论文总字数：40530字

摘 要

公交车到站时间的预测是公共交通智能化的重要组成部分，到站时间的精确预测不仅仅给乘客出行带来极大的便利，对公共交通的管理调度，提高其利用效率与服务水平也具有十分重要的意义。本文通过对公交车辆运行特性的分析研究，建立公交到站时间预测模型，并通过实例研究证明模型的可靠性和精度，以期达到提高公交车服务水平，进而提升公共交通的吸引力及整个系统运行效率的目的。

首先，本文指出了我国公共交通系统存在的诸多问题，如运营效率低，信息服务质量低下，提出公共交通智能化的必要性。进一步分析了公交到站时间预测作为公共交通智能化的重要组成部分对广大乘客日常出行和公共交通运营管理带来的巨大影响。随后对比总结了国内外在公交到站时间预测领域取得的一些成果。

其次，本文通过对公交车运行特性和规律的分析研究，提出了利用小波神经网络来预测公交车路段运行时间的模型。通过选择合适的影响因素作为小波神经的输入，粒子群算法优化小波神经网络的初始权值与阀值等途径进一步提高路段运行时间预测精度。在站台停靠时间预测方面，本文通过比选常用预测方法的精度，选择K近邻算法构建预测模型。

最后，选取泸州市166路公交作为实例验证线路，以公交车从沱江二桥北到长起桥的总运行时间为预测对象，采用本文构建的公交车辆到站时间预测模型进行预测。结果表明本文构建的公交到站时间预测模型达到了较高的精确性，公交车工作日和周末到站时间的预测误差百分比分别为11.36%和10.17%。

关键词：公交到站时间；影响因素；粒子群；小波神经网络

PREDICTION MODEL OF BUS ARRIVAL TIME BASED ON PARTICLE SWARM OPTIMIZATION AND WAVELET NEURAL NETWORK

Abstract

Bus arrival time prediction is an important part of intelligent public transportation, arrive station time accurately predict not only to the passengers bring great convenience to the management of the public transportation scheduling, improve the efficiency and service level also has the very vital significance. In this paper, through the analysis and research, the characteristics of the bus running bus arrival time prediction model is established, and the research proves that the model with the reliability and accuracy, in order to improve the bus service level, raise the attraction of the public transportation and the purpose of the whole system efficiency.

First, this paper points out the problem of the public transport system in our country, such as low operational efficiency, low quality of information service, then puts forward the necessity of intelligent public transport. Further analyzes the effects of bus arrival time prediction, an important part of intelligent public transport, makes on passengers daily travel and public transportation operation management. Then compare the achievements in the field of bus arrival time prediction all over the world.

Secondly, through the analysis of buses running characteristics, this paper puts forward using wavelet neural network model to predict the bus road running time. By selecting suitable factors as wavelet neural input, the particle swarm algorithm to optimize the wavelet neural network's initial weights and threshold to further improve the road running time prediction accuracy. In terms of platform dock time prediction, through the comparison of methods commonly used, choose KNN to build prediction model.

Finally, this paper selects luzhou 166 road bus as an example, choosing the running time ofbus from the tuojiang river bridge north to long bridge for forecasting object, and uses the bus arrival time prediction model constructed to forecast. Results showed that the bus arrival time prediction model built in this paper has reached the higher accuracy, bus weekday and weekend arrival time prediction error percentage were 11.36% and 10.17% respectively.

Key words：bus arrival time; influencing factor; particle swarm optimization; wavelet neural network

目录

摘要 i

Abstract ii

第一章 绪论 1

1.1 研究背景和意义 1

1.2 国内外研究综述 1

1.2.1 公交到站预测模型 1

1.2.2 粒子群算法及小波神经网络 2

1.2.3 现有成果总结 3

1.3 研究目标和研究内容 3

1.3.1 研究目标 3

1.3.2 研究内容 3

1.4 论文章节安排 4

1.5 本章小结 5

第二章 公交车到站时间影响因素分析 6

2.1 公交车到站时间影响因素综述 6

2.1.1 路段运行时间影响因素 6

2.1.2 站台停靠时间影响因素 7

2.2 公交车运行特性分析 8

2.3 影响因素选取 10

2.4 本章小结 11

第三章 公交车到站时间预测 12

3.1 公交车辆到站时间构成要素划分 12

3.2 基于粒子群小波神经网络的公交运行时间预测 12

3.2.1小波神经网络介绍 12

3.2.2粒子群算法介绍 14

3.2.3 模型构建 15

3.3 公交车停靠时间预测 16

3.3.1常用预测模型介绍 16

3.3.2 模型构建 18

3.4 本章小结 19

第四章 实例验证 20

4.1 验证路段选取 20

4.2 原始数据处理 21

4.3 模型参数标定 23

4.4 路段运行时间预测 23

4.5 站台停靠时间预测 25

4.6 结果分析 26

4.7 本章小结 28

第五章 结论与展望 29

致谢 30

参考文献 31

附录 33

绪论

本章首先介绍本文的研究背景和意义，阐述大力发展公共交通系统，推进公交系统智能化的背景下，指出研究公交车辆到站时间预测的必要性。其次，对国内外的研究现状进行总结分析。最后，提出本文的研究目标、研究内容及论文框架结构。

1.1 研究背景和意义

随着城市化进程的不断推进，机动车保有量快速增长，随之带来的交通拥挤、交通事故频发和交通环境污染问题日益严重。简单地扩建道路，加快交通基础设施建设，并没有带来显著的改观，交通需求与供给之间的矛盾依然十分突出。大力发展公共交通，特别是提高公共交通的服务水平，吸引更多的人选择公共交通出行，进而改变居民出行习惯被认为是解决上述问题行之有效的途径。

然而，现阶段我国公共交通系统存在着诸多问题，比如运营效率低，信息服务质量不高，不能满足出行者对实时公交信息的需求。公共交通系统的信息化、智能化作为现在的发展趋势，可以大幅度提高公交车辆的利用效率，实现公交管理由静态、简单化到动态、智能化的转变。当然，公交系统智能化的受益者不仅仅是管理者，更为乘客带来了极大的便利。由先进的传感技术搜集到的数据经过分析处理，再通过传输技术向电子站牌、手机等终端实时发布，给乘客提供公交车辆的行驶信息，排班信息，换乘信息以及车厢内部的拥挤程度等等。信息准确、及时的发布可以极大的方便乘客出行规划，进而提高公共交通的吸引力及整个系统的运行效率。

公交车辆到站时间的预测是城市公共交通系统信息化的重要内容，可对城市公共交通的发展起到积极的推动作用。本文结合泸州的AVL数据，通过选取适当的公交到站时间影响因素作为小波神经网络的输入，并利用粒子群算法优化小波神经网络的初始权值与阀值，来预测公交到站时间。希望进一步提高到站时间预测的精度，为管理者和乘客提供便捷的信息服务。

1.2 国内外研究综述

1.2.1 公交到站预测模型

Lin^[1]采用简单平均法预测公交车到站时间的平均延误，平均延误等于公交调度时间表上的计划到站时间减去实际到站时间，并根据调度时间、GPS位置、平均延误对当前公交车到站时间进行预测。Sun^[2]构建了一种基于历史数据和实时数据加权的预测模型，采用公交车的历史行驶速度与实时速度加权作为预测速度，预测运行时间即为距离与预测速度的比值。其中，权重大小与公交车到站距离有关，到站距离越远，历史速度均值的权重越大。

Chien^[3]提出了基于路段和基于停靠站点的两种预测模型预测公交到站时间，该模型采用自适应反馈神经网络。模型可根据预测结果计算预测误差，并且根据误差的大小自动调整模型的参数，以减小模型在下一次预测中的误差。Lin^[4]提出了1种双层神经网络模型，该模型考虑了公交车在不同时段的运行特性以及交叉口对公交车的影响。该模型需要大量的训练数据，且训练样本较多时模型的运行时间长，难以提供实时到站时间的预测。

Shalaby^[5]将公交车运行过程分为路段行驶和站内停靠两部分，提出了可分别预测公交车到站时间和离开车站时间的卡尔曼滤波模型，运用AVL和APC系统的数据，假设公交车的运行状态是按天为周期循环变化的，运用最近3天内同一时刻的实测值和当前时刻实测值，递推估计下一时刻的运行时间，预测精度较高。Vanajakshi^[6]提出了混合交通下公交到站时间卡尔曼滤波模型，根据交通流特征将预测对象分为若干子路段单元，建立目标路段运行时间与上游路段运行时间的关系，并根据预测误差实时调整模型参数进行递推预测。

Yu^[7]提出了基于支持向量机的预测模型，模型输入为时间、天气、路段、当前路段的行程时间、下游路段的行程时间5个因素。Chen^[8]建立了BRT公交到站时间的支持向量机回归模型模型，以公交站数、站间距离、交通信号、天气、时间段、能见度、温度、出发时间共8个因素为自变量，构建了公交车运行时间的支持向量机回归模型。

1.2.2 粒子群算法及小波神经网络

粒子群优化算法是1995年由Kennedy和Eberhart源于对鸟群和鱼群捕食行为的简化社会模型的模拟而提出的一种基于群集智能的演化计算技术^[9,10]。粒子群优化算法能够并行处理，而且算法的鲁棒性好。算法不易陷入局部最优，能比较精确地快速找到全局最优。该算法的最大优势是实现容易，而且收敛速度比一般算法快。另外，其深刻的智能背景使算法在科学研究和工程应用上得到了广泛的应用。因此，在PSO提出后的短短几年时间内涌现出大量的研究成果，在函数优化、神经网络训练、模糊系统控制、分类、模式识别、信号处理、机器人技术等领域获得了成功应用。

参数选择是否合适对于智能算法性能的发挥有着至关重要的作用，对于粒子群优化算法来说，惯性权重取值问题一直是研究的热点。粒子群算法刚被提出时并没有惯性权重的概念，惯性权重首先被应用在对粒子速度和位置的更新上^[11,12]。此后，包括Eberhart、Shi等在内的许多学者对其取值方法和取值范围作了大量的研究^[13-15]。目前惯性权重的取值方法大致可分为固定惯性权重取值法、线性自适应惯性权重取值法、非线性惯性权重取值法^[16-18]等。

Zhang和Benveniste^[19]提出了一种小波神经网络，并证明它具有逼近任何函数的能力。仿真结果表明，小波网络比具有相同网络结构和参数的前向神经网络精度高。但是，小波神经网络的训练算法很复杂，训练速度慢，训练次数多。R．Bakshi^[20]等人基于小波多分辨率分析理论用紧支正交小波构造了多分辨率小波网络。他们将小波函数和尺度函数共同应用于小波网络之中，充分利用了二者互补的特性，具有分层、多分辨率和局部学习的特点，其优点是结构设计清晰，具有明确的全局和局部误差估计。较低的计算复杂性，良好的自适应性等。Zhang等人^[21]提出的小波网络，以同一尺度下的尺度函数为神经网络。Zhang^[22]基于小波框架研究了高维小波网络的设计问题，但它依赖于输人样本空间的均匀性。吕立华等人^[23]基于小波网格系提出一种用非均匀分布样本训练多分辨率小波网络的方法，这种方法使非均匀分布样本在满足一定条件时近似到规则的网格系上，有效地克服了由于输入样本非均匀分布而引发的问题，使得多分辨率小波网络的优势得以充分发挥。

1.2.3 现有成果总结

综上可以看出，到目前为止国内外学者已经对公交到站时间的预测进行了大量研究，建立各种模型，并取得了不少成果。然而各个模型也存在不足。如历史数据法实时性较差，复杂交通状态下的预测精度低；神经网络难以确定网络结构，容易产生过学习和欠学习问题等等。

剩余内容已隐藏，请支付后下载全文，论文总字数：40530字

相关图片展示：