 来自信息采集系统， 处理系统． 信息提供系统把预测信息提供给决策 人员或自动控制系统． 在智能公交调度系统中， 客流短时数据采集来 自公交车刷卡数据、 公交车视频检测及公交站点视 对这些短时数据进行数据挖掘， 进行 频检测数据， 短时的客流预测， 是整个智能公交调度系统的基 础， 为系统提供数据支撑． 短时公交站点客流预测主要用于公共交通的 组织和控制， 需要较高的实时性和精度． 用于短时 客流预测的模型应该具有以下特性 状态的实时变化； （ 2 ） 准确性— — —预测结果的精度应该能够被 使用者接受， 即预测误差是心理可接受的； — —交通流的外部影响因素众多， （ 3 ） 可靠性— 且具有不确定性， 因此模型应具有较好的抗噪能力．
Kalman FilterBased ShortTerm Passenger Flow Forecasting on Bus Stop
ZHANG Chunhui，SONG Rui，SUN Yang
（ School of Traffic and Transportation，Beijing Jiaotong University，Beijing 100044 ，China） Abstract ： Shortterm passenger flow forecasting on bus stop is an important base and technical support for
1
引
言
交通需求不断增大， 各大城市都陷入来， 在城市社会经济不断发展的背景下，
0408 收稿日期：20110506 修回日期：2011-
0518 录用日期：2011-
2009YJS044 ） ． 基金项目：北京交通大学基本科研业务费资助项目 （ 2009JBM042 ， 作者简介：张春辉（ 1986 － ） ， 男， 黑龙江省嫩江县人， 硕士生．
［9 ］
、 时间序列分析
［4 ， 5 ］
、 支持向量机
［6 ， 7 ］
等方法进行预测， 但各种方法都有其缺点， 预测精 度并不很高． 在公交客流的中长期预测上， 众多学 者做了很多研究． 短时公交客流预测是智能交通 是信息处理系统的重要部 系统中重要的决策依据， 分， 为实时公交调度， 处理异常提供支持． 但在短 时公交客流预测的研究上， 根据笔者的有限知识， 8］ 仅文献［ 做了研究． 卡尔曼滤波是预测短时交通流量的一种方法 ， 具有较好的鲁棒性， 可对外部环境做出有效的反 应． 卡尔曼滤波在交通工程的短时预测方面应用 普遍， 但多用于道路短时交通流量的预测， 在其它 方面应用较少． 而道路交通流与公交客流的特性 有很大不同， 短时公交客流作为一个非线性系统， 其随机性更大． 验证卡尔曼滤波预测方法能否对 短时客流进行有效、 准确的预测， 是本文的研究目 的之一． 本文采用卡尔曼滤波的方法来预测公交 站点的短时客流情况， 为公交系统提供可靠的信 息． 本文选取一条实际并独立公交线路 ， 以公交站 点上车客流为例， 来验证卡尔曼滤波预测方法在公 交站点客流预测的可行性， 下文提到的公交站点客 流量均指公交站点的上车客流量 ．
n 定义观测变量 z ∈ R ， 得到量测方程： n
测量噪声协方差 R 一般可以观测 波器实际实现时， 得到， 是滤波器的已知条件． 观测测量噪声协方差 R 是可通过观测整个系统过程实现的 ． 因此， 需要 通常离线获取一些系统观测值以计算测量噪声协 方差． 3． 2 卡尔曼滤波预测客流 由于卡尔曼滤波不仅可用于信号的滤波和估 计， 而且还可用于模型参数的估计， 所以它适用于 交通状况的预测． 设 Q l （ t + k） 为 t 时刻以后 k 个时间段的公交站 点 L 上的客流量； 设 V（ t） 是 t 时刻的公交站点的客 V（ t － 1 ） 是 t 时刻前一个时段的公交站点的 流量， 客流量． 考虑 m 个时段公交站点的客流量对站点 L 上客流量的影响．