公交动态调度系统中的数据预测方法

摘要

智能公交系统因其具有高效的公交客运组织模式、快速灵活的应变能力、完善的乘客信息服务等优点越来越受到人们的关注，而动态调度作为系统中的一个核心环节，是影响公交运营系统运行成本、效率和服务水平的重要内容。
　　目前的动态调度主要依靠调度员的经验，这种方式不稳定、可靠性差，造成调度不科学的原因之一是调度员缺乏数据依据，对未来的客流情况、路况信息以及公交车到站时间数据不了解。
　　本文基于动态调度缺乏数据依据的现状，研究对调度有影响作用的客流数据、路况数据和到站时间数据的变化规律，建立预测模型，预测出客流数据、路况数据和车辆到站时间数据未来的变化情况，为动态调度提供数据支撑。主要进行了如下研究工作:
　　首先，分析了影响公交车辆到站时间的因素，最终确定将站点客流和实时路况作为本文研究的两个因素。通过分析站点客流数据和实时路况数据的时空分布规律，提出了本文的数据预测思路。
　　其次，利用站点客流数据和交通流速度数据本身存在的周期性和规律性，对传统时间序列ARMA模型进行了改进，建立了基于季节ARIMA的预测模型。采用实际采集的数据对站点客流和交通流速度预测模型进行验证，并与传统预测方法进行对比，本文提出的基于季节ARIMA的预测模型效果最优，对站点客流的预测MAPE为15.9％，对交通流速度的预测MAPE为6.84％，都在可接受范围内。
　　再次，考虑到出行人和驾驶员有自己的行为习惯，导致交通信息模型存在一定的“自重复”，利用“自重复”特点建立了基于K近邻非参数回归预测模型，另外考察了模型中的关键参数回溯系数m和近邻个数K对预测效果的影响。在最优参数的模型下，对站点客流的预测MAPE为26.1％，对交通流速度的预测MAPE为22.5％。
　　最后，在充分考虑公交车到站时间数据的周期性的同时，加入了动态调整部分，将站点客流对公交车站点停靠时间的影响和交通流速度对公交车路段行驶时间的影响进行了分析，最终建立了考虑前车数据和动态调整的到站时间预测模型。利用仿真模型产生的数据进行了验证，对30分钟后出发的班次的预测MAPE为11.5％，对60分钟后出发的班次的预测MAPE为10.6％，对90分钟后出发的班次的预测MAPE为5.6％，并与传统的基于GPS数据的预测方法进行对比，预测效果良好。并且对数据波动、权重变化和前车数据的影响三个因素进行了参数实验，找到了特定状态下的最优参数。

目录

声明

摘要

第1章 绪论

1．1 课题的背景和来源

1．2 课题的研究目的与意义

1．3 研究的目标与内容

1．4 研究的技术路线与方法

1．5 论文的结构安排

1．6 本章小结

第2章 相关文献综述

2．1 公交动态调度的相关理论和现状

2．1．1 先进公共交通系统简介

2．1．2 公交动态调度理论与研究现状

2．1．3 影响动态调度作业的因素

2．1．4 物联网技术在公交系统的应用

2．2 交通领域的相关预测方法

2．3 公交系统的数据预测方法

2．3．1 公交站点客流预测方法

2．3．2 实时路况预测方法

2．3．3 公交到站时间预测方法

2．4 本章小结

第3章 公交动态调度系统中的数据预测分析

3．1 公交到站时间影响因素分析

3．2 公交系统的数据特性分析

3．2．1 公交数据在时间分布的规律性

3．2．2 公交数据在空间分布的规律性

3．3 公交系统的数据预测思路

3．4 本章小结

第4章 基于季节ARIMA的站点客流预测和实时路况预测

4．1 季节ARIMA预测方法的基本原理

4．1．1 时间序列基本模型

4．1．2 季节ARIMA模型

4．2 基于季节ARIMA的站点客流预测模型

4．2．1 数据采集与数据预处理

4．2．2 模型建立

4．2．3 不同预测方法的对比分析

4．3 基于季节ARIMA的实时路况预测模型

4．3．1 数据采集与数据预处理

4．3．2 模型建立

4．3．3 不同预测方法的比较分析

4．4 本章小结

第5章 基于K近邻非参数回归的站点客流预测和实时路况预测

5．1 K近邻非参数回归预测方法的基本原理

5．1．1 K近邻非参数回归方法原理

5．1．2 影响K近邻非参数回归预测模型的因素分析

5．1．3 K近邻非参数回归方法一般流程

5．2 基于K近邻非参数回归的站点客流预测模型

5．2．1 数据采集与数据预处理

5．2．2 模型建立

5．2．3 不同预测方法的比较分析

5．3 基于K近邻非参数回归的实时路况预测模型

5．3．1 数据采集与数据预处理

5．3．2 模型建立

5．3．3 不同预测方法的比较分析

5．4 本章小结

第6章 公交动态调度系统中的车辆到站时间预测模型

6．1 考虑前车数据和动态调整的到站时间预测模型

6．1．1 问题描述

6．1．2 模型参数及符号

6．1．3 模型假设

6．1．4 模型建立

6．1．5 仿真实例验证

6．1．6 不同预测方法的比较分析

6．2 到站时间预测模型参数影响分析

6．2．1 数据波动的影响分析

6．2．2 权重变化的影响分析

6．2．3 前车数据的影响分析

6．3 本章小结

第7章 总结和展望

7．1 总结

7．2 展望

参考文献

致谢

附录

攻读硕士期间从事科学研究、获奖情况及发明专利等项