论文部分内容阅读
衡量公交服务质量水平高低的重要指标之一是乘客的需求是否得到满足,其中,公交车辆到站时间的准确程度是城市居民最为关心的信息之一。精确预测公交车辆的到站时间并展示给乘客,不仅有利于乘客做出相应的出行规划,节约出行时间与出行成本,同时可以增加公交系统对出行者的吸引力,减轻交通压力,推动城市的信息化发展。首先,本文基于公交数据的采集方法和数据格式,对所采集的数据进行插值与归一化等预处理,并根据公交车辆的运行特点与影响因素,确定了本文中所建模型的输入变量为车辆在需求站点前2-4站的到站时间,设计了相应的求解算法,通过Matlab和MapInfo等软件将其实现。最终采用跟车调查法进行验证。其次,论文系统的对比了预测公交车辆到站时间的各个方法,根据LSTM神经网络与粒子滤波的原理,结合二者的优缺点,提出了基于LSTM神经网络和粒子滤波的公交车辆到站时间预测组合模型(Long Short Term-Memory and Particle Filter,LSTM-PF)。本文对LSTM-PF模型中的LSTM网络模型的学习速率进行了改进,并从函数选择与网络结构两个方面对其进行了优化。根据参数的不同构建了不同个LSTM模型,利用历史数据训练优化后的各个LSTM神经网络,拟合需求站点与之前站点到站时间之间的非线性关系,通过实时已到站时间预测需求站点的到站时间,最后通过粒子滤波对LSTM模型的预测结果进行动态调整,寻求最精确的到站时间,并完成了LSTM-PF模型的算例验证。最后,论文选取了北京市具有代表性的2路、438路和46路作为实验线路,采用LSTM-PF模型对工作日和非工作日的早高峰、平峰与晚高峰时刻分别预测,通过平均绝对误差表示模型的预测准确程度。结果表明,不论工作日与否,平均绝对误差值基本控制在1.5分钟内。为了进一步验证LSTM-PF模型的准确性,本文将该结果分别与标准粒子滤波和不同个标准的LSTM模型所预测的最优的结果进行对比,得出LSTM-PF模型的预测结果更接近于实际到站时间。相比较标准LSTM网络模型和标准粒子滤波模型,LSTM-PF模型工作日(平均绝对误差:41.64秒)的预测结果分别改善了 35.84%(平均绝对误差:64.90秒)和49.20%(平均绝对误差:81.97秒),非工作日(平均绝对误差:55.96秒)的预测结果分别改善了27.42%(平均绝对误差:77.10秒)和38.82%(平均绝对误差:91.47秒)。