基于前车与经验数据的车辆到站时间预测模型*

涂利明

摘  要： 公交车辆运行经验数据体现了到站时间的一般性规律，前车数据反映了到站时间的实时性。提出一种基于前车与经验数据的公交车辆到站时间预测模型。在该模型中对站点间路段行驶时间及站点停留时间区分了高峰期和非高峰期，站点间的延时时间考虑了不同方向红灯等待时间的区别以及斑马线的影响。用杭州公交104路公交车的数据对预测模型进行了验证，结果表明，该预测模型具有较高的预测精度，能够较为准确地预测公交车辆到站时间。

关键词： 公共交通; 公交车辆; 经验数据; 到站时间预测

中图分类号：TP399          文献标志码：A     文章编号：1006-8228（2015）01-01-03

Prediction model of bus arrival time based on front bus data and empirical data

Tu Liming

（Hangzhou Dianzi University， Hangzhou， Zhejiang 310018， China）

Abstract： Operation of public transport vehicles experience data reflects the general laws of bus arrival time， the front bus data reflects the real time line of vehicle arrival time.A prediction model of bus vehicle arrival time is presented， based on the front bus data and empirical data.In the model， the travel time between sites and site retention time distinction is classified into peak and ravine. The delay time is predicted by taking the effects of different direction light difference between waiting time and a zebra crossing into consideration.The model is verified by Hangzhou 104 bus line data. The results show that the prediction model has higher predictive accuracy and can accurately predict bus arrival time.

Key words： public transport; public transport vehicles; empirical data; arrival time prediction

0 引言

随着城市化进程的加快，城市变得越来越大，机动车保有量快速增长与道路交通资源相对稀缺的矛盾日显突出，优先大力发展公共交通是解决城市交通拥堵问题的重要方法之一。要引导市民出行选择公共交通，首先公共交通必须能提供相对优质的服务，比如发达的线路网络、快捷方便的乘车体验等。提供较准确的公交车辆到站时间信息，有助于增强市民对公共交通的好感。目前国内外学者对此做了大量的研究，苏庆列[1]等提出的预测模型有基于神经网络的GA-Elman预测模型，在模型中以时间段、天气、路段和当前路段运行时间为输入量对公交到站时间进行预测。胡华[2]等提出基于自动车辆定位技术的AVL预测模型，根据实时和历史的公交车辆自动定位数据，采用点估计法和自适应指数平滑法等对其进行动态预测。李大铭[3]等提出基于模糊神经网络的短时公交到站时间预测，利用全球定位系统和电子票务收费系统收集的车辆实时信息，建立路段和站点补偿模糊神经网络模型。孙棣华[4]等根据公交浮动车辆实时GPS数据，提出公交浮动车辆到站时间实时预测模型。周雪梅[5]等基于采集获取的实时车辆定位信息，提出了一种基于前车的公交车辆到站时间动态预测模型。公交线路车辆到站经验数据体现了车辆到站时间的一般性规律，前车数据反映了车辆到站时间的实时情况。本文提出一种以历史经验数据为预测基准数，利用前车数据进行修正的公交车辆到站时间预测模型。

1 问题描述

根据公交车辆自身定线定站的运行特点以及城市道路的特性，可以把公交车辆从某个站点到下一个站点的整个过程时间T看成是由站点间路段行驶时间、站点间延时时间和站点停留时间三部分组成。

⑴ 站点间路段行驶时间，其中n表示线路的站点数，tri，i+1表示第i个与i+1个站点之间的行驶时间。

⑵ 站点间延时时间（主要为道路信号灯以及斑马线让行所影响时间），其中n表示线路的站点数，tdi，i+1表示第i个与i+1个站点之间的延误时间。

⑶ 站点停留时间，其中n表示线路的站点数，tsi表示第i站点停留时间。

即有T=Tr+Ts+Td。

2 到站时间预测模型

通过上述分析可知，公交车辆运行时间预测实际上是要对车辆在每个站点到站时间的预测。车辆在线路上某站点i的到站时间预测，也是由类似的三部分时间组成：第i-1个站点到第i个站点之间的站点间路段行驶时间;第i-1个站点的停留时间;第i-1个站点到第i站点之间的站点间延时时间。

公交车辆运行时间具有规律性，除了线路特性的改变，比如线路改向、站点调整、地铁等其他公共交通的影响等，一般情况下，以往公交车辆到站时间的历史经验数据可以作为线路到站时间预测模型的基准数。然而，同一线路在当天可能会有临时交通状况发生，从而造成公交车辆运行时间的变化，仅仅以历史经验数据进行预测可能与实际运行情况有一定的偏差。刚刚驶往下一个站点前车车辆的平均瞬时速度能够近似地反映当前公交车辆驶入该区段时的道路交通状况，该前车数据可以对经验数据偏差进行修正。为了使公交车辆到站时间预测模型更加贴近实际情况，可根据道路上车辆的潮汐性，把线路上车辆运行的时间分为高峰期和非高峰期两种不同的时段进行考虑。

2.1 站点间路段行驶时间

如果把公交运营线路抽象为一条直线段，站点抽象为直线段上大节点，站点之间的交叉路口可以抽象小节点，则可以把公交车辆在线路上的运行轨迹直线化，如图1所示。其中Si-1，i表示站点i-1和站点i之间的道路长度。Srj-1，j表示站点i-1和站点i间第j-1与j个路口之间的道路长度。

图1  公交车辆运行轨迹直线化示意图

从图1可见，站点间路段行驶时间等于站点间所有路段上的行驶时间之和，即有，其中tsrj-1，j表示第j-1与j个路口的路段行驶时间，m-1表示第i-1和i两个站点之间经过的交叉路口数。根据公交车辆在高峰时段、非高峰时段两种不同的时段，其在某两个路口j-1和j之间道路的行驶时间预测模型如公式⑴。

⑴

其中，表示在路口j-1和j之间高峰时段公交车辆历史行驶的平均速度;表示在路口j-1和j之间非高峰时段公交车辆历史行驶的平均速度;表示在路口j-1和j之间前车的平均速度;v瞬表示在路口j-1和j之间当前车辆的瞬时速度。

2.2 站点间延时时间

如图1所示，在每个路口的小节点处都有一个信号灯，在路口之间可能还会存在若干斑马线，斑马线前公交车需要让行，这些都有可能造成公交车辆到站时间的延时。站点间延时时间主要是指经过两站点间道路路口信号灯以及斑马线让行所影响时间的总和。公交车辆在路口的行进方向可能是直行、左转或右转，路口信号灯对不同的行进方向的影响度是不同的。比如红灯信号对右转车辆几乎不受影响，最多是礼让行人，可以与斑马线归为一类，而对于直行或左转车辆遇到红灯信号必须等待，其延时相对较多。一些文献[4-6]通常假设路段路口车辆的到达服从泊松分布，其中P（x）为x辆车到达信号灯区域的概率;g为计数时间间隔t0内车辆平均到达率。站点i与i+1间延时时间预测模型如公式⑵。

⑵

其中，m是两站点间有信号灯路口的数量，q是在两站点间非路口斑马线的数量，而tpx表示在路口或斑马线上等待的时间，在直行或左转的路口其等待时间是红灯时间th的随机数，在右转路口或非路口斑马线其等待的时间是一个统计时间tx内的随机数。具体计算见公式⑶。

⑶

2.3 站点停留时间

站点停留时间是指公交车辆从驶入停靠站点进行上下客到驶离站点所花费的时间。公交车辆在站点的停留时间也与客流量的潮汐性有关，在高峰期停靠站点的车辆多，上下客流量大需要花费更多的停留时间，非高峰期与夜间车辆少、客流量小，则相对停留时间短。沿车辆行驶方向在将要进入站点区域和离开站点区域分别设置站点驶入区和驶离区。通过车辆的GPS数据获取车辆从进入驶入区到离开驶离区的时间来定义站点停留时间。站点停留时间预测模型利用历史停留时间数据体现该站点正常的停留情况，前车停留时间放映当前该站点的最新停留情况，具体见公式⑷。

⑷

其中，表示在站点i高峰时段公交车辆历史平均停留时间;表示在站点i非高峰时段公交车辆历史平均停留时间;表示在站点i前车的停留时间。

3 模型验证

为验证该模型的有效性，本文选取杭州公交104路学正街公交站往四季青服装交易中心方向，其中8个站点分别为六号大街十一号路口、九号路六号大街口、四号大街九号路口、四号大街五号路口、下沙商贸城、文渊路南口和高沙社区。这些站点组成的区间是该线路经过医院、商业区等相对比较复杂路况的路段，非常具有代表性。而线路剩余的其他路段则基本上是路况较通畅，平时候车乘客相对比较少。

通过实地调查，这8个站点间的站点规模、同站线路数以及客流量规模等情况调查结果如表1，其中客流规模等级从小到大依次以1-5数字表示。站点间的路口数量、信号灯情况以及斑马线数量等如表2。其中斑马线数量是指在两个站点之间除了有红绿灯路口外存在的行人斑马线情况。

表1  站点特性

[站点名称＼&站点规模＼&同站线路数＼&客流量规模＼&六号大街十九号路口＼&中＼&2＼&2＼&六号大街十一号路口＼&小＼&3＼&1＼&九号路六号大街口＼&中＼&5＼&3＼&四号大街九号路口＼&中＼&10＼&3＼&四号大街五号路口＼&中＼&13＼&4＼&下沙商贸城＼&中＼&11＼&3＼&文渊路南口＼&小＼&6＼&1＼&高沙社区＼&小＼&5＼&2＼&]

从表1可以看出，九号路六号大街口、四号大街九号路口、四号大街五号路口和下沙商贸城因为分别经过医院、学校和商业区，使得同站的线路数比较多，客流的规模也相对比较大。

表2  间路口情况

[站点名称＼&路口

数量＼&路口信号灯情况

及红灯时长（秒）＼&斑马线

数量＼&六号大街十九号路口——六号大街十一号路口＼&2＼&直（53s）、直（60s）＼&0＼&六号大街十一号路口——九号路六号大街口＼&1＼&右（0s）＼&0＼&九号路六号大街口——四号大街九号路口＼&1＼&左（30s）＼&2＼&四号大街九号路口——四号大街五号路口＼&2＼&直（36s）、直（35s）＼&2＼&四号大街五号路口——下沙商贸城＼&1＼&直（36s）＼&6＼&下沙商贸城——文渊路南口＼&2＼&右（10s），直（66s）＼&1＼&文渊路南口——高沙社区＼&2＼&直1（30s）、左1（70s）＼&1＼&]

为评价该模型，采用站点到站时间预测值与GPS 数据记录之间的相对误差值，以及预测值与调查数据平均值的相对误差值来评价预测模型。选取10组数据按本模型进行计算估计车辆到站时间求其平均值，并与GPS数据平均值以及调查数据平均值之间进行相对误差求解，其结果如图2所示。

图2的分析结果表明，在高峰期和非高峰期本模型的预测值平均值与GPS数据平均值之间的相对误差的平均值在10%以内，而与调查数据平均值之间的相对误差的平均值在20%以内。这表明该模型还是具有较高的精度，能够较为准确地预测公交车辆到站时间。从图2可以看出，下沙商贸城站点的误差为最大。根据实地调研经验得知，在其前一站四号大街五号路口是经过比较繁华的商业区，在该站的上下客流量相对较大，上下客的时间不容易精确估算，同台线路较多，有时同时靠站的车辆较多，需要更多的靠站停留时间，另外该段路线的行人斑马线较密集，多达6条，公交车斑马线让行，这些是造成预测时间相对误差较大的原因。

图2  各站点到站时间与GPS值、调查值之间的相对误差

4 结束语

本文将线路公交车辆的到站时间分为站点间路段行驶时间、站点间延时时间和站点停留时间三部分组成，建立了基于前车和经验数据的公交车辆到站时间预测模型。在模型中对站点间路段行驶时间及站点停留时间区分了高峰期和非高峰期，站点间的延时时间考虑了不同方向红灯等待时间的区别以及斑马线的影响。同时，在该模型中借鉴了前车的实时数据和历史经验数据，使得预测结果不仅考虑了公交车辆到站时间一般性规律，而且也考虑了最新实时路况对公交车辆到站时间的影响。实验结果表明，该模型能较好地满足预测所需要的准确性及实时性要求。本文只选取了杭州公交104线路的部分站点作为算例验证，后续研究应选取更多的公交线路的数据来验证本文模型是否具有普遍适用性，并对该模型进行改进，以进一步提高其预测性能。

参考文献：

[1] 苏庆列，王麟珠.GA-Elman公交车辆到站时间预测模型[J].厦门理工

学院学报，2013.20（1）：71-74

[2] 胡华，高云峰，刘志钢.基于AVL数据的公交到站时间实时预测模型[J].

重庆交通大学学报，2012.31（5）：1014-1017

[3] 李大铭等.基于模糊神经网络的短时公交到站时间预测[J].东北大学

学报，2011.32（3）：443-336

[4] 孙棣华等.公交浮动车辆到站时间实时预测模型[J].交通运输工程学

报，2011.11（2）：84-89

[5] 周雪梅等.基于前车数据的动态公交车辆到站时间预测模型研究[J].

交通与运输，2011.12：53-56

[6] 李清泉，尹建忠，贺奋琴.面向道路网的GPS浮动车覆盖率模型研究[J].

武汉大学学报：信息科学版，2009.34（6）：715-718