论文部分内容阅读
公交车辆到站时间是公交智能化的重要体现之一,提高公交车辆到站时间预测的精度对于提升公共交通服务水平、缓解交通拥堵、减少乘客出行成本、实现公交系统的信息化具有重要的推动作用。首先,论文分析了公交运营数据采集的原理、方法和特点,设计了 GPS数据插值算法和公交线路离散化算法对公交运营数据进行处理。通过对公交车辆运行过程和到站时间的影响因素进行分析,把站点停靠时间和区间平均行驶速度作为输入变量,并设计了获取输入变量的算法。其次,论文以站点停靠时间和区间平均行驶速度为输入变量,建立了基于区间长度的统计方法到站时间预测模型(Statistical Method Bus Arrival Time Prediction Model Based on Interval Length,SMBATP-IL)、基于区间长度的卡尔曼滤波到站时间预测模型(Kalman.Filter Bus Arrival Time Prediction Model Based on Interval Length,KFBATP-IL)和基于区间长度的粒子滤波到站时间预测模型(Particle Filter Bus Arrival Time Prediction Model Based on Interval Length,PFBATP-IL),并设计了实现算法的具体流程和步骤。以PFBATP-IL模型作为算例,证明本文提出的预测方法和模型的可行性。最后论文选取北京市2条公交线路进行实证分析,以平均绝对误差MAE作为衡量预测结果的指标,选取早高峰(8:00)、平峰(11:00)和晚高峰(17:00)三个时刻,在不同的区间长度(10m,20m,30m)条件下,使用本文建立的模型进行到站时间预测。结果表明不同的区间长度对PFBATP-IL模型的影响最小,KFBATP-IL模型次之,对SMBATP-IL模型的预测结果影响最大。在最优的区间长度条件下,PFBATP-IL模型的预测结果是最优的,相比于KFBATP-IL模型和SMBATP-IL模型的预测结果分别改善了 16.86%和28.46%。