2011年4月Apr.2011JournalofTrafficandTransportationEngineering文章编号:167121637(2011)0220084206公交浮动车辆到站时间实时预测模型孙棣华1,2,赖云波1,2,廖孝勇1,2,赵敏1,2,刘卫宁2,3(11重庆大学自动化学院,重庆400044;21重庆大学信息物理社会可信服务计算教育部重点实验室,重庆400044;31重庆大学计算机学院,重庆摘要:根据公交浮动车辆实时GPS数据,考虑不同时段的路段平均速度、公交车站、信号灯等多因素的影响,建立了一种新的公交车辆到站时间预测模型。通过估计到达下游最临近站点的时间和判断道路上GPS数据的有效性等方法,改善了预测模型的精度,并应用重庆公交车辆数据对模型进行验证。计算结果表明:该模型能够实时预测公交浮动车辆到达下游站点的时间,预测精度优于现有方法,在高峰时段预测误差小于9%,在非高峰时段预测误差约为6%,并对各种道路交通中图分类号:U491.17文献标志码:AReal2timepredictionmodelofarrivaltimeforfloatingtransitvehicleSUNDi2hua1,2,LAIYun2bo1,2,LIAOXiao2yong1,2,ZHAOMin1,2,LIUWei2ning2,3(1.SchoolofAutomation,ChongqingUniversity,Chongqing400044,China;2.KeyLaboratoryofDependableAbstract:Accordingtothereal2timeGPSdataoffloatingtransitvehicle,theeffectsofroadsectionaveragespeeds,busstationsandtrafficlightswereconsidered,andanovelpredictionmodelofbusarrivaltimewasproposed.TheprecisionofpredictionmodelwasimprovedbyestimatingarrivaltimetothenearestdownstreamstationandjudgingtheeffectivenessofGPSdataonraodsection.ThepredictionmodelwastestedandverifiedbyusingthetransitvehicleGPSdataofChongqingCity.Calculationresultindicatesthatthearrivaltimeoffloatingtransitvehicletothedownstreamstationcanbereal2timepredictedbyusingthemodel,thepredictionprecisionisbetterthantheexistingmethods,thepredictionerrorislessthan9%inpeakperiodsandisabout6%innon2peakperiods,andthepredictionmodelhasgoodadaptabilitytothevariousoftrafficconditions.3tabs,8figs,12refs.Keywords:publictransport;floatingtransitvehicle;arrivaltime;roadsectionaveragespeed;必行。公交车辆到站时间是公交车辆动态调度管理的关键参数,到站时间预测对于提高公交车辆准时性,减少乘客等待时间,方便乘客合理分配出行时间,提高城市公共交通改善管理水平和服务水平具引言0公共交通作为关系国计民生的重要基础设施和公共事业,发展信息化、智能化的先进公交系统势在收稿日期:2010212215基金项目:高等学校博士学科点专项科研基金项目(20090191110022)作者简介:孙棣华(19622),男,重庆人,重庆大学教授,工学博士,从事智能交通系统与计算机集成制造研究。第2期孙棣华,等:公交浮动车辆到站时间实时预测模型85有重要意义[122]。目前,国内外学者在公交车辆到站时间预测方面做了大量的研究,提出的预测模型主要有时间序列(TimeSeries,TS)模型、人工神经网络(ArtificialNeuralNetwork,ANN)模型、支持向量机(SupportVectorMachines,SVM)模型以及Kalman滤波模型等。Yang考虑了时间序列中的某些不平稳数据,利用差分方法建立了自回归移动平均时间序列模型,通过残差分析及数据拟合,实现对车辆到站时间的预测,但是该模型残差序列中白噪声影响严重,且未考虑城市交通的复杂性和多变性,预测精度不高[3];熊文华等建立了BP神经网络模型,以浮动车和线圈的数据作为BP神经网络的输入,以融合的车辆行程时间作为输出,但该模型的建立需要大量的训练数据,且训练过程参数难以确定[4];Chen等对离散行程时间算法和速度积分算法进行了改进,并在此基础上建立了一个基于神经网络的城市车辆到站时间动态预测模型,但两种算法在预测精度和误差波动控制上不能同时兼顾,预测效果难以满足要求[5];Lee在建立的ANN模型中引入了聚类算法,最大限度减少了ANN模型的输入变量,但是该模型在本质上仍然依赖于历史数据,实时性和准确性较差[6];于滨等基于Kalman滤波算法,结合SVM预测的信息,动态预测公交车辆运行时间,提出的模型具有更强的抗干扰能力[7];姚宝珍等在SVM算法中引入了...