英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
下一代计算机系统
国际科学杂志
使用总线网络数据模型和时间段的总线到达时间预测
MarkoČelana,1, Marjan地蜡a
一个
马里博尔大学-土木工程、交通工程和建筑学院，Smetanova ulica 17,2000马里博尔
突出了
高质量的到站和离站信息是高质量公共交通系统的一个关键因素。
在与其他机动交通平行运行的公共汽车运输系统中，预测时间与实际时间的偏差是最常见的。
改进算法是将公交在交通网络中的当前位置、短期历史数据和长期出行时间统计相结合。
仿真结果表明，总线网络数据模型的类型对总线到达时间预测的质量有显著影响。
摘要
公交站点的实时到发站信息系统是高质量公共交通的关键要素之一。为了准确预测巴士到达车站，需要提供巴士的当前位置信息和巴士到目标车站的旅行时间。本文研究了不同时段的公交速度以及公交网络数据模型对公交到站时间实时预测的影响。该模型根据历史数据和公交网络的数据模型，将公交出行时间划分为时间段。讨论了四种类型的数据模型，例如:数据模型定义为公共汽车站和路口的道路,一个数据模型定义只有公交车站,一个datamodel地址网络的各个部分与潜在的障碍影响的旅人巴士的速度,一个数据模型和固定长度的总线网络的链接。分析在两个不同的环境中进行，卢布尔雅那市和马里博尔市。旅行时间根据平均旅行速度分为四个时间段:上午、下午、周末和非高峰期。仿真结果表明，公交网络的数据模型和时段分类对公交到站时间预测的准确性都有影响。
关键词:公共交通;公交车到达时间;GPS跟踪;地图匹配;预测alghorithm
1.介绍
预计到2030年，全球城市人口将以每年约1.5%的速度增长，这给城市带来了许多挑战，并直接影响到公民的福祉。为了确保中小城市地区的高质量和持续流动，提供高质量的公共交通(HQPT)是很重要的。公共汽车公共交通的质量取决于各种属性，如在公交车站等待时间，在公共汽车上的旅程时间，车辆占用率，车辆的清洁度，司机的热情和舒适度
相应的作者。电话: 386 2 22 94 366。电子邮件地址:marko.celan@um.si。
1
Marko Čelan, Marjan Lep /使用总线网络数据模型和时间段预测总线到达时间
2
2.相关工作
公共汽车[3]。优质、易懂、可靠的PTservices信息是HQPT的一个特殊组成部分。对于大多数PT用户来说，可靠的实时到达时间信息至关重要。通过在车站设置的信息显示器等各种信息媒体，以及智能手机、平板电脑等移动设备，[5]可以随时获取和分享信息。
公交车站实时到达时间信息系统(RTPI)是向乘客提供公交车站实时到达和离开时间信息的系统。为了向公交用户提供可靠的信息，系统必须能够在所有可能的交通状况和情况下，对旅行时间作出准确和可能的预测。这些系统的运行需要智能交通系统，如自动车辆定位、自动车辆识别、验证乘客进出车辆的系统，以及数据传输和显示系统。关于公共汽车到达车站时间的实时信息可以导致使用pt的增加。关于公共汽车RTPI系统[7]有许多潜在的影响研究:
减少在车站的等待时间。积极的心理因素，如低不确定性。增加了易用性和安全感。增加支付意愿。
更好地利用等候时间，提高出行效率。对交通工具选择的影响。改善公交PT整体形象。
虽然已经开发出了许多用PT预测实时数据的产品和系统，但预测结果与实际行程时间仍存在偏差。在公共汽车运输系统中，与个体机动交通并行运行的公共汽车到达车站的时间与预测之间的差异尤其常见。公交出行时间在不同的时间段会有很大的差异，例如在高峰时段，非高峰时段，周末，在校期间和假期。
主要的RTPI系统用于短期预报。与长期预测相比，短期公交到站预测更具挑战性，因为它更不确定[9]，更容易受到随机干扰，显示更少的规则模式[10]。
预计的公交车到达目标汽车站的时间是根据当前公交车的位置和预计的公交车到达目标汽车站的旅行时间来计算的。如今，通过全球定位系统(GPS)[11]可以获取车辆位置的大量数据，这使得确定当前位置和获取历史上行驶速度和时间的样本成为可能。
公交到站时间预测是提高公交服务水平的一个重要因素，它可以创造交通模式转变和需求转变到更可持续的交通模式。在过去，各种研究都研究了公交到站时间的预测，或考虑了个别因素，间接影响巴士速度，如停留时间，天气，交通状况，旅行需求或巴士发车。本节考虑了相关研究的选择。
Altinkaya和Zontul[8]将目前提出的模型分为四类:基于历史数据的模型、统计模型、卡尔曼滤波模型和机器学习模型。Balasubramanian和Rao[12]提出了一种具有周期性变化的公交到站预测模型，明确地结合了数据序列中的季节性信息(工作日、一天中的时间)。Deng等[13]通过对比历史数据中公交车的交通状况和出行时间，提出了一种基于贝叶斯网络的出行时间预测模型。Zhang和Teng[14]比较了三种模型，使用不同参数估计车站停留时间。Chen等人[15]使用一个自动乘客计数器作为模型中的一个关键参数，用于预测公交车到达车站的时间。Cich等人[16]在几个月内模拟了两个概念(需求和供应)，使用基于活动的模型来预测每个代理的每周计划，并假设历史是周期性的。Cats和Loutos[17]开发了三种不同的旅行时间计算方案:
一种基于公交车当前位置和预定义时间表来计算公交车到达车站的方法。
一种基于估计的旅行时间的方法，取决于时间段(一天中的一天，一天中的时间)。
Marko Čelan, Marjan Lep /使用总线网络数据模型和时间段预测总线到达时间
3.
一种方法，分别处理公共汽车站之间的旅行时间和在公共汽车站停留的时间。为了确定公交车站之间的交通状况，它考虑了同一路线上前一辆公交车的速度。
已经进行了几项研究来比较使用不同方法和模型的预测准确性。这些方法和模型可分为:卡尔曼滤波模型[18,19,20]、人工神经网络模型[18,20,21]、支持向量法[18,22,23]、线性回归[18]和最近邻[18]。Alejandro et al.[24]使用自由交通流沿线的平均速度进行预测，他们的算法还考虑了每个信号交叉口、环形路口、公交车站的加速和减速、公交车门的开关门和乘客登机的时间损失。许多作者已经提出了各种建议来预测公交车到达车站的时间，但由于数据的复杂性和性质，个别模型或算法并不适用于所有环境[8]。
以往对总线实时预测模型的研究并没有将重点放在总线网络的数据模型上。过去已经探讨过一些建议。Chen等人[25]提出并比较了一种预测公交到站时间的模型，该模型基于公交网络的区段模型和基于公交网络的链路模型。Zegeye等人[6]提出了一个包含公交站点和参考点的模型，这些参考点由与所选公交站点的距离定义。
3.公交到站预测模型
本文提出了一种模型，该模型根据当前公交车的位置和已知的公交路线轨迹，计算到目标公交车站的预计旅行时间。该模型基于预先定义的公交网络数据模型，并根据过去的平均公交出行时间对各个时段的运行进行分类。
总线的当前位置是提供实时信息的基础信息。一般来说，有一个绝对位置或地理位置，用纬度和经度表示，还有一个逻辑位置-地理参考-用预定义的网络数据模型的拓扑元素(在路段、十字路口、车站)的关系表示。有关巴士位置的信息可以通过使用不同的技术以不同的方式获得，如全球定位系统(GPS)、摄像机、手机、蓝牙和[9]无线电频率识别设备。最常用的定位系统是全球定位系统(GPS)。现在这个系统可以免费使用。onGPS记录的定位偏差范围为15 ~ 30米[26]。由于高层建筑和高架桥的干扰，GPS设备获取的位置可能与实际位置[9]存在偏差。因此，为了在母线网络中定位母线，有必要对从母线网络上的跟踪装置获取的点进行坐标匹配定位。该模型只考虑从客车运动动态特性(速度、加速度、减速)中提取的逻辑轨迹点。
由于运输系统的随机性，网络中各个路段的行驶速度是不同的，同一路段的各个路段之间的行驶时间也是不同的。公共汽车的行驶速度受到许多参数的影响，如交通流量密度、管理问题、乘客数量、进入公共汽车的验证过程、天气、前一辆公共汽车的延误、公共汽车的类型等。
在该模型中，时间周期是根据在特定路线上运行得到的时间序列来结构化的。该模型考虑了过去不同路段的出行时间，间接决定了公交车站的交通状况和停留时间。一般来说，提出的模型不考虑不可预测的事件，如道路事故和巴士故障。
3．1．提出的网络数据模型
除了确定实际位置外，预测巴士到达车站的时间还需要了解巴士路线轨迹，以及巴士从当前位置到目标车站所需的估计时间。当前位置与目标站点之间的旅行时间可能有很大差异，特别是当公共交通与个人交通相结合时。旅行时间是根据公共汽车网络的特定路段计算的。因此，在设计公交到站时间预测算法时，必须定义公交网络的数据模型。总线网络的数据模型主要由总线站点和相邻总线站点[27]之间的链接定义。在本研究中，数据模型或公交路线是由节点和相邻节点之间的链路定义的。
研究比较了4种不同的公交网络数据模型(i)潜在时间障碍数据模型(DM1)、(ii)基于公交站点的数据模型(DM2)、
Marko Čelan, Marjan Lep /使用总线网络数据模型和时间段预测总线到达时间
4
(iii)潜在时间障碍自适应数据模型(DM3)和(iv)固定链路距离数据模型(DM4)。
图1所示。公交网络数据模型:(a)带有公交站点的公交线路和潜在障碍;(b)潜在时间障碍数据模型(DM1);(c)基于公交站的数据模型(DM2);(d)潜在时间障碍自适应数据模型(DM3);(e)固定链路距离数据模型(DM4)
节点的数量和它们的位置，以及沿着总线路线的链路的数量，取决于定义的数据模型，即:
DM1中的节点是潜在的障碍物(公路网的信号交叉口、道路和轨道交通平交点、环形交叉路口、让路交叉路口)，可能会影响客车的行驶速度和车站前的点。
DM2中的节点位于总线站之前。
DM3中的节点位于两个点之间——潜在障碍物(屈服路口、信号交叉口、环形交叉路口、铁路交叉路口)，它们可能会影响公交车的旅行时间和公交车停站前的点。
DM4中的链接有固定的长度。
3.2。公交到站预测算法
预测公共汽车在公共汽车站到达时间等于时间(T),一辆公共汽车需要链接它所处的位置和旅行时间预测的和网络上的其他链接,从下一个链接到这种关联汽车站所在地。旅行时间的预测信息由每个时间段的平均公共汽车旅行时间确定。此外，预测考虑了GPS设备记录位置的时延，预测模型中采用了相同位置的时间。预测从当前位置到
Marko Čelan, Marjan Lep /使用总线网络数据模型和时间段预测总线到达时间
5
(1）
目标公交站为:
式1各项含义如下:
T p
-预测从当前位置到目标汽车站的时间段p内的公交车到达时间。
tLcp——周期p中的总线在其当前所在的总线网络链路上使用的旅行时间。
1 nLc
-总线网络的链路的旅行时间的百分比，总线覆盖到它当前所在的链路的结束。
Ls - 1
t x -公交网络中所有路段从下一个路段到目标汽车站的公交旅行时间预测。
p
x Lc 1
tt -总线当前位置信息的传输延迟。
当公共汽车位于起动公共汽车站时，预测模型根据计划时间考虑关于预计的公共汽车出发的静态信息。
（2）
t
式2各项含义与式2相同，附加项含义如下:
tt -根据时刻表，巴士的出发时间。
t c ——当前时间。
在提出的模型中，可以变化的数据是公交网络的数据模型和旅行时间计算的时间段。
4.实验的公交线路
这项研究分析了斯洛文尼亚两个最大城市的公交线路在不同时间段的公交网络的个别线路的公交旅行时间，1号公交线路Tezenska Dobrava, Maribor和1号公交线路Vižmarje - Mestni log，卢布尔雅那。马里博尔的1号线总长度为7.5公里，卢布尔雅那的1号线长度略高于11公里。沿线分别有15个和25个公共汽车站。马里博尔的公交线路几乎完全与其他机动交通同行(只有第二和第三路段的一部分专用于公交和应急车辆)，而卢布尔雅那大约30%的公交线路被公交专用车道覆盖。在马里博尔的整个路线上，巴士要经过11个有信号的十字路口和4个环形路，而在无信号的十字路口，巴士的路线轨迹运行在一条优先道路上。这条线路穿过一个有闸门的铁路道口，闸门很少关闭。该路线的第一部分长度为3公里，以50公里/小时的速度运行在中心，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[589485]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
