基于路段行程时间的公交到站预测方法

2007年11月
November 2007
—281—
计 算 机 工 程Computer Engineering 第33 第21期
Vol 卷.33 No.21 ·开发研究与设计技术·
文章编号：1000—3428(2007)21—0281—02
文献标识码：A
中图分类号：TP208
基于路段行程时间的公交到站预测方法
陈巳康1，詹成初2，陈良贵1
(1. 上海市城市交通管理局，上海 200003；2. 上海复旦光华信息科技股份有限公司，上海 200433）
摘 要：对公交到站时间预报技术进行了研究和探索。

建立公交线网道路模型，根据GPS 车载终端采集的公交车辆运行动态数据，推测路段交通状况及对应的路段行程时间，预测公交到站时间，并分析各种误差。

实验数据表明，在2min 误差内的预测时间准确率大于80%，基本可满足公交时间预报要求。

关键词：路段行程时间；公交到站预报；GPS 车载终端；公交线网道路模型
Prediction Method of Bus Arrival Time
Based on Link Travel Time
CHEN Si-kang 1, ZHAN Cheng-chu 2, CHEN Liang-gui 1
（1. Shanghai Municipal Transportation Administrative Bureau, Shanghai 200003; 2. Shanghai Fudan Grand Horizon Information Technology Inc., Shanghai 200433）
【Abstract 】This paper studies the prediction technology of bus arrival time. After building the model of public transport network, the road traffic situation and corresponding traveling time are speculated according to dynamic data collected by GPS vehicle terminals, and then the bus arrival time is predicted. Different kinds of errors are analyzed. The accuracy of this method is more than 80% within the range of two minutes error permission, which can generally meet the requirement of prediction for bus arrival time.
【Key words 】link travel time; prediction of bus arrival; GPS vehicle terminals; model of public transport network road
公交智能系统采用卫星定位技术(GPS)、无线通信技术
(GPRS/CDMA)、地理信息系统技术(GIS)以及公交线网道路模型仿真等技术，所涉及的基础数据由动态数据和静态数据组成。

动态数据是指随着时间实时更新的数据，包括车辆位置数据、车辆实时速度数据、上下行、到离站、上下客流量、交叉口信号配时方案等；静态数据是指一定时间内不发生变化的数据。

通过这些数据的采集和处理，系统可以为公交企业提供智能化监控和调度，为市民提供公交到站预报服务，为政府规划决策及其线网优化提供支持，进而改善出行条件，提高服务水平，实现供需平衡。

对于公交到站时间预报，国内外的学者们提出了很多行程时间预测模型[1]，如历史趋势方法、非参数回归模型、时间序列方法、神经网络、卡尔曼滤波、交通模拟和动态交通分配模型等。

然而，在变化的交通状况和任意时段的条件下，这些方法和模型不能取得令人满意的预测结果。

究其原因是交通状况受偶然性因素影响较大，波动频繁，不能简单忽略动态随机状况而仅仅依靠平均值规律。

本文充分利用公交车辆GPS 动态消息，据此测算而得的车辆路段行程时间可以实时反应路段交通状况，进而给出较为准确的时间预报。

1 公交到站时间预报模型
公交站点间路段行程时间的预测精度在公交智能系统中
是一个非常关键的指标。

目前已建立的公交智能系统中，电子站牌上所显示的下班车预计到达时间大都采用车辆当前位置到达电子站牌的距离和平均行车速度之比简单计算而得，往往显示的预测结果和实际值相差很大。

经仔细分析，造成这种情况的主要原因是预测方法有待改进。

在某站点预测下
一班车的到站时间，通常需要确定：(1)前面各个路段的行程时间；(2)各个交叉口的红绿灯排队等待时间；(3)通过各个交叉口的时间；(4)前面几站的进出站减速和加速时间；(5)前面几站的上下客停站时间。

通常的做法是：对上述各个时间段分别预测，总和就是预测时间[2~3]。

把下一班公交车的预测时间分成3部分：红绿灯排队等待时间(对应上述(2))、停站时间(对应上述(5))以及自由行驶时间和通过交叉口时间(对应上述(1)、(3)、(4))。

把(1)、(3)、(4)放在一起考虑是因为这三者具有行驶时间的共同规律，且可以依据车辆GPS 动态信息提高测算精度。

本文将i 路段的这一时间定义为路段行程时间Ti ；设车辆在s 站的停站时间为Ts ；设i 路段的下一交叉口j 的红绿灯排队等待时间为Tj ，则总的预测时间为
T =Ti ∑++Ts ∑Tj ∑
(1)停站时间Ts 可以通过车载终端发回的车辆到离站开关门信息实时获取。

(2)Ti 的预测。

实际情况表明：基于历史统计平均数据预测各个路段的当前通行时间，误差较大。

这是因为交通的现时性很强，所以当前的交通状况如何，占有的权重很高。

交通状况受偶然性因素影响较大，容易波动，不能仅仅依靠平均值规律，笔者充分利用了当前公交车的运行信息来推算路段交通状况，进而预测公交车到站时间。

作者简介：陈巳康(1953－)，男，高级工程师，主研方向：自动控制，智能交通信息工程；詹成初，高级工程师；陈良贵，硕士 收稿日期：2007-08-16 E-mail ：zhancc@
建立公交线网模型。

分析历史数据，研究不同季节、节假日、不同时段(早高峰、晚高峰、非高峰时间)的速度分布规律，采用历史数据按照时间远近不同其权重不同的方式来计算速度。

并利用道路上多个公交车辆的当前运行数据来判断路段交通状况规律(如拥堵程度等)。

这一点正是采用GPS/GPRS 技术的优越之处，可以把所有公交车辆的实时运行信息集中于后台，进行统一分析和处理。

整个公交线网道路模型由节点和路段组成。

节点分为道路交叉点、道路终点、行政边界节点、公交站点等。

路段连接各个节点。

公交线路属性和相关的路段属性相关联。

公交线网道路模型建立起来后，分析当前各个路段上的所有公交车的运行速度(一定时间，比如当前3min 的速度平均值)，同时也考虑该路段该时段的公交车历史平均速度，加权平均得到该路段当前的平均运行速度，得出下一班公交车在该站点前面各个路段的通行时间，之后再对时间预报值进行平滑处理，由此可以得到较准确的时间预报。

计算公式如下(以下速度均已剔除公交停站时间)： 设i 路段该时段的公交车历史平均速度为V ，i 路段的各
公交车当前3min 的速度平均值为Vi （i =1,2,…,n ），那么i 路段当前的平均运行速度为
V =V *ρ1+()/n *ρ2 (1)
1n
i Vi =∑其中，n 为该路段的公交车辆数；ρ1, ρ2为加权因子。

可以试验并调整ρ1, ρ2的数值，使得时间预报误差最小。

设i 路段(含上一个交叉口的长度)长为Li ，则该路段行驶时间Ti=Li/V 。

(3)红绿灯排队等待时间Tj 预测。

车辆的排队等待时间不仅跟已有的等待队长以及下游交叉口的通行能力有关，还跟到达等待的队尾时的信号灯状态有关。

不同的灯色显示意味着驾驶员将花费不同的等待时间，即交叉口信号进展情况影响驾驶员的运行时间。

排队等待时间Tj 的预测，建立在自由行驶时间Ti 预测的基础上。

只有Ti 预测准确，Tj 才可能预测准确。

因此，本文需要判断该公交车辆在某一路口是否可能遇到红灯。

根据Ti 预测和交叉口信号配时方案，计算如下： 1)如果公交车在红灯亮之前到达，等待时间Tj =红灯时间(鉴于公交专用道的开通，公交车红绿灯等待时间，一般不超过一个红灯时间)；
2)如果公交车在红灯亮的时候到达，等待时间Tj =红灯剩余时间；
3)如果没有遇到红灯，则Tj =0，相当于排队等待时间已经考虑在自由行驶时间和通过交叉口时间Ti 的预测中。

2 精度和误差分析
2.1 GPS 数据精度对于预报时间的影响
虽然无法对GPS 的数据精度做一个准确的分析，但还是可以对GPS 的一般精度有一个大致的了解。

以公交专用道的中轴为标准线，可以统计一段时间内GPS 数据相对于标准线的径向误差，但切向误差难以估算。

如图1所示，统计数据表明：大约84.7%的GPS 数据，误差在20m 以内；大约96.9%的GPS 数据，径向误差在50m 以内。

通常GPS 的误差应该在15m 以内，这里计算得到的误
差要大一些，是因为在城市环境中GPS 信号受到高楼反射的
影响。

如果切向误差遵从类似的规律，考虑到公交车的平均运行速度约为18km/h ，也就是5m/s ，那么50s 误差对预测时间的影响大约为10s ，影响很小，基本上可以忽略这个误差。

当然，对于偏差很大的GPS 数据，则应该剔除。

2.2 预报精度
实际测试结果精度和应用效果如图2所示。

图2 预报精度分析
(1)预测时间准确率(误差1min 内)>70%。

畅通状况下 >75%(最高>80%)，拥挤路段时段>60%。

(2)预测时间准确率(误差2min 内)>80%。

畅通状况下 >90%(最高>95%)，拥挤路段时段>70%。

(3)预测时间准确率(误差3min 内)>92%。

畅通状况下 >95%(最高达99%)，拥挤路段时段>88%。

时间误差集中在2min ，按照目前乘客等待时间大约10min 计算，那么预测时间准确率大于80%，基本可满足公交时间预报要求。

3 结束语
准确、稳定、可靠的公交到站预报信息发布是一项具有挑战性的工作，涉及多种信息采集处理技术和复杂的交通模型与算法。

大型城市公交线网复杂，车辆数大（如上海目前有940余条公交线路、近18 000辆公交车），数据通信和处理的并发量大，系统实现更为复杂。

本文对基于路段行程时间的公交到站预报技术进行了研究，提出通过公交车辆运行信息推测路段交通状况、预测到站时间的方法，已在上海公交到站预报信息试点系统中得到应用。

参考文献
1 韩 印, 杨兆升, 胡坚明. 公共交通智能化调度基础数据预测方法研究[J]. 公路交通科技, 2003, 20(3).
2 江丽炜, 韩 印, 卢 伟. 智能公交电子站牌显示时间预测方法研究[J]. 交通与计算机, 2006, 24(2)：31-34.
3郭景峰, 侯 爽, 王金慧. 一种动态路段行程时间的预测模型[J].计算机工程与科学, 2005, 27(5).
—282
—。