李少偉+曹成濤+楊驥

摘 要：公交到站時間預測作為智能公交的核心內(nèi)容之一，不僅可以極大地提高公交服務滿意度進而提高公交出行率，而且可為智能公交調(diào)度系統(tǒng)的優(yōu)化提供數(shù)據(jù)依據(jù)。本文將公交GPS數(shù)據(jù)和公交站點與線路等GIS數(shù)據(jù)進行融合、處理與分析，基于公交車軌跡數(shù)據(jù)和路段在空間關系和時空分布上的分析和處理，設置一定的離站距離閾值對當前公交站點進行緩沖區(qū)分析，搜索在最近一段時間內(nèi)?？吭撜军c的公交車軌跡數(shù)據(jù)，獲取不同車輛的軌跡信息，進行公交到站時間預測研究，建立預測模型，推算出公交到站時間，并以經(jīng)過廣州市體育中心公交站的多條公交線路為例驗證預測方法的準確性。研究表明：通過模型預測所得多條公交線路的公交到站時間與實際調(diào)查記錄時間誤差較小。

關鍵詞：GPS軌跡數(shù)據(jù)；公交到站時間；緩沖區(qū)分析；數(shù)據(jù)融合；GIS

中圖分類號：TP274 文獻標識碼：A

Abstract：As one of the core contents of intelligent transit，the bus arrival prediction can not only increase the satisfaction of bus service and the trip rate of public transport，but also provide data basis for the optimization of the intelligent public transportation dispatching system.In this paper，the GPS data of the bus and the GIS data of the bus station and the bus route are integrated，processed and analyzed.Based on the analysis and processing of the bus track data and the road segment in the spatial relation and the spatial and temporal distribution， a certain distance threshold from the station is set to carry out the buffer analysis，search the bus track data of the station in the last period of time，obtain the track information of different vehicles，predict the bus arrival duration，establish the prediction model and calculate the bus arrival time.Multiple bus routes of Guangzhou Sports Center are taken as cases to verify the accuracy of the prediction method.The results show that the time errors between the prediction values and the actual records of multiple bus routes are suitably small.

Keywords：GPS track data；bus arrival time；buffer analysis；data fusion；GIS

1 引言（Introduction）

隨著中國城鎮(zhèn)化進程的不斷加快，大城市規(guī)模和人口不斷擴大，城市居民的出行需求不斷增長，交通擁堵、環(huán)境污染及過度能源消耗等負面效應日益突出，成為經(jīng)濟和社會協(xié)調(diào)發(fā)展的熱點問題，大力發(fā)展公共交通不僅可以提升交通出行效率，而且可以減輕交通擁擠，減少環(huán)境污染，合理利用資源，促進社會公平，實現(xiàn)低碳綠色交通，但我國城市公共交通在準時性、便捷性等方面不能滿足乘客的需求，導致公共交通吸引率長期偏低，因此積極開展公交到站時間預測方法的研究，已成為改善交通壓力的重要研究方向：向出行者提供公交到站時間信息可以極大地提高公交服務滿意度，從而提高公交出行率；向管理者提供公交到站時間信息可為公交線路及站點的調(diào)整提供依據(jù)，為智能公交系統(tǒng)的實時調(diào)度優(yōu)化提供基礎數(shù)據(jù)。

2 常見預測方法綜述（Summary of common

prediction methods）

根據(jù)預測方法不同，公交到站時間預測方法主要分為下四類：（1）基于時空變化規(guī)律的預測方法：根據(jù)公交行程時間在時間與空間上的變化規(guī)律，遵循已有的歷史數(shù)據(jù)對車輛在未來時間里經(jīng)過某一路段的行程時間進行預測，目前這種預測方法主要有時間序列法、卡爾曼濾波法[1]、神經(jīng)網(wǎng)絡法[2]、支持向量機[3，4]等。（2）基于影響因素的預測方法：通過建立公交行程時間與路段長度、天氣情況、交通流量、出行時間等因素之間的數(shù)學模型來進行公交到站時間預測，目前主要包括統(tǒng)計回歸理論預測方法與數(shù)學模型預測方法[5-7]。（3）基于數(shù)據(jù)融合的預測方法：通過對多源檢測器采集的數(shù)據(jù)進行綜合處理，得到更全面準確的數(shù)捉，或結合多種預測方法的結果，提高預測精度、保證預測結果穩(wěn)定性，目前數(shù)據(jù)融合方法主要有加權平均法、貝葉斯方法[8，9]、統(tǒng)計決策理論[10，11]、神經(jīng)網(wǎng)絡法[12]等。（4）混合模型預測方法：由于預測算法的各自特點，各種預測模型在展現(xiàn)良好預測性能的同時也存在固有缺點，所以近年來，公交到站時間預測研究朝著多種方案相結合的混合預測模型方向發(fā)展。

3 基于GPS軌跡數(shù)據(jù)的公交到站時間預測（Bus

arrival time prediction based on GPStrack data）

隨著智能公交系統(tǒng)的快速發(fā)展，基于GPS的自動定位系統(tǒng)、GIS技術、無線通信技術得到了更加廣泛的使用，利用公交GPS軌跡數(shù)據(jù)進行數(shù)據(jù)挖掘，已經(jīng)成為一種預測公交到站時間的新方法。

3.1 GPS數(shù)據(jù)處理與融合分析

本文實驗數(shù)據(jù)來源于廣州市公交GPS數(shù)據(jù)，公交車在回傳數(shù)據(jù)時，受到特殊地形、惡劣天氣的影響，或是無線通信網(wǎng)絡通信質(zhì)量不佳，都會對回傳數(shù)據(jù)的質(zhì)量造成影響，所以在數(shù)據(jù)融合分析之前需要對數(shù)據(jù)進行預處理以保障數(shù)據(jù)的精確性，從而避免對預測造成不必要的負面影響，主要采取兩個步驟：（1）GPS數(shù)據(jù)清理，去除漂移點。軌跡數(shù)據(jù)的經(jīng)緯度坐標是最重要的基礎數(shù)據(jù)，但由于模塊定位過程中受到大型建筑物的遮擋，以及其他事物的干擾，會出現(xiàn)很多漂移點而對于嚴重偏離所屬線路的情況，會對預測精度造成重大影響，因此必須去除。本文通過疊加GPS軌跡點和公交線路圖層，在地圖上非常直觀地表現(xiàn)出了車輛行駛軌跡偏離所屬線路的程度，通過設置可變的閾值，控制軌跡數(shù)據(jù)中坐標的精度。（2）GPS數(shù)據(jù)丟失插值處理。由于城市中高樓聳立，GPS數(shù)據(jù)傳輸過程中會出現(xiàn)丟失的問題，造成GPS定位時間間隔過久，直接影響提取出交通數(shù)據(jù)的準確性。本文采取插值處理的方法補充空白點，運用前后兩個數(shù)據(jù)點的平均值作為插入數(shù)值。

數(shù)據(jù)融合分析是將車輛GPS定位數(shù)據(jù)、公交車輛數(shù)據(jù)、公交線路數(shù)據(jù)、公交站點數(shù)據(jù)、公交線路站點關系、運營計劃數(shù)據(jù)等進行融合，通過GPS空間信息和站點空間信息進行空間分析，結合融合后的數(shù)據(jù)獲得公交車GPS的時空軌跡數(shù)據(jù)。具體關聯(lián)如圖1所示。

3.2 公交車停站時刻獲取

為了獲取更準確的公交車停站時刻，需要充分了解公交車運行規(guī)律：公交從始發(fā)站開往終點站，中途經(jīng)過多個?？空?，公交車總是從站臺的上游減速進入?？空荆缓笤谡緝?nèi)?？科痰却丝蜕舷萝?，然后起步加速離站，進入站臺的下游路段。公交車經(jīng)過每一個站臺都要經(jīng)歷減速進站和加速離站的過程。

根據(jù)公交站點與公交車空間關系和時空分布特征，設置一定的離站距離閾值對公交站點進行緩沖區(qū)分析，搜索在最近一段時間內(nèi)?？吭撜军c的公交車軌跡數(shù)據(jù)，獲取不同車輛的軌跡信息，根據(jù)公交車和?？空军c的坐標信息，可得到當前時刻公交車離站距離，將當前線路公交車速度、離站距離及時間信息進行疊加，可以得到公交車停站過程圖。

以廣州體育中心公交車站為例，測得某路公交車到站的車速和離站距離隨時間變化規(guī)律如圖2所示，由圖可知，公交車先減速到站后再加速離站，離站距離由大變小再由小變大，由于車輛靜止時GPS接收器計算精度和外界多徑效應引入的干擾，位置數(shù)據(jù)不是同一值而是小范圍值，因此可以將公交車停站時的最小離站距離范圍設置在GPS定位誤差范圍內(nèi)，將該范圍內(nèi)第一個最小車速值（車速的計算依賴于GPS定位數(shù)據(jù)，由于GPS的定位誤差，公交車停站時的最小車速值應是接近0的小范圍值）作為停站時的車速，即取距離和車速曲線左側底部對應的時刻作為公交車停站時刻的替代值！

假設當前某個時間段內(nèi)通過公交站點（i為公交車下一站?？康恼军c序號，m為乘客候車站點序號，i、m均為正整數(shù)且根據(jù)當前公交線路經(jīng)過站點先后順序排序，1

3.3 站間行駛時間預測

鑒于同一時間段有多輛不同線路公交車經(jīng)過該站點，通過上述方法獲取該車輛的公交停站時刻替代值，則相鄰站點間的時間間隔等于同一輛車下一站點的公交停站時刻替代值減去上一站點的公交停站時刻替代值，由于同一時間段有多輛公交車經(jīng)過相鄰站點，因此同一時間段的站間行駛時間是一個集合，取集合的算術平均值，即可得到相鄰站點間的行駛預測時間。

假設當前某個時間段內(nèi)通過相鄰公交站點和的公交車的站間行駛時間為：

則該時間段內(nèi)相鄰公交站點和的站間行駛預測時間為：

3.4 公交到站時間預測

將目標車輛距離當前站點的到站時間進行分拆：目標車輛距離最近站點的到站時間及后續(xù)各相鄰車站的站間行駛時間總和，即為公交到站時間，公交到站時間預測示意圖如圖3所示。

假設公交車距離下一站點的距離為（由公交車坐標和站點坐標計算得到），公交車所在站點區(qū)間距離為（由相鄰站點坐標計算得到），公交車到達乘客候車站點的時間為，已知當前公交車下一站點為，乘客候車站點為，則公交到站時間預測值：

4 案例分析（Case analysis）

本文以廣州市體育中心站為例，將體育中心站作為候車點，通過實際調(diào)查和預測模型計算出相應的公交到站時間，具體實施方法如下：（1）采用定點調(diào)查方式：選擇體育中心站，在周末下午時間做公交到站時間調(diào)查，記錄多趟公交線路到站時間。（2）通過公交線路，查詢距離站點最近公交車，從數(shù)據(jù)庫中提取出相關車輛的公交車軌跡數(shù)據(jù)：位置、途徑站點、速度、時間等相關信息。（3）利用本文提出的預測模型對提取的公交車軌跡數(shù)據(jù)進行處理、分析，推算出每趟公交線路的公交到站時間。

實驗結果如下：針對體育中心站到站的車輛做了12份記錄，得到公交線路及其到站時間記錄12條；通過推算模型計算出的相同公交車的到站記錄12條，用累計誤差除以到站累計時間，所得準確率為1-（30/149）=79.87%，取得較好的預測效果，具體情況如表1所示。

5 結論（Conclusion）

為改善城市公共交通在準時性、便捷性等方面的不足，提升公共交通吸引率，本文將公交GPS數(shù)據(jù)和公交站點與線路等GIS數(shù)據(jù)進行融合、處理與分析，基于公交車軌跡數(shù)據(jù)和路段在空間關系和時空分布上的分析和處理，進行公交到站時間預測研究，建立模型，推算出公交到站時間，彌補了現(xiàn)有公交數(shù)據(jù)記錄的不足。以廣州市體育中心公交站為例對推算方法進行驗證，所得公交到站時間的準確率79.87%，取得較好的預測效果，具有一定的實用價值。公交到站時間預測提

升了公交服務滿意度及公交出行率，為智能公交系統(tǒng)的優(yōu)化（線路站點規(guī)劃、實時調(diào)度）提供了數(shù)據(jù)依據(jù)，對解決城市公共交通問題具有重要的現(xiàn)實意義。

參考文獻（References）

[1] BinYu.WilliamH.K.Lama，MeiLamTam.Bus Arrival Time Prediction at Bus Stop with Multipleroutes[J].Transportation Research PartC，2011：1157-1170.

[2] ZHONG Huiling，ZHANG Meng，SHI Yongqiang.Efficient Path Planning Algorithm Based on the Strategy of Network Layer[J].Journal of Southwest University Jiao Tong，2011，46（4）：645-650.

[3] ShafhiY，Khani A.A Practical Model for Transfer Optimization in a Transit Network：Model Formulations and Solutions[J].Transportation Research Part A：Policy and Practice，2010，44（6）：377-389.

[4] Chang-Jiang Zheng.Improved Iterative Prediction for Multiple Stop Arrival Time Using a Support Vector Machine[J].TRANSPORT，2012，27（2）：158-164.

[5] 王拙.基于有限狀態(tài)自動機的公交車到站時間預測模型[D].哈爾濱：哈爾濱工業(yè)大學，2012.

[6]何巍楠.基于浮動車數(shù)據(jù)的城市常發(fā)性交通擁堵時空分布特征研究[D].北京交通大學，2012.

[7] 孫玉現(xiàn)，等.基于路況相似性的城市公交車到站時間預測機制[J].軟件學報，2012，23（1）：87-99.

[8] 王建.基于貝葉斯網(wǎng)絡組合模型的公交駐站時間預測[J].城市交通，2012，10（5）：78-83.

[9] 蔣新.基于多源數(shù)據(jù)的大城市常規(guī)公交運行評價研究[D].北京交通大學，2011.

[10] 李嘉.基于交通數(shù)據(jù)融合技術的行程時間預測模型[N].湖南大學學報，2014，41（1）：33-38.

[11] 聶慶慧，等.基于多源ITS數(shù)據(jù)的行程時間預測體系框架及核心技術[N].東南大學學報，2011，41（1）：199-204.

[12] 李川.基于復雜網(wǎng)絡的城市公共交通網(wǎng)絡連通性研究[D].成都：西南交通大學，2014.

作者簡介：

李少偉（1981-），男，碩士，講師.研究領域：GIS/GPS在智能交通中的應用.

曹成濤（1981-），男，博士，副教授.研究領域：智能交通技術.

楊 驥（1983-），男，博士生，副高級工程師.研究領域：地理信息系統(tǒng).