《基于gps的智能公交车辆到站时间预测方法研究与系统实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
万方数据分类号UDC密级学位论文基于GPS的智能公交车辆到站时间预测方法研究与系统实现作者姓名：王丽杰指导教师：宫俊副教授东北大学系统工程研究所申请学位级别：硕士学科类别：工学学科专业名称：系统工程论文提交日期：2012年6月18日论文答辩日期：2012年6月23日学位授予日期：评阅人：王庆副教授李彦平教授东北大学2012年6月 万方数据AThesisinSystemsEngineeringIntelligentpublictransportvehiclearrivingstationtimepredictionmethodresearchandsystemimplementationbasedonGPSByWangLijieSupervisor：AssociateProfessorGongJunNortheasternUniversityJune2012 万方数据独创性声明本人声明，所呈交的学位论文是在导师的指导下完成的。论文中取得的研究成果除加以标注和致谢的地方外，不包含其他人己经发表或撰写过的研究成果，也不包括本人为获得其他学位而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示谢意。学位论文作者签名：互～丽杰日期：．20151年∥闩23日学位论文版权使用授权书本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论文的规定：即学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部或部分内容编入有关数据库进行检索、交流。作者和导师同意网上交流的时间为作者获得学位后：半年口一年圈／一年半口两年口学位论文作者签名：工而峦、导师签名：畿签字日期：201．Z#多闷玛日签字日期：2D垃车厂日．25目 万方数据东北大学硕士学位论文摘要基于GPS的智能公交车辆到站时间预测方法研究与系统实现摘要公交车辆到站时间是出行者最为关心的交通信息之一，准确、实时的公交车辆到站时间预测模型是交通流诱导和线路引导的重要基础，为公交出行者提供更加可靠的信息服务是实现城市公共交通智能化的重要内容，对城市公共交通的发展起到积极的推动作用。交通系统非常复杂，已有的公交到站时间预测方法难以取得理想的效果。本文分别从理论研究和实际应用两个方面做了一些工作、取得了一些进展。采用系统工程的思想和方法，集成运用了GPS技术、预处理技术，数据库技术和GIS技术，实现了对车辆到站时间实时动态的预测。在数据采集方面，针对公交车实时采集的GPS原始数据存在多种测量误差，分别进行了识别、处理，通过对缺失数据进行有效地修补和对错误数据进行剔除，提高GPS原始数据的可靠性。在预处理方面，实时采集的公交线路运行信息数据量大、实时性要求高的特点，结合预测模型的要求，进行数据实时匹配和转化。数据匹配是指将实时采集的经纬度信息匹配到线路上，并定义站点区域，识别出站点。最后通过标准化，将数据变成预测所需的数据格式。在预测方法方面，本文先从技术可行性和可实现性的角度对公交到站时间预测技术进行分析，在总结现有预测算法的不足之处后，提出了基于移动平均法和动态调整的混合预测方法。选取了沈阳市244线路公交车作为研究实例，利用设计的模型和算法对车辆到站进行预测，通过和公交实际运行状况进行对比分析，验证了该预测方法具有较高的正确性和可靠性。在系统实现方面，在理论研究的基础上，完成了公交到站时间预测系统的需求分析、功能设计、数据库设计等工作。最后，开发了公交到站时间预测系统。关键词：GPS；地图匹配；数据预处理；移动平均法；实时动态调整一II— 万方数据东北大学硕士学位论文AbstractIntelligentpublictransportvehiclearrivingstationtimepredictionmethodresearchandsystemimplementationbasedonGPSAbstractTrafficsystemisverycomplicateandhasahighcorrelationdegreewithtime．Existingpredictionmethodisdifficulttogaindesiredresult；thispaperfocusesontheoreticalstudyandpracticalapplication，andmakesprogress．Applyingdataacquisitiontechnologyandpreprocessingtechnology,thispaperrealizesreal-timedynamicpredictionoftrafficarrivaltime．Thearrivaltimeofpublictransportvehicleisoneofthemostimportanttrafficinformationtravelerconcerns，thepredictionmodel，whichCanpredictarrivaltimeofpublictransportvehicleontimeandintime，istheimportantbaseoftrafficflowguidanceandrouteguidance；providingmorereliableinformationfortravelersisanimportantcontenttorealizeintelligenceofurbanpublictransportation，andCangreatlypromotetheimprovementofurbanpublictransportation．Becausetheinitialdatawhichisreal—timelycollectedbyGPSonpublictransportvehiclecontainsmanymeasurementerrors，thispaperconductsrecognitionandmanagementrespectivelyondataacquisition；inordertoincreasethereliabilityofinitialdatatakenfromGPS，thispaperconductsavailablymendingmissingdataandeliminatingincorrectnessdata．Becausetheinformationdatathatisreal-timelycollectedonbuslinesismassiveandhas11ighrequestoninstantaneity,thispaperconductsreal—timedatamatchingandtransformingaccordingtorequestofpredictionmodel．Datamatchingistomatchreal-timeinformationoflongitudeandlatitudewithroutes，anddefinesitesanddistinguishsites．Thispaperprimarilyanalysestechnicalandrealisticfeasibilityofthepredictiontechnologyonpublictransportvehiclearrivaltime，aftersummarizingthedefectsofexistingpredictiontechnology,thispaperfocusesonthepredictionmodelwhichisreal—timedynamicregulationonruntimeandstoppingtime．Thispapertakesresearchonbusof244inShenyangcity,andappliesthedesignedmodelandmethodtopredictarrivaltime，andprovesthatthispredictionmethodhashighcorrectnessandreliabilitycomparingwithactualsituation．Onthebaseoftheoreticalstudy,thispaperhasfinishedthedemandanalysis，functionaldesign，databasedesignandinterfacedesignofthispredictionsystem．Finally,thispaperhascompletedthepredictionsystemofpublictransportvehiclearrivaltime．KeyWords：GPS；map··matching；datapreprocessing；real·-timedynamicregulation--III‘-—— 万方数据东北大学硕士学位论文目录独创性声明⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯I摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯IIAbstract⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯III第一章绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯11．1课题研究的背景目的与意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．11．1．1课题研究的背景与来源⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．11．1．2课题研究的意义与目的⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．21．2主要研究内容⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．21．3研究的思路与技术路线⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．31．4论文结构安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．3第二章公交到站时间预测方法和应用综述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯52．1公交采集数据预处理方法研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．52．1．1基于GPS技术的地图匹配算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．52．1．2异常采集数据识别和修补算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一62．2公交到站时间预测方法研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．72．2．1基于行为模式的预测模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．72．2．2基于历史统计的预测模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．82．2．3基于傅里叶变换的预测模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．82．2．4时间序列模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．82．2．5回归预测模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一92．2．6卡尔曼滤波模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一92．2．7人工神经网络模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯102．2．8支持向量机模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯102．3国内外智能公交到站时间预测系统的应用现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯112．3．1国外公交到站预测系统的应用现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯112．3．2国内公交到站预测系统的应用现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯12一IV— 万方数据东北大学硕士学位论文目录2．4本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯12第三章公交运行数据采集与预处理方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯153．1基于3G技术的数据采集⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．153．1．1数据采集系统架构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯153．1．2采集数据模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯153．2采集数据预处理方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯163．2．1预处理数据模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯163．2．2预处理流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯173．2．3地图匹配方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯183．2．4数据修补方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯223．2．5数据变换方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯253．3预处理方法实证分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯273．3．1地图匹配方法验证⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯273．3．2数据修补方法验证⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯283．3．3预处理方法评价⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯293．4本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯36第四章基于移动平均法和动态调整的混合预测方法⋯⋯⋯⋯⋯⋯⋯374．1预测基本思想和因素选择⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯374．2基于移动平均法和动态调整的混合预测方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯374．2．1基于移动平均法的静态预测模型(MAM)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯374．2．2考虑车辆实时速度的动态预测模型(MADA)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯394．2．3基于移动平均法和实时动态调整的混合预测方法(HMADA)⋯⋯⋯⋯⋯⋯．414．3公交到站时间预测方法实证分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯414．3．1实证数据来源⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯414．3．2实证数据获取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯444．3．3调查数据分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯444．3．4单站点预测评价分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯464．3．5多站点预测实证分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯554．4本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯58第五章公交到站时间预测系统分析设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯595．1公交到站时间预测系统框架⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯59一V一 万方数据东北大学硕士学位论文目录5．1．1系统物理结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯595．1．2系统逻辑结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯605．2公交到站时间预测系统分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯605．2．1功能需求分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯605．2．2数据流程分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯615．3公交到站时间预测系统设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯655．3．1功能总体结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯655．3．2功能详细设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯655．3．3数据库设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯665．4本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯67第六章公交到站时间预测系统实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯696．1系统研发平台概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯696．2数据采集系统⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯696．3公交到站预测系统⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯706．3．1数据模拟模块⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯706．3．2预测模型模块⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯746．3．3预测分析模块⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯756．4电子站牌显示系统⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯756．4．1基础数据管理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯_⋯⋯⋯⋯．756．4．2到站预测查询⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯766．4．3公交站点查询⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯776．4．4公交线路查询⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯776．4．5到站时间滚动显示⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯776．5本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯78第七章总结与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯797．1论文工作总结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯797．2未来研究方向展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯79参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．81致谢⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．85攻读硕士期间发表的论文、获奖情况及发明专利等项⋯⋯⋯⋯⋯⋯．87一VI— 万方数据东北大学硕士学位论文第一章绪论1．1课题研究的背景目的与意义1．1．1课题研究的背景与来源城市公共交通运输是交通运输业的重要组成部分，是城市发展的必然产物，也是城市赖以生存的重要基础设施之一。随着我国城镇化、现代化建设的不断推进，城市车辆不断增多，，道路负荷日益加重，交通拥挤、道路阻塞、交通事故等现象越来越明显，造成了社会经济损失、环境污染、能源浪费等问题出现。这些问题呈现出愈加严重的发展趋势，需要采取有效方法进行解决。目前普遍认为，智能公共交通系统的建设是有效解决城市交通问题的根本途径【1】。本课题就是在这一背景下展开研究的。智能公共交通系统，是指在公交网络分配、公交调度等关键基础理论支撑下，采用系统工程的理论和方法，将现代通信、信息、电子、控制、计算机、网络、GPS、GIS等多种技术集成应用于公共交通综合管理系统【21，具体由公共交通智能化调度系统、公共交通信息服务系统和公交电子收费系统等子系统组成，实现公共交通调度、运营、管理的信息化、现代化和智能化，为出行者提供更加安全、舒适、便捷的公共交通服务，从而吸引公交出行，缓解城市交通拥挤【31，有效解决城市交通问题、环境污染问题，能源浪费问题，创造更大的社会和经济效益。目前，智能公共交通系统的发展成为全球城市交通发展的热点。在国外，公共交通比较发达的城市，例如英国的伦敦、瑞士的卢塞恩、美国的旧金山等，已经可以实现公交车辆的到站时间通过电子站牌、手机或者Intemet等方式发布给出行者，为乘客提供出行前，出行中和出行后的多维信息参考，极大地提高了公共交通的吸引力。德国现行的电子显示站牌如图1．1所示。图1．1公交车辆到站时间的电子站牌Fig．1．1Electronicboardaboutpublictransportvehiclearrivaltime一1一 万方数据东北大学硕士学位论文第一章绪论相对来说，我国城市交通系统的信息化较为落后，公众很难获得其所需的实时公交车辆运行信息，对公交系统的满意度不高，导致公交系统出行比例偏低，遏制了公共交通的发展。因此，在大力规划和发展城市交通的同时，必须实现公交系统信息化和智能化，为乘客提供全方位、高质量的公交服务信息，提高公交调度和运行效率水平。目前，现有的公交到站预测方法和系统还存在不足之处，例如，没有将动态交通状态信息与车辆定位信息有效融合，采用的技术不够先进，，使得预测的结果准确性、精确性和稳定性还存在有所改进的地方，以及预测结果的方式比较简单，例如，只是显示下班次的到达时间，而没有多个班次的到达时间，以及多条线路的班次到达时间。因此，通过进一步深入研究，设计出更加有效、更好显示模式的公交信息服务系统是必要的。本课题是在与浙江达峰科技有限公司的横向课题《智能公共交通系统的关键技术研究》资助下进行研究的。1．1．2课题研究的意义与目的公交到站时间预测系统是智能公交系统重要组成部分，是实现公共交通智能化调度子系统、电子站牌显示子系统及公交信息服务子系统的前提。研究成果不仅可以扩展和丰富公交到站时间预测理论和方法，而且对智能公交综合管理系统的实现具有重要支撑作用。此外，系统将来的应用对于改善公交信息化服务水平【41，提高出行者满意度，提高公交分担率，加强公交优先政策的执行效果，改善社会民生问题具有重要作用。公交到站时间预测方法和系统实现的研究目的是针对不同到站环境和条件下，提供有效的预测方法，实现物联网环境下的公交到站时间预测系统，给出系统实际运行的评价结果和进一步研究的内容。1．2主要研究内容本文的主要工作内容包括理论研究和系统实现两个主要部分。研究的指导思想是理论结合实际，实际检验方法。本文的主要研究内容如下：(1)进行文献综述。总结现有不同预测情景下的预测方法研究现状和系统应用现状，并分析其发展趋势；(2)预处理方法研究。对于GPS卫星、卫星信号传播过程和地面接收设备都会对GPS测量产生误差。设计预处理算法，对采集数据进行修正和转化，为预测提供基础数据。最后，通过实证分析，验证了方法的有效性；(3)预测方法研究。分析影响公交到站时间的因素，建立公交到站时间预测模型和算法，分析模型提出改进，最后，通过实证分析，验证了方法的有效性；(4)设计实现公交到站时间预测系统。在对现实问题的需求分析基础上，设计并一7一 万方数据东北大学硕士学位论文第一章绪论实现基于GPS的智能公交车辆到站时间预测系统功能、数据库和代码，通过实际运行和评价，给出系统的运行效果和未来研究和开发的内容和方向。1．3研究的思路与技术路线本文基于系统工程理论和方法，采取了由浅入深的研究思路。首先，进行理论研究，在查阅国内外公交到站时间交通预测研究文献的基础上，针对当前现实问题，提出预测方法并进行验证，在此基础上，设计并实现物联网环境下的公交到站时间预测系统，最后对实际运行效果进行评价和改进建议。具体的研究路线如图1．2所示。预测方法和系统实现采用了MicrosoftVisualStudi02008开发平台和C撑语言，数据库管理系统采用MicrosoftSQLServer2005。1．4论文结构安排本文的各章节内容安排如下：第一章绪论介绍了本课题的背景与来源，阐述了研究的目的和意义，并以此为依据确立了研究内容、研究的技术路线和方法，最后论述了本文的结构安排。第二章智能公交到站时间预测方法及应用的研究综述首先对采集数据的预处理方法进行综述，然后对国内外公交到站时间预测模型和算法进行综述。具体介绍了不种预测方法的基本思路、方法特性、和适用性等，总结了当前研究成果的不足之处；介绍了国内外智能公交到站时间预测系统的应用现状和发展趋势。第三章公交运行数据采集和预处理方法数据采集模块主要负责为整个预测系统提供基础数据，但直接采集的数据无法直接用于预测，需要对采集的数据进行预处理，预处理主要包含两方面的工作：一方面是对误差进行处理。对于GPS卫星信号传播过程和地面接收过程都会对GPS测量产生误差。需要通过插入漏点，删除错误数据等手段对这些数据进行矫正。另一方面就是将采集的数据转化成预测需要的数据，既进行数据格式的转化。通过实证分析，表明该方法的有效性。第四章基于移动平均法和动态调整的混合预测方法在对公交到站时间预测影响因素分析的基础上，提出了基于平均运行时间和停靠时间的预测方法，通过分析将该模型改进，提出了基于平均运行时间和停靠时间的预测方法动态调整的混合预测模型。通过实证分析，表明该方法较原先方法具有更好的准确性，稳定性和可靠性。一3一 万方数据东北大学硕士学位论文第一章绪论第五章公交到站时间预测系统分析设计通过对公交到站时间预测系统的功能需求分析，采用结构化的设计方法实现了总体设计和详细设计，具体包括系统架构设计，功能设计、数据库设计、代码设计等。第六章公交到站时间预测系统实现在系统设计的基础上，通过C群集成开发平台实现了系统功能模块，通过对系统实际运行的评价，给出了系统的运行效果和适用性评价，并给出改进建议。第七章总结与展望总结论文的研究成果，对有待进一步研究的问题进行简要分析，展望并提出进一步的工作方向。图1．2本文的研究技术路线图Fig．1．2Researchframeworkofthispaper一4一 万方数据东北大学硕士学位论文第二章公交到站时间预测方法和应用综述2．1公交采集数据预处理方法研究2．1．1基于GPS技术的地图匹配算法地图匹配技术是协调GPS定位信息和电子地图的道路信息之间的显示误差的有效方法，匹配技术将GPS定位点映射到相对应的路网上，地图匹配【5】的效率的高低也直接影响道路交通监测系统的实时性，因此针对不同路况设计一种既能保证准确性又能提高系统实时性的地图匹配技术意义重大。浮动车辆运行信息的地图匹配需解决的主要问题有匹配的实时性和匹配率问题【6|。地图匹配方法主要包括两部分内容：一部分是待匹配路段的确定；二是对待匹配路段用什么匹配算法进行匹配。最近几年，在直接投影法、相关性算法、概率统计法等传统的地图匹配算法的基础上，对面向浮动车数据的地图匹配算法进行了许多深入的研究。上世纪六、七十年代，美国、英国的相关学者17J率先开始研究地图匹配算法，随后，Bemstein和Kornhauser提出了几何匹配算法，主要研究点到点的匹配、点到曲线的匹配、曲线到曲线的匹配【8】。近年来，国外对地图匹配算法的研究主要以D．S证据理论、模糊逻辑以及模式识别等理论为基础【9】。由于车辆的各种实时信息以及道路路网本身都带有很大的不确定性和随机性，因此，通过模糊推理、证据理论的方法【loJ能较好的提高车辆的匹配精度。日本学者提出应用模式识别的方法进行地图匹配，基于模式识别的匹配算法主要思想是根据车辆的历史定位点轨迹对道路信息进行实时模式识别，将当前的定位点轨迹作为待匹配样本，该轨迹附近所有道路上的道路作为模板，最后通过选择与待匹配样本形状相似度最高的模板作为匹配结果【111。近年来，国内对地图匹配算法的研究成果主要有利用定位信息与路网几何拓扑信息的匹配算法，基于代价函数的地图匹配算法、以及模糊逻辑的匹配算法、基于D．S证据理论的匹配算法、基于云模型的匹配算法竺寸O(1)利用定位信息与路网几何拓扑信息的匹配算法。主要是通过分析GPS定位点与路网的位置关系，搜索GPS定位点的可能匹配道路，然后，基于车辆行驶的连续性以及道路路网的拓扑结构，确定车辆最有可能的行驶道路。(2)基于代价函数的地图匹配算法【l引。基本思路是用代价函数衡量每个待匹配位置与GPS定位点之间的相似程度，然后，通过对每个与待匹配道路相对应的代价函数值进行累加，最终确定GPS定位点的匹配位置。一5一 万方数据东北大学硕士学位论文第二章公交到站时间预测方法和应用综述(3)基于模糊逻辑的匹配算法。主要是对经典模糊逻辑地图匹配算法进行的适当改进，如清华大学汽车工程系，汽车安全与节能国家重点实验室的张涛【l4|、杨殿阁、李克强等提出了带匹配度反馈的模糊地图匹配算法，山东理工大学交通与车辆工程学院的唐进君和曹凯【15】提出了基于分层模糊控制的地图匹配算法，南京航空航天大学的杨新勇和黄圣国【16】提出的基于拓扑结构／自适应模糊决策的地图匹配算法，丁露、陈家斌和张丽华【17】等提出的拓扑结构／模糊逻辑的车载导航系统地图匹配算法等。(4)基于证据理论的匹配算法。主要是针对D．S证据理论在应用过程中的证据的可信度和决策规则等问题，作了相应的改进。如湖南大学汽车车身先进设计制造国家重点实验室的胡林【18】、谷正气、杨易等提出了基于权值D．S证据理论的车辆导航地图匹配，该改进算法首先根据证据的局部决策算出局部决策值，构造整个系统的支持矩阵，并求出支持矩阵的特征向量，以此作为各个证据的可信度；然后把可信度作为各个证据的权值，以此修正D．S证据的融合算法【l91，使新的组合理论规则能够有效地处理证据中的冲突信息；最后结合当前城市道路路网日益复杂的实际特点，把基于权值的D．S证据理论应用于车辆导航的地图匹配中，建立车辆位置信息和方向信息判断规则，达到地图匹配的目的。在此基础上，结合道路网的实际特点，采用Pignistic概率决策理论，建立了车辆位置信息和方向信息的判决规则，有效地利用现有信息扩大各匹配道路之间的信度差异，较好的解决了复杂路网的地图匹配问题。(5)基于云模型的匹配算法【20】思想是通过建立云规则和进行基于云模型的不确定性推理，并且结合高程辅助方法来构筑地图匹配模型。由于云模型可以将定性概念的模糊性与随机性集成到一起，因此能在一定程度上克服基于模糊逻辑地图匹配算法中隶属度的确定带有主观色彩的不足。综合考虑GPS实时数据、GIS地图数据库的特点及研究区域公交线路路网结构特征，研究GPS地图匹配算法，对于提高系统处理GPS实时数据的效率和地图匹配的准确率，从而为路段平均速度计算提供实时、可靠的基础数据具有重要作用。2．1．2异常采集数据识别和修补算法一般来说，城市道路路况复杂，隧道、立交桥和密集的高大建筑物导致了GPS信号产生盲区，在传输过程中，建筑物、树木、桥梁阻隔等原因导致传输信号差，使经纬度或速度突变、导致错误数据和数据丢失。由于检测设备故障、通信系统故障、环境因素异常、采集周期较短等原因，检测数据往往存在错误、时间点漂移、缺失、包含较多噪声等问题。为保证原始数据的精度和可靠性，需要对GPS获得的车辆数据进行监测和预处理【211。其中主要包括数据清洗、时间点修正、数据修补、数据平滑和地点及车道组数据生成等关键环节。GPS异常数据的处理包括异常数据的识别与修复两种策略【2引。一6～ 万方数据东北大学硕士学位论文第二章公交到站时问预测方法和应用综述(1)GPS异常数据的识别方法异常数据识别常用的两种方法是闭值检验法和基于交通流理论的检验方法。闭值检验法是指为检测的交通参数设置可能的最大、最小值，凡是超出闭值范围的数据均为错误数据；基于交通流理论的检验方法是根据流量、速度和占有率等参数之间的基本关系，对错误数据进行联合判断。(2)GPS异常数据的修补方法异常数据的修复经常采用两种处理方法：一是将错误数据剔除，这种方法适用于采集数据量特别大而且只有少量数据有错误的情况。二是将对错误数据修正，这种适用于数据间不是独立的，具有一定的相关性。根据数据之间的相关性将数据处理成没有偶然因素影响时本应该表现的数值的近似值。2．2公交到站时间预测方法研究公交到站时间预测是智能公交系统重要组成部分，在日常线路运营中，公交到站时间具有不规则性，因为它受许多不定因素的影响，例如乘客分布的随机性、车辆速度、交通事故及气候因素等。研究到站时间预测模型与算法，为乘客提供准确稳定的到站时间，便于乘客及时做出换乘决策，减少候车时间，降低出行成本，对于有效改善公交信息化服务水平，提高公交分担率，具有重要作用，对国家公交优先政策的顺利执行具有现实意义L23|。公交车辆到站时间受到众多因素的影响，具有一定的随机性和突变性，是衡量公交服务水平和可靠性的重要指标。从其组成要素来分析，公交车辆到站时间由路段行驶时间和站点停靠时间组成。影响公交路段运行时间因素包括：天气、实时路况、时间、突发事件等。影响公交站点停靠时间因素，包括：车辆进站、开关车门、乘客上下车、车辆离站和车辆进、出站受干扰的时间等。公交到站预测的方法和模型，主要从两个角度进行研究的。一是基于行为模式的仿真预测方法，二是利用历史和实时数据来进行分析和预测，具体的模型包括：基于历史数据预测模型、回归模型、时间序列方法、神经网络模型、卡尔曼滤波模型、支持向量机模型等。其中，从第二角度展开研究是主流方向。2．2．1基于行为模式的预测模型利用行为模式来模拟驾驶员的行为特性，并在此基础之上进行仿真分析。BaseL24】和Kachroo使用乘客到达率和乘客上车时间的比例来对公交驾驶员的动态特性进行仿真，使用最小二乘估计法来预测发车间隔和乘客上车时间的参数，在此基础之上，使用参数适应算法来建立公交车辆到站时间预测模型。一7一 万方数据东北大学硕士学位论文第二章公交到站时间预测方法和应用综述2．2．2基于历史统计的预测模型Chent251假设城市的交通状况是周期性的，且在特定路段内历史行程时间与当前行程时间的比值是不变的。在历史数据库的基础上，建立预测模型，利用实时定位数据调整公交车的预测到站时间。LinE26】和Zeng利用GPS定位数据、公交时刻表、时刻表匹配度等信息为Virginia的Blacksburg地区提出了基于GPS定位数据的公交车辆到站预测模型，但是该算法依赖的历史定位数据间隔较大，且精度不高，适用于郊区车辆稀疏的情况，不适合城市内交通情况变化较大的情形。罗虹利用公交车辆车载GPS装置获得的定位数据，结合车辆定位追踪路段交通状态检测以及GIS地图匹配等技术，充分考虑多种交通随机因素影响，提出了基于分段线性化公交路线和实时道路路段平均速度的公交车辆到间动态预测算法。该类模型原理易懂、操作简单，因此被广泛采用。但是，该类模型需要大量的历史数据为基础，对数据采集工作要求较高，且当突发事件导致公交车的实际行程情况大幅度偏离历史情况时，预测效果不理想。2．2．3基于傅里叶变换的预测模型张堂贤和郭中天【26】等根据不同出行者的需求来建立公交车辆到站时间预测模型，分为长期和短期两种模式。在长期预测模式中，他们使用动态随机性行程时间模式计算行程时间的期望值和方差，而后利用快速傅里叶变换得到一天内各路段行程时间的动态变化；在短期预测模式中，他们使用递归式最小二乘估计法来标定公交车辆前后站的整体延误，并实时处理临时的交通拥挤情况。此外，他们还提出了确定长期和短期预测模式分界点的确定方法。2．2．4时间序列模型Angelot271使用了非线性时间序列模型，来预测BRT公交车辆行程时间。在预测过程中，Angelo对比了两种方案：第一种方案仅以速度作为模型变量；第二种方案则使用速度、车道占有率和交通流多个变量来预测行程时间。实验表明单变量模型优于多变量模型。时间序列预测模型主要依赖于未来信息与历史信息的相似程度，当历史数据的平均情况发生变化时，会导致预测结果产生非常明显的偏差。较大的历史均值偏差将导致预测结果的极度不准确。而且时间序列模型在进行实时预测时还存在明显的滞后。一8～ 万方数据东北大学硕士学位论文第二章公交到站时间预测方法和应用综述2．2．5回归预测模型周雪梅【28】、杨晓光和王磊等将每两个相邻公交站点之间的行程时间作为一个计算单元，建立了两相邻公交站点之间行驶的公交车辆行程时间的回归函数，利用GPS数据计算回归参数并进行检验，对公交车辆行程时间进行预测，从而得到公交车辆的到站时间。Patuaik[29J和Chien利用车载自动乘客计数系统获得上下车的乘客数及延误时间，结合到站距离、滞留时间、相隔车站数和时段因素，建立了多变量回归的公交车到站时间预测模型。在预测时，将影响系数存入数据库中，并实时更新，作为预测使用。杨兆升【30】等利用模糊回归，构造了快速行程时间预测模型，编制了行程时间预测软件，并利用深圳市的交通实测数据，对行程时间进行了预测和评价分析。回归预测模型是以多个因素(如距离、交通状况、上下乘客数、相隔站点数、公交车中途延迟时间以及天气情况等)为变量，获得车站间行程时间函数，从而建立预测公交到达下游各站点时间的数学模型，该模型能够在最大程度上减小因素波动所造成的影响。但是，该模型需要预先确定公交车所处的交通状况，并要求输入变量是独立变量f即相关系数小于一定的阀值)，而实际上大多数的交通变量都是密切相关的，从而在很大程度上限制了该模型的应用。2．2．6卡尔曼滤波模型Kalman滤波是Kalman于1960年提出的一个最优化自回归数据处理算法，该滤波器由线性随机系统状态空间模型来描述，模型由状态方程和观测方程组成，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，采用一套递推算法对滤波器的状态变量作最佳估计，从而求得滤波噪声后有用信号的最佳估计【3¨，不仅可用于信号的滤波和估计，还可用于模型参数的估计。Wall和Dailey[32】提出使用卡尔曼滤波模型来跟踪车辆的位置，并在Seattle的华盛顿地区结合自动车辆定位系统(AVL)和历史数据来预测公交车辆的到站时间，但是他们并没有将停靠时间作为模型的独立变量。Shalaby和Farhan[33]提出了基于卡尔曼滤波方法的公交车行程时间预测模型，他们使用从多伦多城区采集而来的车辆定位数据来进行分析预测，发现卡尔曼滤波方法比历史数据模型，回归模型以及神经网络模型效果更好。他们采集了2001年5月每个周中5天的数据，选择其中4天的数据来训练模型，剩余一天的数据用来做测试。此外，他们还提出了一个分开的卡尔曼滤波预测算法，用来计算运行时间和停靠时间。所建立的历史平均模型，回归模型以及神经网络模型都包括了路段行程时间中的停靠时间，也就是说模型对于停靠时间和运行时间没有分开来考虑。他们将路段定义为在两个检查时间点一9一 万方数据东北大学硕士学位论文第二章公交到站时间预测方法和应用综述站点间的距离，每个路段包括8个公交站点，因此，他们只预测在时间检查点(TimeCheek)的停靠时间。温惠英【34】等利用灰色理论对影响行程时间序列的各因素进行灰色关联分析，根据灰色关联度的大小来选取路段行程时间的主要影响因素，并对Kalman滤波方法进行改进，研究表明改进后的Kalman滤波性能优于传统的Kalman滤波方法。卡尔曼滤波模型具有线性、无偏、最小均方差，便于在计算机上实现。由于所需计算机存储较少和计算时间较短，适于在线分析。模型具有适应不规则变化的能力，单步预测时精度较高，而多步预测预测精度会明显下降。2．2．7人工神经网络模型Chien[351等利用人工神经网络模型来动态预测公交车的到站时间，将公交车辆实时到站时间预测的预测方法分为四种：一是基于路段的，二是基于站点的，三和四分别是对前两种模式的实时修正。在四种模式中都使用了人工神经网络模型。他们通过输入实时数据，利用调整因子来修改预测模型，使用一个名叫CORSIM的软件生成的模拟数据(交通流和乘客数目)来预测公交车到站时间，但是实际中很难获得这样的数据，也没有考虑停靠时间和与计划的关系，因此具有很大的局限性。Jeong和Rilett[36】基于德克萨斯州休斯顿市采集的公交车实时AVL(车辆自动定位系统)数据，在给定交通拥挤实时信息和公交车辆在每个站点的停靠时间的条件下，建立了基于历史统计的模型、多变量回归模型和人工神经网络模型，通过比较三种模型的平均绝对百分误差(MeanAbsolutePercentageError，MAPE)，发现人工神经网络模型的预测精度要比历史数据模型和回归模型高。人工神经网络模型具有解决复杂非线性问题的能力。与基于历史数据和回归预测模型相比，人工神经网络模型在预测精度上具有绝对的优势，因此，它已经成为当前倍受推崇的一种公交车到达时间预测模型。但是，由于神经网络算法的结构确定、过学习和欠学习以及局部收敛等问题，使神经网络算法的推广能力受到一定的限制。2．2．8支持向量机模型支持向量机是Pnik[了7】等根据统计学习理论中的结构风险最小化原则提出的。SVM能够提高学习机的推广能力，即使由有限训练样本得到的决策规则对独立的测试集仍能够得到较小的误差。此外，支持向量机算法是一个凸二次优化问题，能够保证找到的极值解是全局最优解。这些特点使支持向量机成为一种优秀的学习算法。SVM是统计学习理论中最年轻的内容，也是最实用的部分。它主要研究如何从有限观测数据和样本中挖掘出目前尚不能通过原理分析得到的一10— 万方数据东北大学硕士学位论文第二章公交到站时间预测方法和应用综述规律，并利用这些规律去分析客观对象，对未知数据或无法观测的新现象进行预测和判断。SVM的理论基础是统计学理论，但是，不同于传统统计学的渐进理论，SVM研究的是在小样本下的统计学规律。它具有很强的学习能力，泛化能力明显优于神经网络，很容易在拟合程度与泛化水平上进行平衡。该方法选择一非线性映射把样本向量从原空间映射到高维特征空间，在此高维特征空间构造最优决策函数：利用结构最小化原则，同时引入了损失函数，并巧妙的利用原空间的核函数取代了高维特征空间的点积运算，避免了复杂计算。于滨【38】等人提出了一种基于向量机(SVM)和Kalman滤波的公交车辆到站时间预测模型，他们使用SVM来预测各路段车辆运行时间的基线，然后通过Kalman滤波利用最新的车辆信息，结合SVM输出的基线时间来动态预测车辆到达各时间点的实际时间，文中建立的SVM算法在大连市经济开发区的7路公交车的数据测试中表明比单一的SVM模型效果要更好，但是由于没有取得实时的公交车辆运行数据，实时预测算法的效果无从得到检验。2．3国内外智能公交到站时间预测系统的应用现状近年来，许多国家都意识到公共交通信息发布的重要性，公交车辆到站时间预测在智能公交技术应用中占有举足轻重的地位，相关的预测和信息发布系统在许多地方得到应用。2．3．1国外公交N,壶di预测系统的应用现状在瑞士卢塞恩，城市公共交通日臻完善。公交车站与站相距100至200米，发车相隔时间为4到7分钟，高峰期为2分钟。每个车站张贴各路行车时间表，并通过电子站牌动态显示下班车的到达时间，其误差不超过1分钟，极大地提高了公共交通系统的吸引力。在美国旧金山【43|，公交车辆利用MUNI系统将车载GPS设备接收的信息传送到控制中心，中心根据公交车的实际位置，即将到达的站点以及车辆所行路线的典型交通状况等信息，估计到站时间，并将其通过车站电子站牌提供给乘客。在日本东京都，交通局开发了城市公共交通综合运输控制系统(CTCS)，旨在改进公共汽车服务，重新赢得乘客。在CTCS中，公共交通运营管理系统目的是通过掌握运行情况以及累计乘客数据，实现精确平稳的公共交通运营服务。它将运营中的公共汽车和控制室之间建立信息交换，并利用诱导和双向通信的方法，将服务信息提供给公共汽车运营人员和驾驶人员，同时这些信息也通过进站车辆指示系统和公交与铁路接驳信息系统提供给乘客。公共交通综合管理系统包括累计运营数据、乘客数、监视和控制公共汽车 万方数据东北大学硕士学位论文第二章公交到站时间预测方法和应用综述运营和乘客服务等功能，其中乘客服务功能中包括进站汽车指示信息查询和公共交通与铁路接驳信息提示。2．3．2国内公交到站预测系统的应用现状近年来，内地的公交车到达时间预测研究系统也迅速发展。杭州、北京、大连、昆明、广州等几座大城市己在部分公交线路上建成了公交车辆跟踪调度系统，并安装了电了站牌，车载GPS定位设备并结合GIS，实现了对车辆的实时跟踪和定位、公交车与调度室的双向通讯、以及电了站牌上实时显示下班车位置信息等功能。同济大学研制的“交通信息网格系统”依托交通信息网格平台，将海量的流动车辆(出租车和公交车)采集到的GPS数据，用高性能计算机进行实时处理，并通过智能导航系统为车载终端用户、PDA用户以及手机用户等提供公交到站时间预测、实时路况、路况预测及最佳动态出行方案等。2003年，青岛公交集团就开始了智能公交系统在公交线路上应用的试点。青岛公交集团的所有车辆都安装了GPS并结合GPRS网络实时向调度中心发送车辆的各项数据，实现了电子自动报站等功能。2004年，广州市开始建设“公共交通自动监控及通信调度系统”，项目于2007年验收并投入使用，系统中的电子站牌包括总站显示牌和中途站显示牌，均采用LED显示屏。前者安装在受监控的线路首末站现场，为乘客、司机和其他人员提供交通信息服务，内容包括日期、时间、车辆发车时间以及车辆线路编号等；后者设在乘客集散量较大或较重要的中途站，提供交通信息服务的内容包括日期、时间、欲乘坐车辆距本站还有多少站以及自由信息等。2009年，苏州工业园管委会立项智能公交项目，该项目由中国移动苏州分公司承建，通过物联网的应用，借助GPS、GIS和中国移动完善的无限通信网络，实现了公交运营的全程动态监控。市民可以通过电子站牌，交通服务热线，短信以及互联网查询车辆的到站信息。在公交站台的LED电子显示屏上可以查询所有途经本站的车辆到站时间的信息，而且智能公交系统的报站准确率已达95％左右。2010年，无锡实施了融入传感技术的智能公交系统，综合运用了网络通讯、GPS、GIS等手段，由智能运营调度、电子站牌发布、IC卡收费、ERP管理系统等组成一体化智能平台。真正实现了，公交位置定位，车辆到站预测等功能。2．4本章小结本章对公交车辆到站时间预测模型进行了回顾和总结，并就其相关的应用系统作了简要介绍，通过对比和分析发现：公交车辆到站时间预测需要建立在车辆定位数据的基一12— 万方数据东北大学硕士学位论文第二章公交到站时间预测方法和应用综述础之上来进行分析，而数据的采集则依赖于车辆定位系统AVL等技术，历史数据和回归预测模型建模较为简单易懂，但是精度和适应性较低，Kalman滤波器模型在提前一步预测时精度较高，但是随着步骤的增加而不断衰减，人工神经网络模型在预测精度上具有绝对的优势，新提出的基于SVM向量基和Kalman的组合模型在静态预测上具有较好的效果，但是实时预测的效果还有待检验，并且提出的模型多是参数型模型，还没有针对公交车辆到站时间预测的非参数型模型。一般来讲，公交到站预测没有将动态交通状态信息与车辆定位信息有效融合，采集数据预处理方法较为简单，使公交到站预测的准确性、精确性和稳定性不高，预测结果的方式比较简单，例如，只是显示下班次的到达时间，而没有多个班次的到达时间，以及多条线路的班次到达时间。因此，通过进一步深入研究，设计出更加有效、更好显示模式的电子显示牌系统是必要的。一13— 东北大学硕士学位论文第二章公交到站时间预测方法和应用综述zhikuquan20150807·。——14‘_——万方数据 东北大学硕士学位论文第三章公交运行数据采集与预处理方法第三章公交运行数据采集与预处理方法3．1基于3G技术的数据采集3．1．1数据采集系统架构针对公交运行数据的采集，本文采用基于GPS、GPRS和GIS集成的采集方法。数据采集系统的基本结构由车载GPS终端设备、GPS卫星、GPRS／3G移动通信网和GIS监控终端组成。它以GPS卫星为数据源，以地理信息系统为基础，借助公交内部网进行信息汇总，定位等功能于一体。公交运行数据采集系统总体结构‘601如图3．1所示漤漤漤／¨。、、。一、、，∥澄’r‘”h，、。j，、j、≮zhikuquan20150807，j圄鲚⋯目一图3．1公交运行数据米集系统架构图Fig．3．1Frameonoperatingdataacquisitionsystemofpublictransport3．1．2采集数据模型公交运行数据的数据模型包括线路编号和车辆编号等静态信息，车辆当前位置经纬度，车辆瞬时速度，采集时间等动态信息，详见表3．1。一15一万方数据 东北大学硕士学位论文第三章公交运行数据采集与预处理方法表3．1公交运行数据采集表Tab．3．1Tableonoperatingdataacquisitionofpublictransport列名数据类型允许null3．2采集数据预处理方法3．2．1预处理数据模型根据预测模型需要，采集的数据不能直接用于预测，需要对数据进行预处理。预测需要的车辆实时运行表和车辆站点路段运行数据表，详见表3．2和3．3。表3．2公交运行实时数据表zhikuquan20150807列名数据类型允许null表3．3公交站点路段运行数据表列名数据类型允许null一16—万方数据 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法3．2．2预处理流程本文所选用的车辆定位数据是依赖含有GPS的智能设备采集得到，通过GPRS／3G移动通信技术传输。GPS测量得到的数据无法直接用于预测，需要对采集的数据进行预处理。预处理主要包含如下几个关键步骤：(1)数据匹配：根据采集的数据和地理信息系统数据，进行采集点的定位匹配，作为数据转换的基础。(2)数据修补：根据采集数据存在的错误和不一致的数据，采用修补策略进行修正。(3)数据变换：将采集的数据转化成预测需要的数据，即进行数据格式的转化。具体的处理流程图如3．2所示。图3．2公交运行采集数据预处理流程图Fig．3．2Flowchartofdatapreprocessing一17— 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法3．2．3地图匹配方法(1)采集点与拐点匹配方法采集点与拐点匹配目的是确定采集点在线路上的具体位置，并计算与线路发车站点的距离。匹配方法的具体步骤是：首先，判断该点所在经纬度属于哪两个拐点之间，算出该点到其前一拐点的距离。然后，根据基础信息表依次遍历前序拐点，并计算各个拐点间距离。接着，将前序拐点距离累加，并加上这段距离，得到采集点与起始站点的距离。方法的模型如下：m=argmin(f(n)=瓯+吨+1一乙：l≤，2≤Z)(3．1)m-Is=∑t+以(3．2)i=l“n：表示采集点距拐点n直线距离；s：该点距起始站点距离；乙：表示拐点n距其后序拐点距离；Z：线路总拐点数目；／,／：拐点序号。求解示例图，如图3．3所示。冬·0器～．。。．～囊鬣夔《霭、；；：=≯0南湖鬣蹩图3．3采集点匹配方法原理示意图Fig．3．3Schematicdiagramonmatchingmethodofcollectionpoints(2)采集点是否为第一进站点的判别方法一18一昏．黔～隅釜≯熊一 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法首先，判断该点是否为该线路第一采集点，若为第一采集点，该采集点为第一进站点，见图3．4中A点。若不是第一采集点，对于任意采集点取其前一采集点，首先判断两采集点是否在站点中心的同侧，若在同侧并且前一点距站心大于定义的缓冲区半径，后一点小于定义的缓冲区半径，则认为该点为第一进站点，见图3．4中B点。若在异侧并且前一点距站心大于定义的缓冲区半径，该点小于定义的缓冲区半径，则认为该点为第一进站点，见图3．4中C点。第一进站点判别流程，如图3．5所示。p纛≥‘·种●蔼薰本匿陵”’；◇撇l乞蠹滏公园●‘◇·。孵趱公圈喾’。。。¨．．。一¨霉嘿广场。黑崮图3．4第一进站点判定示意图Fig．3．4Schematicdiagramonjudgmentmethodofthefirstarrivalsite一19一●嘤 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法图3．5第一进站点判别流程图Fig．3．5Flowchartonjudgmentmethodofthefirstarrivalsite(3)采集点是否为第一出站点的判别方法第一出站点【52】的判断方法是取每一采集点判断其距前一站点站心距离。如果大于缓冲区半径，取其前一采集点，若其前一点距站心距离小于缓冲区半径，或在站心另一侧，则认为该点为第一出站点。第一出站点判别示意图3．6，图中的A为第一进站点。程序处理流程图如图3．7所示。一20— 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法譬‘毫虞瓠·40产甫蔫矗匿琏’神々甫蔫矗匿琏⋯●◇誊体蚤l。盛裳0西。◇。辩灌公强苍门《翁文体莲黯气．。．◇一～。．ro誉“。。．／。。9蕃黟A．第一出站点-·＼。万尧；广塌固粥谨叠盘“+气◇刺㈣图3．6第一出站点判定示意图Fig．3．6Schematicdiagramonjudgmentmethodofthefirstoutboundsite图3．7第一出站点判别流程图Fig．3．7Flowchartonjudgmentmethodofthefirstoutboundsite一21 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法3．2．4数据修补方法(1)误差数据分析一般来说，车辆定位采集数据都会存在一定的误差或遗漏数据。误差主要来源包括与GPS卫星有关的误差、与信号传播有关的误差、与接收设备有关的误差。经过分析发现采集数据存在以下问题：曲由于信号不稳定，中间点会出现丢失；b)由于采集设备和传输误差，采集点偏离线路；C)在站点周围，由于速度不变，没有插入数据，站点出现漏数现象。◇二：。～．●青_算【亢匿臻鬟≥支体匿籍气～◇。‘◇一”。’癣灌甚圈西n‘‘。ee。一舻乎摹◇’”：S跫广嫣。。·～。国刻漩举图3．8真实线路数据和采集数据比较图Fig．3．8Comparisondiagrambetweenactualdataandcollectiondata图3．8显示了没有经过处理的采集数据与真实数据的对比图，本文针对以上问题，分别给出了修补方法。(2)第一进站点误差修补方法对于一般性采集点都能识别出第一进站点，但当采集点出现特殊情况时，连续两次采集都在定义站点的区间之外，会出现漏采集进站点现象，漏采第一进站点示例见图3．9中的A点。一22一魈蹲默誊I．．Q。r＼ 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法◇’”。々撂霉穴匿陡，?飞誉僖盎铆l。@。⋯。·。’麟灞叠圈萏门气．苦～．一。。图3．9第一进站点遗漏示意图Fig．3．9Schematicdiagramonmissingpointsofthefirstarrivalsite本文采用插值处理修补漏第一进站点现象。具体的处理方法是：检测是否漏掉第一进站点的信息，如果判定某站没采集到第一进站点，在取该点第一离站点时，将第一离站点的前一采集点作为第一进站点。程序处理流程图，如图所示3．10。正常处理第一出站点图3．10第一进站点误差数据修补流程图Fig．3．10Flowchartonerrordatamendingofthefirstarrivalsite一23一广一器＼ 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法(3)第一出站点误差数据修补方法由于车辆运行的不平稳，采集软件有时采集经纬度数据会出现“回倒”现象，预处理算法会出现采集到两次第一出站点现象，详见示例图3．11，图中标注了四个连续采集点，当采集到这种连续数据时，就会出现重复采集第一出站点现象。本文采用修补策略进行近似处理，具体的处理步骤为：对于每一站点添加一标志位，记录该站点是否插入第一出站信息，如果已经采集到了第一出站点，则其后续再次采集到第一离站时，忽略不计。处理流程见图3．12所示。霉’4。t一。苇黟。稿V’II,莽耵嫣剁羹糍4。+％囝靶拨繁。图3．11重复采集两次第一离站点示意图Fig．3．11Schematicdiagramonrepeatedcollectionofthefirstoutboundsite图3．12第一出站点误差数据修补流程图Fig．3．12Flowchartonerrordatamendingofthefirstoutboundsite一24一¨蹶{；'=。+髂撩．一；◇；r、揪爹袭。彩l。，_．冀 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法3．2．5数据变换方法(1)站点信息转换通过第一进站点和第一出站点的判定方法，可以确定出车辆在站点的运行情况。在此基础上，进行站点停靠时间和路段运行时间等信息的转换。站点信息转换示意图见3．13。图3．13站点覆盖区定义Fig．3．13Definitiononareaofcoverageofsites具体转换方法是：当车辆第一次到达该站点的覆盖区内时【531，认为此时的时间为到达该站点的时间，记为∥，当车辆第一次离开该该站点的覆盖区内时，认为此时的采集时间为该站点的离站时间，记为掣，前一站点离站时间记为距。，经处理得到预测所需的站点停靠时间记为D，和路段运行时间R?。o尸=掣一彳尸(1≤f≤，2)(3．3)8尸=彳尸一班。(2≤f≤胛)(3．4)∥：公交线路，在d走向上，第f个站点的采集第一进站时间；∥：公交线路Z在d走向上，第f个站点的采集第一离站时间；D?：公交线路Z在d走向上，第f个站点的停靠时间；尺，：公交线路，在d走向上，以f为终点，前一站点到该站点的路段运行时间。(2)路段信息变换当采集点在定义的站点覆盖区的圆内时，瞬时速度等于平均速度。示意图如图3．14所示采集点1。一25— 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法鬃纂_}!i埔。漾绷重融i’。。采集点l—t∥净霉黟裁瘳mk静母。·影’一’”舞舻臻篡爱蠢灌‘k焉{1＼豳饲·l蒙冀滔潲寸融l舞线箱离s。-‘o+：悯内臻，：臻煮·蠡：象集点i赣囊耪蔫掣藏图3．14路段信思转化不总图Fig．3．14Schematicdiagramoninformationtransformationofroadsection路段平均速度的变换方法是：判断出了第一进站点和第一出站点，计算出每一采集点距起始站点距离，用该采集点距起始站点距离减去该采集点前一站点第一出站点距起始站点距离除以两点的时间差，则为该路段平均速度。要求采集点m计算出的平均路段运行速度模型如下：si(聊)=∑勺+‰(3．5)‰2器(3．6)叱。：第i个站点第m个采集点距前一拐点n直线距离；s，(m)：第i个站点后第m个采距i站点的实际曲线距离；‘，：第i个站点开始，第j个拐点距其后序拐点距离；vf。：第i个站点后第m个采集点计算出的路段运平均速度；胛：第m个采集点前一拐点在该路段序号；掣：公交线路，在d走向上，第f个站点的采集第一离站时间；C；：：：：公交线路，在d走向上，第i个站点后第m个采集点的采集时间；(3)采集时间变换将时间转化成字符类型，将时间化为年月日和时间四个字段分别存于变量中，按定一26一¨簌莲冀繁☆。∥◇；蠹拣蝎鼙引各◇掌幸。寺挚●+嘎 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法义将时间划分为不同日期类型和不同时段类型。(4)预测特殊点速度定义站点或红绿灯前速度都为0，但在站点内定义瞬时速度等于平均速度，当瞬时速度为零时，在预测算法中产生分母为零，程序报错，处理方法是先判断当前采集点是否为站点，如果不为站点则不作扰动处理，只用采集数据预测。若站点则将该速度改为前一速度不为O的采集点速度。程序处理流程图，如图3．15。图3．15特殊点速度定义流程图Fig．3．15Flowchartonspeeddeterminationofspecialsites3．3预处理方法实证分析3．3．1地图匹配方法验证表3．4采集点路段匹配结果Tab．3．4Matchingresultsofcollectionpoints采集点采集点距起采集点所属采集点下序号经度纬度始站点距离(m)路段序号一站点名表3．4显示了路段匹配算法匹配后的结果，经实际验证这些点都落在匹配的路段上，说明该匹配方法是正确是可用的。一27— 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法表3．5采集点第一进站点匹配结果Tab．3．5Matchingresultsofttlefirstarrivalsites采集点序号采集点经度采集点纬度第一进站点获取方法表3．5显示了修正后的站点匹配算法匹配后得到的第一进站点信息，表中的安全教育学校是修正得到的第一进站点，其它点都为直接匹配得到的第一进站点。经实际验证这些点都落在定义的半径圆内，满足对第一进站点的定义，说明该站点匹配算法是可行地。表3．6采集点第一出站点匹配结果!垫：i：!M坐垒i坚望!竺!!121坐!!!!壁2坐垒2旦翌垒坐!!采集点序号采集点经度采集点纬度第一出站点表3．6显示了修正后站点匹配算法匹配后得到的第一出站点信息，经实际验证这些点都落在定义的半径圆内，满足对第一出站点的定义，说明该站点匹配算法是可行的。3．3．2数据修补方法验证表3．7漏第一进站点结果Tab．3．7Resultsofmissingpointsofthefirstarrivalsites站点采集停留前站运到站所属站点编号次数时间行时间时间线路日期时段名表3．7显示在没有修补策略得到的预处理结果，由于漏采安全教育学校第一进站点，一28— 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法所以预处理结果出现站点停靠时间过长，而前站运行时间为负的状况。表3．8修补漏第一进站点后结果Tab．3．8Mendingresultsofmissingpointsofthefirstarrivalsites站点采集停留前站运到站所属站点编号次数时间行时间时间线路日期时段名表3．8显示在引入上文提出的漏采第一进站点修补策略后的结果，表中的数据显示修补后结果合理化。但仍存在多次采集第一处站点现象，从表3．8最后两行可以看出重复采集的数据。表3．9修正后的预处理结果表Tab．3．9Mendingresultsofthepreprocessing●●-●_-_●___●-_____●_-_-----___-_-____-_-_-_-----_●●_---_●●--_●_____-__-●-_●_______●_-_-_一TmW11--_----_____________-___-_--●-●●●___●______-_-_-_-_一站点采集停留前站运到站所属站点编号次数时间行时间时间线路日期时段名表3．9显示最终预处理结果，经实际数据比较验证了该预处理放方法的可行性。3．3．3预处理方法评价为了验证该预处理算法的计算结果是否合理有效，进行实际调研，选取沈阳244公交线路做了跟车调查。，调查时间段为2012年4月23号上午9：00．10：00，调查工具使用秒表，当公交车辆在公交站点停车并打开车门时按下秒表开始记录公交车辆在该站点的起始停靠时间，当公交车辆关闭车门开始加速运行时，按下秒表记录下公交车辆在该站点的离站时间，调查同时携带智能终端采集数据软件，在车辆运行时开启。调查表格设计如表3．10所示，在调查之后处理得到公交车辆在每个站点的停留时间、到后续站点运行时间和区间运行时间。一29— 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法表3．10实际调查表Talb．3．10Actualresults244线路运行数据调查表(跟车)时间段：10：00_11：00调查日期：2011年4月2调查人：王丽杰天气晴到前一站运行时间时间数据站点停靠时间(秒)编号站名到站时刻离站时刻1东北大学07210：08：0010：09：222安全教育学校108910：11：1010：11：193文体西路65810：12：2410：12：324盛发花园1191310：14：3l10：14：445省体院254310：15：3810：15：416市第六医院1459510：18：0610：19：417南湖公园西门761510：20：5710：21：128方型广场171910：24：0310：24：119南湖公园134610：26：4310：26：49上10盛京医院南湖院区行11展览馆12华润中心13青年公园14彩电塔15大西菜行16市委17一经街18市府广场19市政府20惠工广场21沈阳北站行车备注一30一 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法(1)前站运行时间预处理结果评价按照上数据预处理算法对采集得到的沈阳市244公交线路信息进行处理，计算后可得到两辆车在该时段的所有出行记录，得到244车在上行方向(东北大学～沈阳北站)的前8个站点作为实验对象，同样可得到站点的停留时间，如表3．11．3．12。经处理分析得到预处理相对误差如表3．13。绝对误差如表3．14。表3．1l预处理得到前站运行时间Tab．3．11Performanceperiodofnextstopafterpreprocessing一31— 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法(2)站点停靠时间预结果评价表3．15预处理得到站点停靠时间Tab．3．15Stoppingtimeafterpreprocessing一32— 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法1l5．4％8．3％0．0％25．0％29．4％8．3％14．3％27．4％22．2％13．3％22．2％20．0％33．3％13．3％36．8％317．6％11．8％0．0％11．8％7．1％36．4％42．9％15．4％413．3％15．4％6．3％0．0％16．O％33．3％31．3％511．8％27．3％5．9％8．7％30．8％50．0％10．0％610．5％15．4％25．0％7．1％12．5％5．9％20．0％22．2％716．7％O．O％14．3％13．3％7．7％25．0％4．5％0．0％86．9％12．O％6．7％6-3％35．7％21．4％15．8％11．8％平均值12．5％12．1％12．7％9．1％14．6％24．8％23．5％17．7％从表3．15．3．18数据显示，计算得到的停靠时间、路段运行时间与实际调查的公交车停靠时间和路段运行时间基本吻合，但计算到停靠时间要稍长于实际的停靠时间。路一33— 万方数据东北大学硕士学位论文gs_章公交运行数据采集与预处理方法段运行时间要稍小实际调研数据。这是因为数据算法设计时，考虑到车载GPS设备的精度引入了站点覆盖区分析的思想，即当车辆到达站点覆盖区内时，即认为车辆已经到达该站点，而手工调查则是以公交车辆打开和关闭车门来判断车辆的进站和离站时间，算法在计算时其实是扩大了车辆进站的范围，因此出现这一现象是正常的，且不影响预测到站时间。(3)区间运行时间预处理结果评价对于最终的预测结果，见表3．19．3．22，区间运行时间是有意义的，分析区间运行时间相对误差如图3．16，该图显示预处理结果相对误差最大没超过5％，一般在3％上下波动，实践表明该数据处理算法合理可行，计算得到的公交车辆停靠时间和路段运行时间可为下一步的预测提供大量的样本统计和测试数据。表3．19预处理得到区间运行时间Tab．3。19Intervalperformancepedodafterpreprocessing·_-—34‘_—— 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法相对误差预处理区间运行时间平均相对误差●预处理区间运行时间平均相对误差图3．16预处理后区间运行时间平均相对误差Fig．3．16Meanrelativeerrorofintervalperformanceperiodafterpreprocessing一35一蹦鼢“铺黜l号揣揣揣埔慨 万方数据东北大学硕士学位论文第三章公交运行数据采集与预处理方法3．4本章小结本章详细解析了公交车辆GPS车载设备采集而来的实时运行信息，在分析预测模型的基础上，提出数据格式需求。将采集到的数据转化成预测所需的数据格式。在转化处理同时分析了造成数据误差的原因，设计并实现了数据转换方法和数据清理方法并根据实际调研数据对数据处理算法的效果进行了校验，经检验得知该处理算法合理有效，可为下一步的预测提供大量的样本统计和测试数据。一36— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法第四章基于移动平均法和动态调整的混合预测方法4．1预测基本思想和因素选择预测结果的精确度与所采用的数据是否全面、准确和有效有重要关联。影响公交车辆到达时间的因素繁多，人为因素与环境因素相互作用，对于这些影响因素的量化程度和选取，将直接决定公交车辆到站时间的预测效果。经过综合分析，并结合可实现性、准确性和可靠性的基础上，本文主要考虑了以下因素【55】：(1)预测日期类型；(2)预测时段类型；(3)预测线路。预测方法的主要思想，是采用基于历史数据和实时动态调整相结合的思想，并通过预处理方法，对数据进行分类、筛选和修补，提高预测的准确性和稳定性。4．2基于移动平均法和动态调整的混合预测方法许多学者研究认为，公交到站时间在特定日期类型，特定时段内是有规律可循的。本文提出了基于移动平均法和动态调整的混合预测方法，该方法可统计出公交线路上各路段的平均行驶时间和各站点的平均停靠时间，然后再根据实时的公交车辆观测到站时间推算车辆到达后续站点的时间。4．2．1基于移动平均法的静态预测模型(MAM)基于平均行驶时间和停靠时间的静态预测模型将公交车辆的到站时间表示为：交车辆到达上一站的时刻加上路段行程时间加上靠站停车滞留时间。其中，路段行程时间和站点停靠时间采用基于历史数据的方法获得，到达前一站的时间利用GPS定位数据。该算法在没有突发事件情况下，预测精度可以达到要求。下面具体介绍一下模型的总体思想。(1)问题描述对于公交线路，，假设其在d走向上有刀个站点，则在该走向第i个站点的到站时间∥，可由前i一1个路段的运行时间和前i一1个站点的停靠时间求和得到，依次类推，现已知车辆到达第i个站点的时间，求其到第J(J≥i)个站点的到站时间。(2)模型参数数学符号么竺：公交线路，在d走向上，第i个站点的第m次到站时间；一37— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法彳l，md：公交线路，在d走向上，第／个站点的第n1次预测到站时间；磁：公交线路，在d走向上，第f个站点的第m次离站时间；碳：公交线路，在d走向上，第i个站点的第m次停靠时间；R：：公交线路，在d走向上，第m次采集以i为终点的前站运行时间；I葛．n：公交线路，在d走向上，以i为终点，前m．1次平均前站运行时间；礁Ⅲ：公交线路，在d走向上，第i个站点的前m．1次平均停靠时间；(3)预测模型示意图时间(秒)鐾’；路段i一1i路段i线路jd走向图4．1移动平均预测模型的原理示意图Fig．4．1Schematicdiagramofpredictionmodel(4)移动平均法预测模型D暖=上2一么；：：：(1≤f≤，2)碳=《一礤。)。(2≤fs行)一38一站点编号(4．1)(4．2) 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法∑碟嗽_1)2鲁(4·3)∑碟‘‰2鲁(4．4)么篇=彳篇+∑d?乙一1)+∑_I(d。一。)(1≤i≤门一1，2≤／≤刀)(4．5)4．2．2考虑车辆实时速度的动态预测模型(MADA)基于移动平均法的模型原理易懂、操作简单，因此被广泛采用。但是，该类模型以历史数据为基础，当突发事件导致公交车的实际行程情况大幅度偏离历史情况时，预测效果不理想。因此，引入了基于车辆实时速度的动态调整模型。该模型更具有一般性，不仅解决了上面模型中只能到达站点才预测一次的弊端，而且解决了车辆处于路段上同样可以进行预测。(1)问题描述对于公交线路，，假设其在d走向上有疗个站点，公交车现在处于f路段，i路段下一站点为七，公交车在f路段已经走过的距离为既，在该路段还要走的距离为&。要求到其后续站点的J(J≥i1站点的到站时间。(2)模型参数数学符号u：车辆瞬时速度；v口i：车辆已经走过路段平均速度；&：在路段f上公交车已经行驶过的距离；S。：在路段f上公交车还要行驶过的距离；丁：到预测站点总的运行时间；心：当前时间；么?：第．i个站点的预测到站时间；《：公交线路，在d走向上，第m次采集第i个站点的到站时间；磁：公交线路，在d走向上，第m次采集第f个站点的离站时间；碳：公交线路，在d走向上，第m次采集第i个站点的停靠时间；碳：公交线路，在d走向上，第m次采集以i为终点的前站运行时间；I复_11：公交线路，在d走向上，以i为终点，前ITI-1次平均前站运行时间；一气9一 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法礁-11：公交线路，在d走向上，第i个站点的前m—1次平均停靠时间；(3)模型原理示意图时间(秒)路段i-1；路段i图4．2动态预测模型原理示意图Fig．4．2Schematicdiagramofdynamicalpredictionmodel(4)动态调整预测模型碟=磁一《(1≤f≤，z)碳=《一蒜。)。(2≤f≤聆)m-t∑碟聪叫2茜了∑《I‰2鲁v：—Siovr+—So,vo,ISld+Sm一40一(4．6)(4．7)(4．8)(4．9)f4．10) 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法丁=导+∑j-Idl炳d叫+杰r‰Vfp女。’／=k+l’Al?：A幻+TJ』上nOW4．2．3基于移动平均法和实时动态调整的混合预测方法(ⅢADA)(4．11)r4．12)——安全教育学校一文体西路一盛发花园一省体院一市第六医院——南潮公园西门一方型广场——南潮公园图4．3单次实验单站点到站时间预测相对误差变化趋势Fig．4．3VariationtrendOnpredictionrelativeerrorofarrivaltime通过对MADA预测方法的数据进行分析，发现随着车辆逐渐靠近预测点时，预测的相对误差先逐渐变小，到达一个最小值后又变大。通过八次实验发现，多数曲线点都呈现这种变化趋势，随着车辆靠近预测点，误差会越来越小。因此，当进入站点附近时，预测算法需要对站点处的速度和位置信息做近似处理，该预测方法的效果不如直接路段运行时间相加减好。针对这种状况，在应该用时对算法进行改进，在相对误差回升前的状况用混合预测方法。HMADA预测方法的具体步骤：(1)靠近站点一定范围内，采用移动平均预测方法；(2)在一定范围外，采用动态调整方法。4．3公交到站时间预测方法实证分析4．3．1实证数据来源为了获得需要的实验数据，标定并验证预测模型的效果，本文使用沈阳公交的实际线路数据来进行实验。选取沈阳市244线路作为试点线路，连续两周安排项目组员带GPS设备跟车调查。配合项目进展首先做了手机端的读取数据软件，设计并实现了数据一41— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法采集系统和流程，系统通过GPRS无线通信网络来接收车辆传输而来的经纬度坐标、速度和时间等信息，将车辆历史定位数据以要求的格式存于历史数据库中。同时，实验当天的数据实时插入数据库中各对应的表中，并适时进行转化，用于分别预测其不同日期不同时间段的到站时间。沈阳市的公交线路拓扑如图4．3所示，选择其中的244线路作为本文实验的数据来源，244的线路走向如图4．4所示，在Arcgis中点击某一站点会显示该站点的一些基础信息。具体的线路运营信息如表4．1，线路站点信息如表4．2。图4．4沈阳市公交线路示意图Fig．4．4BusroutemapofShengYangcity一42— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法、k叫＼_图4．5244路公交示意图Fig．4．5Busrouteof244表4．1线路运行信息Tab．4．1Operatinginformationof244线路票价长度站点数运行车辆数运行时间一43一●旷●f 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法4．3．2实证数据获取本文通过公交调查来进行预测方法的验证。采用跟车调查方案，调查表格见表4．3具体的调查方案如下：●调查日期：2012年4月23日起，连续跟车调查一周。●调查时间：从早上244线路开始运营开始，以一小时为一个时间段，在时间段开始时上车，跟车调查。●调查方式：每个时段从东北大学上车一直跟车做到南湖公园，做好随车调查记录。◆记录内容：(1)记录车辆在各车站的进站时间和出站时间，并算出停靠时间；(2)记录车辆在站内的停车次数及停车原因；(3)记录车辆在各个站点的上下乘客数，为以后划分高峰、平峰时段做准备。4．3．3调查数据分析验证数据来源是4月23日到4月26日四天9：00．10：00时段，采集了八次244线路从东北大学到南湖公园的运行数据单站点预测实证分析，用于模型拟合的的公交运行数据，如表4．3。用于预测结果评价的公交运行数据，如表4．4，实际公交运行数据分析，一44— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法见图4．6和4．7。图4．4表明，各站的实际到站标准差分布从10秒到40秒，这反映了实际公交运行数据是波动变化的，存在一定的随机性。表4．3用于模型拟合的公交运行数据Tab．4．3Operatingdatausedtomodelfitting一45— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法实际公交运行数据标准差／∥罗∥／／∥，藏j秘鬣^移V图4．6实际公交运行数据标准差(MSE)Fig．4．6Standarddeviationofactualoperatingdata蜜瓣公雯逶掺酎瓣擎姆蕊!善≥～I⋯I⋯，-一1⋯I一，。——I⋯一～I⋯l⋯．／，，∥，／∥，图4．7实际公交运行平均路段运行时间Fig．4．7Meantimeofactualoperatingperiod图4．6反映实际各站点间运行时间不等，市第一人民医院、南湖公园西门、方向广场、南湖公园几站前站运行时间较长。这除了距离原因还因为这路段有十字路口。拥堵严重。4．3．4单站点预测评价分析(1)基于移动平均预测法的性能评价MAM预测结果的评价选取两个指标，分别是预测结果误差标准差和预测相对误差。前者衡量预测方法的稳定性，后者衡量预测方法的准确性。MAM得到的预测结果，见表4．6，MAM预测结果的绝对误差，见表4．7，MAM预测结果的相对误差，见表4．8，预测结果绝对误差标准差分析图4．8，预测结果绝对误差平均值分析图4．9，预测结果相对误差标准差分析图4．10，预测结果相对误差平均值分析图4．11。一46一∞药粥巧∞坫∞5o标准差一秒v 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法表4．5移动平均法预测结果!些：兰：i￡堡垒i!垒坚堡!旦!堡21翌呈坐旦璺21堡竺∑坐g型呈盥曼实验次数公交前一站到本站预测运行时间(秒)安全教文体西盛发花省体市第六南湖公园方型广南湖公育学校路园院医院西门场园表4．6移动平均绝对误差(MAE)Tab．4．6Absoluteerrorofmethodofmovingaverage公交到站时间预测绝对误差安全教育学校11．752．4l5．4680．0167．14102．4189．334．2546．2040．77文体西路20．6326．677．2430．1015．869．655．3942．0619．8511．93盛发花省体市第六南湖公园方型广南湖公园院医院西门场园19．00110．239．7524．509．6336．6373．5348．478．4487．0547．70lO．6730．105．653．8730．2032．0438．6242．1414．273．6039．10107．0536．7027．4135．554．058．4840．683．4713．0826．139．4466．2152．8939．480．4122．483．884．271．8729．226．8331．547．8917．6811．6426．7337．8728．078．2032．5341．2013．1234．8012．976．4728．4129．50表4．7移动平均相对误差(MAPE)!些：堡：!垦呈!坐i∑旦皇坚2121里皇坐旦垒垡翌旦∑!翌g型呈翌g呈实验次数公交到站时间预测相对误差安全教文体盛发花省体市第六医南湖公园方型广南湖公育学校西路园院西门场园一47一娥撇。2345678～一 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法4540．标j50髦羹；5222015105O基于撇枷向到站时间预测绝对误差标准差j-：_!l!l；I：．!-iI：≯≯≯≯≯夕≯如，图4．8移动平均法绝对误差标准差(MSE)Fig．4．8Standarddeviationofabsoluteerror图4．8显示预测误差是波动的，最大值是40秒，最小值是5秒。图中还显示，安全教育学校、省体院等站的预测绝对误差波动大。平均绝对误差秒基于M枷的到站时间预测平均绝对误差j_l_，l。_，_；■；_；l，j芦≯≯≯≯夕≯≯、图4．9移动平均法平均绝对误差Fig．4．9Meanabsoluteerrorofmethodofmovingaverage图4．9显示安全教育学校、省体院、方形广场、南湖公园几站的预测绝对误差大。40秒左右。一48一∞惦的药如巧拍坫∞5o 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法35％30％互256／,∽20％15％10％S％0％基于淞强的到站时间预测相对误差标准差安全教育学校文体西路盛发花园省体院市第六医院南滏公园西门方型广场南滏公疆图4．10移动平均法相对误差标准差Fig．4．10Standarddeviationofrelativeerror图4．10显示预测误差是波动的，最大值达30％左右。图中还显示，安全教育学校、省体院、文体西路、南湖公园等站的预测相对误差波动大。40'635％30％互专25％m20％1S％10％5％0％／∥芦∥／／∥蜘，，图4．11移动平均法平均相对误差Fig．4．11Meanrelativeerrorofmethodofmovingaverage图4．1l反映了移动平均法预测结果的准确性，可以看出市第六人民医院、南湖公园西门、方形广场三站的预测值较好，预测误差在5％．15％之间，基本满足预测要求，而其他站最差的预测相对误差达30％多。(2)基于MADA混合预测方法的性能评价MADA(Movingaveragedynamicadjustment—MADA)混合预测方法指对移动平均法进行改进，加入实时动态因素进行调整。对于MADA混合预测方法的评价指标同样选取标准差和相对误差。而本方法选取预测结果的平均值衡量。MADA混合预测方法多--49·-—— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法次试验预测绝对误差的标准差分析图如图4．11，MADA混合预测方法平均绝对误差如图4．12，预测相对误差的标准差分析图如图4．13，MADA混合预测方法平均相对误差如图4．14预测平均值的相对误差如图4．15。表4．8MADA预测方法绝对误差T{lb．4．8AbsoluteerrorofMADA一50— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法标准差秒基于姒DA豹到站时间预测绝对误差标准差歹≯≯毒≯夕爹≯图4．12MADA混合预测方法预测绝对误差的标准差Fig．4．12StandarddeviationofabsoluteerrorofMADA图4．12显示了MADA混合预测方法预测误差的稳定性，可以看出，除南湖西门和南湖公园两站预测绝对误差30秒左右。其它各站在5秒左右的波动。绝对误差秒基于MADA的到站时间预测平均绝对误差_歹≯梦霉爹夕梦≯j图4．13MADA混合预测方法预测平均绝对误差Fig．4．13MeanabsoluteerrorofMADA图4．13显示了MADA混合预测方法预测误差的准确性，图中可以看出，南湖西门和南湖公园两站预测绝对误差60秒左右。其它各站在20秒左右。一5l一站加珏加坫∞5o阳∞加∞o 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法l图4．14MADA混合预测方法预测平均绝对误差Fig．4．14MeanabsoluteerrorofMADA图4．14显示了MADA混合预测方法预测误差的稳定性，可以看出安全教育学校、南湖西门和南湖公园几站预测相对误差波动较大。在16％左右。其它各站不超过10％。45％40％3S％；30％》鬲25％20％15％10965％0％基于淞DA的到站时间预测平均耀对误差／／，≯／／∥蜘，图4．15MADA混合预测方法预测平均绝对误差Fig．4．15MeanabsoluteerrorofMADA图4．15显示了MADA混合预测方法预测误差的准确性，可以看出安全教育、南湖西门和南湖公园两站预测相对误差稍高，在30％．40％之间。其它各站都低于30％。一52— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法-图4．16MADA混合预测方法平均相对误差Fig．4．16MeanrelativeerrorofMADA图4．16显示了MADA混合预测方法平均预测结果的准确性，图中的柱状图是各站点预测的平均相对误差，最好的一站相对误差低于5％，最差也没超过30％．图中的横线表明了整条线路预测的平均相对误差在15％左右。’．(3)基于HMADA混合预测方法的性能评价通过分析对预测方法进行修正，将修正后的预测方法为HMADA(HybridMoviingaveragedynamicadjustment—HMADA)．该预测方法指对场景分类，距站点30米内的采集点用移动平均，其他中间点用动态调整，混合两种预测方法的评价评价指标同样选取标准差和相对误差。HMADA混合预测方法的相对误差如表4．10，HMADA混合预测方法多次试验预测分析，见图4．16．4．17。表4．10HMADA预测结果相对误差T{lb．4．10RelativeerrorofHMADA一53一j||j}'nx·||■■I||||||；_||】j_一= 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法35％30％王∽m25％20％15％10％5％O％三砷预测方法预测平均相对标准差比较／∥少∥／／∥◇，图4．17三种预测方法的相对误差标准差的对比图Fig．4．17Collationmaponstandarddevimionsofrelativeerrorsofthreepredictionmethods图4．17显示了HMADA混合预测方法平均预测结果的稳定性，图中的柱状图是各站点预测到站时间相对误差标准差，可以看出除南湖西门，所有站的预测稳定性都提高了。。静．梦三种预溅方法预测值平均相对误差比较芦∥／／≯洒，■MADA■MAM■HMADA图4．18三种预测方法的相对误差平均值的对比图Fig．4．18Collationmaponmeanrelativeerrorsofthreepredictionmethods图4．18显示了HMADA混合预测方法平均预测结果的准确性，图中的柱状图是各站点预测的平均相对误差，该图显示了改进后每站的预测准确性都有提高。由于数据量有限，南湖西门预测效果弱于移动平均。但是整体预测效果都是三种方法中最好的。预测的相对误差都低于15％。·_——54’_——：，hi。-kt∑|¨．_一．j-h．二r．王h，一-々，：4：h．觋毗％慨％溉％慨踹慨4321之一≯百m∥。S 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法4．3．5多站点预测实证分析为了验证HMADA预测方法的预测能力，对提前2和3个站点的预测结果进行了整理和分析。(1)两站点预测结果分析表4．11两站点预测绝对误差Tab．4．11Absoluteerroroftwosites(2)三点预测结果分析一55— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法表4．13三站点预测绝对误差Tab．4．13Absoluteerrorofthreesites(3)单站点和多站点预测实证分析比较。。‘。。。‘。。。。。‘————‘——‘。。。。11。1。。。1。。。。。。。1——。。。。。。。111111111。1。。1。。。1。1。1。1。。。1。1。1。。。。。。。。。。。。。。——。。。。。。。。。。●。●。●___●。。‘●。。‘。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。●●●V●●●。——照站点帮多站点预测绝对误差的标准差比较分析60暑40mO赫黼一番Z孽琶麓盛发芯西省体藏市第六匿菠青灌公匿西门方熏i。场商瀚公匿II革站赢预熬l焉站赢％三站点图4．19单站点多站点预测绝对误差标准差对比图Fig．4．19Collationmaponstandarddeviationofabsoluteerror一56— 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法120，革站点帮多站点平均绝对误差比较分析至100’》m080秒一J』趸体西路盛发花嚣省溶院图4．20单站点多站点预测平均绝对误差对比图Fig．4．20Collationmaponmeanabsoluteell'Or图4．19和4．20反映随着预测站点数增加，预测绝对误差增大，稳定性也变差。图4．21单站点多站点预测相对误差标准差对比图Fig．4．21Collationmaponstandarddevimionofrelativeerror一57一∞加O点占～占一站站蛄蕈两三一■匿仉H孥商场^型方 万方数据东北大学硕士学位论文第四章基于移动平均法和动态调整的混合预测方法塞发花园省嚣陵市第穴嚣麓鸯淫公园吞门方垄广场商港公霆一革始点■两菇点-三丝点图4．22单站点多站点预测平均相对误差对比图Fig．4．22Collationmaponmeanrelativeerror图4．21．4．22，反映随着预测站点数增多，预测相对误差减小，可以看出一定距离范围内，HMVDA的预测效果较好。4．4本章小结本章在综合分析了影响公交车辆到站时间的基础上，提出了基于移动平均法和动态调整的混合预测方法，通过实证分析，表明HMADA预测方法的效果较好，比单纯静态模型和动态调整结果都好，并且适合2．3个站点的到站时间预测。一58— 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计5．1公交到站时间预测系统框架5．1．1系统物理结构智能公交到站时间预测系统主要包括以下三个部分：(1)硬件电子系统：包括车载系统，智能公交电子站牌，交通信息采集设备，手机终端查询设备等；(2)软件业务系统：包括数据采集、数据转化、到站时间预测算法、到站时间评价系统、数据管理系统、终端查询及发布系统；(3)通信系统：包括GPS卫星接收设备，GPRS／CDMA无线信号传输设备和有线信号传输设备等。图5．1智能公交信息系统的物理连接关系示意图Fig．5．1PhysicalconnectionofIntelligentbusinformationsystem一59— 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计5．1．2系统逻辑结构应用层数据处理层数据传输层数据采集层电子站牌手机查询终端么∑弋夕l数据转化I割预测方法j么∑JL＼／II移动网络lG{RSJmlf-言ll通信设备I{}G臀l隅引图5．2智能公交到站时间预测系统的逻辑关系图Fig．5．2Thelogicrelationshipchartofintelligentbusinformationsystem5．2公交到站时间预测系统分析5．2．1功能需求分析本文调查了国内几个主要公交系统的系统功能，在此基础上，结合公交发展状况，设计了智能公交到站时间预测系统，具体分为以下几个子系统：(1)车载终端子系统通过携带装有GPS[621的手机终端等无线信息设备做跟车调查，在手机终端上安装数据采集软件模块，提供车辆目前所在位置和实时运行速度，为预测系统提供部分所需信息。(2)网络信息及信号传输子系统该部分主要负责为各子系统之间的通信提供数据连接，包括GPS卫星信的数据传GPRS／CDMA等无线网络通信及光纤有线通信。(3)数据信息预处理子系统该子系统为预测算法子系统提供数据支持。主要功能分为两部分，一是实时数据处理部分，由于从信息采集子系统获得的数据过于粗糙，需要对无效数据进行剔除或修正，然后再将此实时数据提供给预测算法子模块；二是历史数据库，通过长期的数据搜集和一60一 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计整理，针对特定的预测场景，特定的预测方法配置特定的预测数据为预测结果精准度提供有效的保障。(4)预测算法子系统该子系统是系统的核心模块，分别考虑不同状况，设计了各种场景下不同预测方法，将每一预测方法打包，准备被调用。为了方便评价，对于每种预测方法包括数据的输入配置，核心预测方法和最终输出结果设置。(5)预测结果评价子系统本系统采用在线预测离线评价的思想，对于上述的各种预测方法的预测结果分别评价其准确性、稳定性、可靠性几个指标。最终通过分析，将合适的方法用于特定的路段和时段，在最终的预测系统中配置预测方法，用于实时的预测。(6)数据信息管理子系统对于最终的运行系统，本系统中的基础数据大致分两类，分别是动态信息和静态信息。数据管理子系统主要负责数据维护，主要是实现数据的增、删、改、查。因此该模块包括以下四个子模块。(7)智能公交站台及显示终端子系统智能公交站台及显示终端子系统主要包括两方面，一是电子站牌显示终端，另一个是手机终端查询显示。本系统主要设计电子站牌显示。在本系统中电子站牌显示系统提供两种主要功能：触摸屏查询显示和电子站牌滚动显示，在站内设置智能公交信息系统的信息发布平台终端，为乘客提供系统最终预测的下一班(下几班)公交车辆到达时间及其他相应的公交出行信息。5．2．2数据流程分析图5．3公交到站时间预测系统顶层数据流程图Fig．5．3Flowchartonpredictionsystemofthetopfloor一61— 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计图5．4公交到站时间预测系统第一层数据流程图Fig．5．4Flowchartonpredictionsystemofthefirstfloor(1)模拟数据模块拟数据产生请求由图5．5公交到站时间预测系统模拟数据模块数据流程图Fig．5．5Flowchartonpredictionsystemofsimulmiondatalayer一62一∞公交配车和发车规则表 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计(2)预测方法模块交预测方法请求02实时采集数据图5．6公交到站时间预测系统预测方法模块数据流程图Fig．5．6Flowchartonpredictionsystemofpredictionmethodlayer(3)预测评价模块图5．7公交到站时间预测系统预测评价模块数据流程图Fig．5．7Flowchartonpredictionsystemofevaluationlayer(4)终端查询模块一63— 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计g田户公交查询请求教据lI图5．8公交到站时间预测系统终端查询模块数据流程图Fig．5．8Flowchartonpredictionsystemofend-stationpollinglayer(5)数据管理模块公交数据更新请求图5．9公交到站时间预测系统数据管理模块数据流程图Fig．5．9Flowchartonpredictionsystemofmanagementlayer·_——64‘_—— 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计5．3公交到站时间预测系统设计5．3．1功能总体结构图5．10公交到站时间预测系统总体功能结构Fig．5．10Theoverallfunctions仃uctLlreofpredictionsystem5．3．2功能详细设计(1)数据采集模块数据采集模块主要负责为整个系统提供基础数据，该模块主要实现的功能有键入基础信息，测量位置信息，速度信息等，然后通过信息传输模块，传入到服务器端的数据库中，为系统后续预测模块提供基础动态信息。该模块的功能结构图如5．n。信息传输模块l车辆信息键入、读取模块图5．11数据采集模块功能结构Fig．5．11Functionalstructureofdataacquisitionmodules(2)数据转换模块数据转化模块包括在预测模块内，但由于功能有别于预测，因此单独提出。由于直--65。_—— 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计接采集的数据不能直接用于预测，需要对采集的数据进行处理。该模块从基础数据中提取数据，进行操作，转化成预测所需的数据，再次存入数据库，用于预测。主要需要转化的数据分两类，分别是将时间型数据转化成时段和日期类型。(3)预测算法系统预测算法子系统是整个系统的核心部分，在线预测，离线评价的策略，预测时选取的是实时插入的实时数据。系统需要借助预测方法配置界面，选择出用于预测的数据。预测时，预测结果不仅要显示在前台，而且需要保存在数据库中，用于后续的离线评价。(4)评价模块在该系统中评价指标的选取有均值，方差和误差。以每一量车为对象，以时段为分类标准，以到站时间为评价因素，做出多个站点均值和方差两评价指标。最终通过折线图显示每个站点预测值和真实值之间的关系。最终比较多辆车误差的均值。得出结论：该预测方法在哪个时段对哪个路段适用。(5)数据管理模块该模块主要负责对数据库的数据进行维护，主要实现增删改查四个功能。用合理的界面实现对这些数据的操作，方便系统的管理。(6)电子站牌终端显示模块实时显示到站时间功能模块主要实现的功能有三部分，分别是滚动显示公交到站时间和换乘公交的情况，交互式显示到站时间，还有查询功能。各部分的功能如下所示：A．公交查询首先查询功能服务的对象有两类：(a)知道自己要坐哪条线路的车，想知道下一辆车的到达时间(b)不知道该坐哪辆车，只知道要去哪。要查询车次和车辆到达时间。B．滚动显示公交到站时间该模块接受算法库维护模块传递的信息，不断实施调用最新算法，最近动态数据结合静态数据输出预测结果。并定时更新。5．3．3数据库设计(1)数据库概念设计一66— 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计(2)数据库逻辑设计图5．12数据库设计E-R图5．4本章小结图5．13数据关系图Fig．5．13Datarelationshipchart本章首先对公交到站时间预测系统功能结构设计、体系结构与开发环境设计简要的一67— 万方数据东北大学硕士学位论文第五章公交到站时间预测系统分析设计说明，然后介绍了公交到站时间预测系统基础信息数据库的设计及数据表之间的关系图，最后具体介绍了个模块功能及实现过程方法。一68— 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现6．1系统研发平台概述本系统采用MicrosoftVisualStudio2005开发平台和SQLServer2005数据库相结合的开发方式，并采用高级编程语C拌．Net作为开发语言。6．2数据采集系统该功能模块通过SharedPreferences可以将NVP(Name／ValuePair，名称／值对)保存在Android的文件系统中。开发人员仅是通过调用SharedPreferences对NVP进行保存和读取。在获取到SharedPreferences对象后，则可以通过SharedPreferences．Editor类对SharedPreferences进行修改，最后调用commit()函数保存修改内容。实现界面如图：图6．1数据键入界向Fig．6．1Interfaceofinputingdata采集终端除了需要直接键入保存外，主体部分是使用GPS定位，通过调用Locmion中的getLatitudeO和getLonggitude0方法获得经纬度信息和速度信息。实现界面如图：当所需数据都采集到后需要传输到服务器端。通过SOCKET，可以实现应用中的并发链接建立SOCKET连接至少需要一对套接字，其中一个运行于客户端，称为ClientSocket，另一个运行于服务器端，称为ServerSocket。一69— 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现图6．2获取位置速度界面Fig．6．2Interfaceofgettingpositionandspeed6．3公交到站预测系统预测服务器端功能的实现是整个系统的核心部分。该部分采用c／s结构，主要包括预测数据模拟模块，预测方法模块和评价模块。根据前几节的系统需求分析、系统功能设计和数据库的设计，本节进行了软件模块的界面设计，以实现其功能需求。6．3．1数据模拟模块系统试验阶段缺少实时数据，需要模拟产生运行环境下需要的数据，主要有三个数据产生配置界面。分别是：发车计划界面，模拟运行界面，模拟到站时间界面和动态运行监控显示界面。(1)发车计划界面在该界面下，可以对模块的发车计划数据进行设置修改，界面设计图如图6．3所示数据库产生的发车计划如表6．1图6．3发车计划参数设置界面Fig．6．3Interfaceofsettingparameters一70— 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现唯一序号5095io5￡lSi2*。513Si．辱i5￡S篓*?5165175l$519“j520一i_*52l：522S23r52啐525S26(2)车牌号辽加01辽A002辽翮09辽A001辽A002辽A009疆Aoor暹Ao霹kY_A009kT_A003辽A004辽A003kT_A哟萼jJ．A003辽Aoo辱辽A003辽A004辽A003模拟运行界面表6．1发车计划表Tab．6．1Tableofstartschedule路线发车时fn-I蓑@ii二鋈谴I|||ii。2哇孳io2‘|辱24424牛244-萋蠹2唾唾2啐嚏2_啐啐2啐辱2啐啐2辱辱2辱珥2442辩2442q-q一、??■j??⋯一一一一1990-0I-3006：00：00女∞w19—90-01’3006；04：0⋯0上下行标志⋯⋯一1⋯一■27““；∞、”、””1誊。i蓦鬈薹⋯二黛iiI萋薹ii．i一；j，童赫t9喜0∞l一3006：08：0011990—01—3l06：00：00il】990—01—3ll窜90-0l·3l06：04：00rl06：08：00lIggo-02-Ol06：00：100j1。。t990-02_oLo交04：0⋯0⋯ti990-02—0l06：08：00r11990-0l一0l06：oo：000i990—0l一0l06：04：00‘01990}Iol一0206：oo：OOOml窖§0-0l一0206：04：00O重990-01-0306泪00：00019孽O一0l一0306：04：0001990—0l—o啤06：Oo：0001990一Ol—o‘|06：0．}：00019窜0—0l—0506：00：000车辆运营模块是在发车计划已经生成的基础上，在该发车计划下记录每一量车的实际运营情况，以十秒为一个采集周期，要给出的信息是每一量车每时刻的当前位置，瞬时速度，十秒内的平均速度和该时段行进的距离。通过前台输入要产生的数据要求，后台产生满足要求的模拟数据，在数据库中产生车辆运营表。实际运营数据产生参数配置界面如图6．4：模拟运行数据如表6．2阑蟊纛黧叠§li篡黝；溺一㈤燃㈧㈣鳓黼鞠梗拟线路梗拟日期运营记录数，二耄。黼蝻薯。曩t≥。函。二、￡盆盛蠡萤蕾芭b＆缸““A‘“豳搿越=E-船j““囊r精紫黧孵啊习-”一—擀，譬⋯删愚孽孵习图6．4运营模拟参数设置界面Fig．6．4ParametersinterfaceofSimulationoperation一7l一 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现表6．2模拟运行表车辆编号嘲辽A001}辽A001辽A001所属线路244Tab．6．2Tableofsimulationoperation车辆当前位置车辆该时闻段⋯车辆该时间⋯～，～⋯，．～⋯，*、*一、一⋯一一⋯⋯⋯、一*、、●一⋯一～一⋯“～～0．斗斗0．啤珥2．650．860．辱22．531．320．462．76i．730．412．472．070．3珥2．062．460．392．352．90．442．673．270．372．213．60．3324．10．52．994．520．422．534．880．362．195．330．耳52．695．720．392．376．090．372．226．470．382．36．880．412．}97．280．42．387．670．392．338．070．42．388．460．392．36车辆⋯上⋯当前时刻2．652．532．762．472．062，352．672．2122．992．532．192。692．372．222．32．492．382．332．382．362000·11·16：00：002000-11-16：00：102000-1卜16：00：202000-11·16：00：302000-1l-16：00：402000-11-16：00：502000-ll-16：01：002000-11-16：01：102000-11．16：01；202000-11-l6：01：302000-11-l6：叭：402000-1卜16：叭：502000-11-16：02：002000-11-16：02：102000-11-16：02：202000-11-16：02：302000·11-16：02：402000-ii-16：02：502000一ll一16：03：002000-11-16：03：102000-11-16：03：20(3)模拟到站时间界面当模拟运行表已经产生的情况下，车辆每一时刻的位置信息已经知道，站点信息也已知，通过判断看是否到达站点，当车辆到达站点时将记录一次到站信息。配置界面如图6．4，产生到站信息如表6．3。图6．5模拟到站时间参数设置界面Fig．6．5ParametersinterfaceofSimulationarrivaltime一72— 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现表6．3模拟到站时间表Tab．6．3TableofSimulationarrivaltime车辅翁号l站点鹩站点名．所麟到糊E下行棘恚辽加01081j剐呔学2442000-11·16：58：500i工a002081东j缺学2442000-11-17：02：500i!aooa001刺蚨学2442000-11-I7：04：100辽A009001东j瞄等2442000-11·17：06：500辽A00't001利跌掌2442000-11-17：08：100辽枷l∞I剩蚨学2442000-11·17：08：400辽A002001剩跌学2442000-11·17：12：400iZa003001剩呔学2442000-11-17：14：200iZa009001剩欧学2442000-11-l7：16：400辽A00400l东北大学2442000-11·17：18：200辽A001∞l东北大学2442000-11-17：18：500k工a082081剩蚨学2442000-11-17：22：500'm003001东j蚨学2442000-11-17：24：000iZa009001东j呔学2442000-11-17：26：500iZa004081刺蚨学2442000-11·17：20：080iZAOOl∞I东j呔学2442900-11·l7',28：400iZa082001东北大学2442000-11-17：驼：啐00|jZa003∞l东j蚨学2442000-11·17'．33：500i匹A009∞I东j蚨学2442000-11·17',36：400辽^0∞001利吠学2442000-11-17：37：500辽枷l001利时津2442000-11-I7：38：300(4)动态运行监控显示界面当该部分包括动态显示配置界面和动画显示界面。配置界面主要选择要模拟的线路，模拟日期和模拟起始时间，当在配置界面选中条件后，动态显示界面将读取对应的信息，在前台显示该线路的运行情况，包括有几辆车，车的性质(编号、速度、位置)线路性质(站点名、位置等)并动态更新。配置界面如图6．6，动态显示界面如图6．7。图6．6动态显示配置界面Fig．6．6Parametersinterfaceofdynamicdisplay一73— 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现6．3．2预测模型模块图6．7动态显示界面Fig．6．7Thedynamicdisplayinterface在预测方法模块，要实现三个主要功能，分别是：提取预测数据，实时保存和显示。因此设计如下图6．8，提取数据实现对基础数据的处理，预测，结果提取有用数据，预测是进行运算并将预测结果插入数据库。查询结果将预测结果前台显示。图6．8预测界面Fig．6．8Predictioninterface·_——74’__—— 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现6．3．3预测分析模块(1)评价界面预测方法已经实现，需要对预测结果进行评价，评价界面如图6．9，点击评价向数据库中插入评价因素的评价指标值。点击分析在前台显示分析指标曲线。点击查询评价结果前台显示评价计算值。评价结果见表6．9所示。车辆编号强糊{段帕藿雌茹窿幅嘉l胄fH}委剩臼搬粪型婆竺竺一⋯一⋯j疆；肇E-_’??_?二二3蔓亍I“的到站时间豫测平均相对误差一“安全缸■字幢文体西铬蕾发花日省体院市南丌医陵两湘公园西n方警广插期霸公目l车辆编号}蠹醐{段站点名莉：基鲞磬囊—_t系e+ool章嘲公园辽^oOli工”oliZ^001辽∞oI辽^00l辽^ool7∞一B00醢束匿F^商：胡T。00—8∞T：∞一8∞7：00一8：∞l揽；宣华竭中心臂年公园囊i电j*犬西黎行予夤捌到站8j目'夤剩误差再襄到站酣阀唯—编号一∞12／3／10T巧20i2／3，lO725l∞12／3／lOT：2T2012，“lOT．盯22012／3，t0T：∞2012，3，lO7：313∞12，3，lO7’332012／3／IO'‘3'420l"’／3／iOT：352012／Ⅳ107．3sS2012／3／107：37201Z／3／10T3T6∞12，3，lOT3020121：，／107^OT一(2)分析结果：车獭号。辽Aool辽A001：辽Aool：辽枷l：辽Aool，辽A001辽A00l辽A001．辽矗ool辽Aool辽瑚1辽A001颧糊l段7：oo七：∞7：oo-8：007：oo名：007：00-8：007：oo-8：007：00-8：oo7：oo电：∞7：00．8：。o7：oo-8：007：oo-8：∞7：∞．8：007：oo．8：007：∞-8：∞图6．9评价界面Fig．6．9Evaluationinterface表6．4评价结果表Tab．6．4Tableofevaluationresults站点名甭翔公园盛袭医陵离湖震览馆华羯中心青年公园彩龟搭大嚣菜行市委一经街市府广场市致病惠工广场沈阳j￡站6．4电子站牌显示系统6．4．1基础数据管理颈测均值2。技．03·1007：．∞12_03·lOO7．．2012_03·i007：．∞i2-。3-1007：．2012∞3-1007：．2012_03-1007：．2012旬3·1007：．∞王2．03．1007：．2012_03·1007：．2。12电3·1007：．2。12．03-1007：．2。12旬3-1007：，∞12103-1007：．预测方差．^骐Z。越点王。^乏应2．撇￡。撇￡。^￡殷．^定赳．臌￡．擞Z．^班￡．腿五Z．．^H2，^黻￡真买馕瞧—缡号2012．03·1007：⋯：2012龟3·1007：⋯：20垃电》lO07：⋯：2012-。3-1007：⋯二20i2田3·如07：⋯S2012．03．1007：⋯S20技_。3·1007：⋯?2012．03-1007：⋯02。12_03·1007：⋯$2012．03-1007：⋯：i2012勺3-lO07：⋯：：2。12103-i007：⋯：：2012田3-lO07：⋯：3工作人员在进行登陆之后，就可以对数据进行管理。数据管理如图6．10。一75一I—●■■一—■■一●II～一：．：．一‰群弭眠弭帆鲰{苎 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现『I久㈣晨暴露穗嚣懑哼：-∞b@v{l三llI蹦l霹銎}F”r～l—唯，匿：譬嚣葛叫’酬豳潮躐l翥强嚣至厅啦亘曲捐&蝗i勰jt曩尸’a打|5e羲；酗§：鹋#：交蚤l>簸a羞旦0短S：o：o：黧搿掰鞲掰黼l缫3警2霉圈燃丽魏稳鄹噤嬲鼹糍镕《麟鬻嬲s二蕊礁二鹫女Zn髑奴I：iit!l量移l黼E秘撑链镑臻亚自戢壁t船麟簦蕊舌导_荆i黼蹶翻锩置莒悻棼躁‘li联Z诧璺撑簪曹磷廷南三；鼯鼍t醛琶罄0j喜葺≥戮≤I}}ijI!酶x糠15"酚隧姜}；柏盼酶]：0一§献口船醛豳黧li哼：《i：=一繇一；?碾#燃莘i夏丧：j鹧燃㈣鹨l 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现6．4．3公交站点查询该页面为基于站点的查询，在界面中输入起点和终点，点查询，出现通过该站点的线路信息。201l￡i8是S三景冀一16：42：31移电塔聂匿姑最曼宴冀⋯⋯蔓j靖38’】8。今天天气焉龋辩祀曰嚣旭番竞元气还荩氧建波去)。。(去撮毯鬟惠j三穿上璃衣小心蕃蕞It,奎交挂曩查均2捺动蕈两曼子O公变钱替壹海@公珏直蚤谗起籀站直l翟2翌E：二]缚点站点薹蔓!!三二二]开始检誊怒可以蓑坐：{二篷路．在蓑北大学工车避径1姑藏过儿∈590酥，型遮沈阳北站下生祝芝藏选犏按!图6．12基于站点的查询Fig．6．12Searchingbasedonsites6．4．4公交线路查询该页面为线路查询功能界面，在页面输入线路名，点查询后，屏幕显示该线路基本信息，同时滚动显示最近到达该站的车辆信息。6．4．5到站时间滚动显示嚣赫鼍蠹_j誊‘互鞠l杖囊窖|德§6，e0荤辫释止孵瘟2}00嚣债：辩jt嚣黯援0老’≥000000e嚣站辩20嚣麓辑■誊蠼蔫■学爵覆静鬻琏拳端点辞鬻：毒毒±：矗23兰垂≥0：l，硌§+0S：530：≥&{砭j325D：0：1．0S-08】S：懿：22：jj牢824≥10：eii，080SIe3§：3≥图6．13基于线路的查询Fig．6．13Searchingbasedonroutes该页面为滚动显示功能，点击滚动显示，屏幕上依次显示最新到达的车辆的信息，依次滚动．并不断更新最新数据。一77一l，_蹴二=。一她二鬻篓《}黧潲鬟张躐Ⅲ薹| 万方数据东北大学硕士学位论文第六章公交到站时间预测系统实现6．5本章小结2011兰E霉S三：}翔一9,64ji6翱每瑶远舞潍寰曼皇魁⋯⋯■鼋；8。18。今娥气臻臻，蛳二日嚣笼慧勉。链再：}薹重逝xxx斋髂，剃意i蹲上瑁衣小心羞害：二j车至蟹号≈牛3“jj0颈计姚毒站的时1日呈2ej．，：’Ec÷埔，：．3{浩蛀善看婷对璃墨竞谬了利l目祝缝辕建愉梃<-j车革悖县栅2356臻计iJ进车站{蛳闰是20i：一0j-0e：o：23：30，谭拓吝善鲜孵匠圳免汪了对I目-倪嚣辕j￡恼慷一；；车军特等为Ea]25D．臻计醚：计嗍旧鼍：e1‘?一}一，葛li34。：请髂昔抖对凋“冕谭?封日垃它扛沾谍图6．14滚动显示Fig．6．14Rollingdisplay本章根据系统的功能需求分析和系统功能以及数据库设计，开发实现了公交到站预测系统。整个系统的实现，分为数据采集系统、公交到站预测系统和电子站牌显示三个子系统。一78一；曩刻麓一潮一割一 万方数据东北大学硕士学位论文第七章总结与展望7．1论文工作总结公交车辆到站时间是出行者最为关心的交通信息之一，准确、实时的公交车辆到站时间预测模型是交通流诱导和线路引导的重要基础，为公交出行者提供更加可靠的信息服务是实现城市公共交通智能化的重要内容，对城市公共交通的发展起到积极的推动作用。交通系统非常复杂，跟时间相关度很高。已有的公交到站时间预测方法难以取得理想的效果，本文分别从理论研究和实际应用两个方面做了一些工作、取得了一些进展。运用了数据采集技术、预处理技术，实现了对车辆到站时间实时动态的预测。论文完成的主要研究工作如下：(1)本文综述了国内外预测方法和地理数据预处理方法研究现状，探讨了已有公交到站时间预测方法的优势和不足。(2)对智能采集的车辆实时运行数据进行分析，实现了数据和地理信息的匹配，并对采集数据存在的问题进行修补，最后根据预测模型的需要，将采集的数据转化成预测所需数据。(3)结合沈阳实际情况，系统地分析了一下影响公交到站时间的因素，提出了基于路段运行时间和停靠时间的预测模型，利用能够实时采集车辆运行情况的优势，对预测模型进行改进，提出了引入动态调整的预测模型。(4)本文的数据来源于沈阳244公交的实际运行情况，并用实际调研的数据跟智能终端采集的数据预测结果进行比较分析，实例验证了预测方法的有效性。(5)设计并实现了公交到站时间预测系统，并提供了公交信息管理的系统，系统能时间对公交基础信息的管理。7．2未来研究方向展望虽然论文工作在预测方法和系统实现方面，取得了一些进展，但是还是存在若干内容需要进一步研究和开发，具体内容如下：(1)模型算法方面由于时间有限，现在的模型验证只做了晴天数据，以后可以做多站点多天气类型的数据，分析比较不同场景预测模型的有效性。将预测场景分类，分析不同场景的特征，设计更多预测模型，通过实证分析，将预测效果最好的预测模型与对应的场景一一对应，一79— 万方数据东北大学硕士学位论文在系统中实现预测方法与场景的自动绑定。(2)系统实现方面第七章总结与展望在理论研究的基础上，不断完善公交到站时间预测系统的服务功能，使界面更加美观友好，内容更加丰富。通过与GPS、ArcGIS、TransCAD等技术的深入结合，使得系统更符合实际的需要，可以更加方便解决实际中所遇到的问题，继续增加线路实施监控功能模块和预测方法评价模块等。一80— 万方数据东北大学硕士学位论文参考文献1．陈石．区域公交时刻表生成的模型与方法研究[D】，北京，北京交通大学硕士学位论文，2009．2．罗虹．基于GPS的公交车辆到达时间预测技术研究[D]，重庆，重庆大学硕士学位论文，2007．3．彭聪．基于GIS的城市公共交通监控调度系统数据库的研究【D]，广州，中国科学院广州地球化学研究所，2005．4．张斐斐．公共交通驾驶员调度问题研究[D]，北京，北京交通大学硕士学位论文，2006．5．孙棣华，张星霞，张志良．地图匹配技术及其在智能交通系统中的应用[J]，计算机工程与应用，2005．20：225．228．6．Quddus，MohammedA，Noland，RobertB，Ochieng，WashingtonYAhighaccuracyfuzzylogicbasedmapmatchingalgorithmforroadtransport[J]，Source：JournalofIntelligentTransportationSystemsTechnologyPlanningandOperations，2006，10(3)：103．115．7．Nassreddine，Ghalia,Abdallah，Fahed，Denoeux，Thierry．M印matchingalgorithmusingintervalanalysisanddempster-shafertheory【J]，Source：IntelligentVehiclesSymposium，2009IEEE：494．499．8．Velaga,NagendraR，Quddus，MohammedA，Bristow,AbigailL．Developinganenhancedweight—basedtopologicalmap-matchingalgorithmforintelligenttransportsystems[J]，Source：TransportationResearchPartC：EmergingTechnologies，2009，17(6)：672—683．9．Jong-SunPyo，Dong-HoShin，Tae—KyungSung．Developmentofamapmatchingmethodusingthemultiplehypothesistechnique[J]，IntelligentTransportationSysterms，Proceedings，2001IEEE：23—27．10．Chawathe，Sudarshan．Segment-BasedMapMatchingIntelligentVehiclesSymposium[J]，2007IEEE：1190．1197．11．屈宏斌．基于网络拓扑关系的综合地图匹配算法[D]，兰州：兰州大学硕士学位论文，2006．12．周璞，刘卫宁，孙棣华．基于路网拓扑结构的无方向参数地图匹配算法[J]，计算机工程与应用，2006，33：188．190．13．彭飞，柳重堪，张其善．基于代价函数的组合导航系统地图匹配算法[J]，北京航空航天大学学报，2002，28(3)：261．264．一81— 万方数据东北大学硕士学位论文参考文献14．张涛，杨殿阁，李克强，连小珉．车辆导航中带匹配度反馈的模糊地图匹配算法[J]，清华大学学报(自然科学版)2009，49(2)：277—280．15．唐进君，曹凯．基于分层模糊控制的地图匹配算法【J】，山东大学学报(工学版)，2008，38(4)：42—46．16．杨新勇，黄圣国．基于拓扑结构／自适应模糊决策的地图匹配算法[J]，上海交通大学学报，2004，38(8)：1389—1393．17．丁露，陈家斌，张丽华．拓扑结构／模糊逻辑的车载导航系统地图匹配算[J】，火力与指挥控制，2011，33(6)：52—54．18．胡林，谷正气，杨易，黄晶．基于权值D．S证据理论的车辆导航地图匹配[J]，中国公路学报，2008，21(2)：l16-120．19．谷正气，胡林，黄晶，杨易，胡芳．基于改进D．S证据理论的车辆导航地图匹配【J】，汽车工程，2008，30(2)：141—145．20．唐进君，曹凯．基于云模型不确定性推理的地图匹配算法[J]，计算机仿真，2007，24(10)：220-223．21．毕俊杰．公交浮动车数据的实时地图匹配算法研究[D]，重庆，重庆大学硕士学位论文，2010．22．肖锋．面向道路交通状态监测的GPS与GIS数据预处理关键技术研究[D】，重庆，重庆大学硕士学位论文，2008．23．牛虎．公交车辆到站时间预测研究[D】，北京，北京交通大学硕士学位论文，2010，6．24．Base，S．ProactivetraveltimepredictionsunderinterruptedflowconditionCD—ROM[C】，InProceedingsofthe6mInternationalVehicleNavigation&InformationSystems，Semle，Washington，1995．25．ChenM．，ChienS．I．，LiuX．，BfickeyJ．M．ApplicationofAPC／AVLarchiveddatasupportsystem[C]，InTRB82ndAnnualMeeting(CD—ROM)，Washington，2003．26．张堂贤，郭中天．公交车到站时间暨复合路线旅行时间预估模式的研究【J】，土木工程学报，2005，38(12)：115一123．27．D’Angelo，M．P．，A1一Deek，M．C．Wang．TravelTimePredictionforfreewaycorridors[C】，InTRB78thAnnualMeeting(CD--ROM)，Washington，1999．28．周雪梅，杨晓光，王磊．公交车辆行程时问预测方法研究[J】，交通与计算机，2002，20(6)：12-14．29．PatnaikJ．，ChienS．，BladikasA．EstimmionofbusarrivaltimesusingAPCData[C】，JournalofpublicTransportation，2004，7(1)：1—20．30．杨兆升，保丽霞，朱国华．基于Fuzzy回归的决速路行程时间预测模型研究[J】，公路一82— 万方数据东北大学硕士学位论文参考文献交通科技，2004，21(3)：78—80．31．Lin，W．，J．Zeng．Anexperimentalstudyonrealtimebusarrivaltimeprediction晰tllGPSData[C】，InCD--ROM78mAnnualMeetingoftheTransportationResearchBoardNationalResearehCouncil，Washington，1999．32．WallZ，D．J．Dailey．Algorithmforpredictingthearrivaltimeofmasstransitvehiclesusingautomaticvehiclelocationdata[C】，In78thAnnualMeetingoftheTransportationResearchBoard，Washington，1999．33．Shalaby,A．S，A．Farchan．Bustraveltimepredictionfordynamicoperationscontrolandpassengerinformationsystems【C]，In82ridAnnualMeetingoftheTransportationResearchBoard，Washington，2003．34．温惠英，徐建闽，傅惠．基于灰色关联分析AdvancesinInformationSciencesandServiceSciences的路段行程时间卡尔曼滤波预测算法[J]，华南理工大学学报(自然科学版)，2006，34(9)：66．69．35．Chien，StevenI．J．，DingY，WeiC．Dynamicbusarrivaltimeprediction诚martificial【J】，NaturalNetworksJournalofTransportationEngineering，2002，128(5)：429-438．36．JeongRRilettL．R．Busarrivaltimepredictionusingartificialneuralnetworkmodel[C】，InIEEE7thIntelligentTransportationSystemsConference，Washington，2004，988-993．37．Chien，StevenI．J．，DingY，WeiC．Dynamicbusarrivaltimeprediction、Ⅳithartificial[J】，NaturalNetworksJournalofTransportationEngineering，2002，128(5)：429-438．38．于滨，杨中振，曾庆成．基于SVM和Kamlan滤波的公交车到站时间预测模型【J】，2008，21(2)：89-92．39．Cathey,FW,Dailey,DJ．Aprescriptionfortransitarrival／departurepredictionusingautomaticvehiclelocationdata[J]，TransportationResearchPartC，2003，11(3)：241—264．40．MaZhenliang，XingJianping，YanShihao，Wuyong．AnAggregationMethodforDynamicBusArrivalTimePrediction[J]，AdvancesinInformationSciencesandServiceSciences，2011，3(6)：37-4641．Wen-TingLiu，Zhi—JianWang，QinYan，Traveltimepredictionofmulti-sourcehistoricaldatafusion[J]，InProceedingofAdvancedMaterialsandComputerScience，2011，30(10)：777-78142．徐健锐，李星毅，施化吉．处理缺失数据的短时公交流预测模型[J】，计算机应用，2011，30(4)：1117-1124．43．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，2006，2：31-34．44．孙喜梅，杨兆升．城市公共交通站点间实时动态行程时间预测的模型[J】，吉林大学学报(工学版)，2002，1：47．51．45．韩印，杨兆生，胡坚明．公共交通智能化调度基础数据预测方法研究[J]，公路交通科一83— 万方数据东北大学硕士学位论文参考文献技，2003，3：140—143．46．姚宝珍，杨成永，于滨．动态公交车辆运行时间预测模型【J】，系统工程学报，2010，3：365．370．47．程功．基于公交到站时间预测的公交调度模型研究[D】，广州，华南理工大学硕士学位论文，2010，6．48．荣秋生，颜君彪，郭国强．基于DBSCAN聚类算法的研究与实现【J】，计算机应用，2004．4：45·46．49．陈巳康，詹成初，陈良贵．基于路段行程时间的公交到站预测方法[J】，计算机工程，2007，21(1)：281-282．50．杨兆升．城市智能公共交通系统理论与方法【Ⅶ，．北京：中国铁道出版社，2004，24—35．51．何启海，方任．基于PDA的上海市交通信息网格发布平台[J】，计算机工程，2006，32(1)：242．244．52．李福双．智能公交到站时间预测研究【D】，北京，北京交通大学硕士学位论文，2009，6．53．龚珊．基于浮动车GPS数据的行车速度预测模型研究[D】，北京，北京交通大学硕士学位论文，2009，6．54．王世君．基于GPS／GSI的车辆监控调度系统设计与实现【D】，成都，西南交通大学硕士学位论文，2009，6．55．王力，张海等．基于探测车技术的路段平均速度估计模型川，交通运输系统工程与信息，2006，4(6)：29—33．56．王晋生，周伟刚，王渤．GPS浮动车数据在城市交通管理和出行服务中的应用[J】，公安交通科技窗，2011(1)：31—33．57．朱鲤，杨东援．基于低采样频率浮动车的行程车速信息实时采集技术[J】，交通运输系统工程与信息，2008，8(4)：42～48．58．张永强．浮动车交通信息采集系统研究【D】，南京，东南大学硕士学位论文，2005，3．59．秦玲，郭艳梅，吴鹏，冯剑，桑丽．断面交通检测数据检验及预处理关键技术研究[J]，公路交通科学研究院(应用技术版)，2006，11：39—41．60．张存保，杨晓光，严新平．基于浮动车的交通信息采集系统研究【J】，交通与计算机，2006．5：31-34．61．周小蓉，鲍轶洲，李红宝．广州市先进的公共交通系统工程建设实践[J】，城市交通，2009．5：86-90．62．王广运，郭秉义，李洪涛等．差分GPS定位技术与应用【M】，北京：电子工业出版社，1996，35．44．一84— 万方数据东北大学硕士学位论文致谢在硕士研究生学业即将完成之际，在此对研究生期间帮助过我的各位老师、同学和朋友们表示衷心地感谢。首先，感谢我的导师宫俊副教授。本文的研究工作是在宫老师的精心指导和悉心关怀下完成的，在我的学业和论文的研究工作中无不倾注着导师辛勤的汗水和心血。宫老师亦师亦友，不管学习还是生活中，当我们迷茫无助时，老师总能帮我们指明一方向。像朋友更像家人一样无微不至的关怀着我们，包容我们的任性和浮躁。宫老师严谨治学态度、渊博的知识、无私的奉献精神使我深受的启迪。从尊敬的导师身上，我不仅学到了扎实、宽广的专业知识，也学到了做人的道理，宫老师经常教育我们，无论在学业上、科研上还是在生活中，都必须保持严谨、扎实、勤奋、正直、忠厚的作风和品质，这些都是我今后工作、学习和生活的重要财富。在此我要向我的导师致以最衷心的感谢和深深的敬意!其次还要特别感谢我的另一位导师，唐加福教授，古人云：一日为师，终生为父。是唐老师给了我进入项目组的机会，为我提供了宽松的学习和科研环境、宝贵的实践机会，使我在短短两年的时间里面应用理论知识解决实际问题的能力有了长足的进步。唐老师严谨的治学态度、渊博的知识、敏锐的洞察力、一丝不苟的工作作风、对待生活的态度和为人处世的方法都给我留下了深刻的印象，是我永远的学习榜样。，在此向唐老师表示最诚挚的谢意和由衷的感谢。同时感谢雒兴刚教授、王洪峰副教授、于洋老师、朱华波、盛忠起老师等各位老师，他们在我课题的研究过程中给我提出了许多宝贵意见，使我的思路更加开阔，使我找到思考和解决问题的方法，提出自己的新方案。此外，还要感谢我们项目组的师兄师姐师弟师妹们，感谢大家对我学习和工作上的帮助，在与你们的交流中，我不仅学到了专业知识，充实了自己，更感受到了你们的乐于助人和真诚，体会到了集体的温暖。和大家在一起的日子快乐而充实，就要离开我们的实验室，就要离开这个团结向上的团体，心中不免留恋，在此，谨祝师兄师弟师姐师妹们永远快乐!感谢多年来一直默默支持我、给我无限关怀和鼓励的父母，你们的理解和信任是我不断前进和奋斗的动力。最后，向所有关心和帮助过我的领导、老师、同学和朋友表示由衷的谢意!衷心地感谢在百忙之中评阅论文和参加答辩的各位专家、教授!一85— 万方数据东北大学硕士学位论文致谢一86— 万方数据东北大学硕士学位论文硕士期间发表论文和获奖情况攻读硕士期间发表的论文、获奖情况及发明专利等项1．参加的课题浙江达峰科技有限公司的合作项El《智能公共交通系统的关键技术研究》2．获奖情况东北大学三好研究生，2011．12东北大学一等奖学金，2010．9东北大学一等奖学金，2011．93．发表的论文GongJun，WANGLijie，ZHANGSen，(2011)，Anewworkforcecross‘trainingpolicyforaU．shapedassemblyline．InformationandmanagementEngineering，235，529-536．(EI)一87—
此文档下载收益归作者所有
