1、計劃類別 項目編號 項目技術報告課題名稱 項目主持人 承擔單位 題目：基于GPS軌跡數據的公交到站時間預測方法研究公交到站時間預測作為智能公交的核心內容之一，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度系統的優化提供數據依據。本文將公交GPS數據和公交站點與線路等GIS數據進行融合、處理與分析，基于公交車軌跡數據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分析，搜索在最近一段時間內停靠該站點的公交車軌跡數據，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，并以經過廣州市體育中心公交站的多

2、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查記錄時間誤差較小。關鍵詞：GPS軌跡數據；公交到站時間；緩沖區分析；數據融合；GISAbstract：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 fo

3、r 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 spat

4、ial 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，establ

5、ish 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

6、 small.Keywords：GPS track data；bus arrival time；buffer analysis；data fusion；GIS1 引言（Introduction）隨著中國城鎮化進程的不斷加快，大城市規模和人口不斷擴大，城市居民的出行需求不斷增長，交通擁堵、環境污染及過度能源消耗等負面效應日益突出，成為經濟和社會協調發展的熱點問題，大力發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，減少環境污染，合理利用資源，促進社會公平，實現低碳綠色交通，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

7、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整提供依據，為智能公交系統的實時調度優化提供基礎數據。2 常見預測方法綜述（Summary of commonprediction methods）根據預測方法不同，公交到站時間預測方法主要分為下四類：（1）基于時空變化規律的預測方法：根據公交行程時間在時間與空間上的變化規律，遵循已有的歷史數據對車輛在未來時間里經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、神經網絡法2、支持向量機3

8、，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學模型來進行公交到站時間預測，目前主要包括統計回歸理論預測方法與數學模型預測方法5-7。（3）基于數據融合的預測方法：通過對多源檢測器采集的數據進行綜合處理，得到更全面準確的數捉，或結合多種預測方法的結果，提高預測精度、保證預測結果穩定性，目前數據融合方法主要有加權平均法、貝葉斯方法8，9、統計決策理論10，11、神經網絡法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

9、合預測模型方向發展。3 基于GPS軌跡數據的公交到站時間預測（Bus arrival time prediction based on GPStrack data）隨著智能公交系統的快速發展，基于GPS的自動定位系統、GIS技術、無線通信技術得到了更加廣泛的使用，利用公交GPS軌跡數據進行數據挖掘，已經成為一種預測公交到站時間的新方法。3.1 GPS數據處理與融合分析本文實驗數據來源于廣州市公交GPS數據，公交車在回傳數據時，受到特殊地形、惡劣天氣的影響，或是無線通信網絡通信質量不佳，都會對回傳數據的質量造成影響，所以在數據融合分析之前需要對數據進行預處理以保障數據的精確性，從而避免對預測造成

10、不必要的負面影響，主要采取兩個步驟：（1）GPS數據清理，去除漂移點。軌跡數據的經緯度坐標是最重要的基礎數據，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，控制軌跡數據中坐標的精度。（2）GPS數據丟失插值處理。由于城市中高樓聳立，GPS數據傳輸過程中會出現丟失的問題，造成GPS定位時間間隔過久，直接影響提取出交通數據的準確性。本文采取插值處理的方法補充空白點，運用前后兩個數據

11、點的平均值作為插入數值。數據融合分析是將車輛GPS定位數據、公交車輛數據、公交線路數據、公交站點數據、公交線路站點關系、運營計劃數據等進行融合，通過GPS空間信息和站點空間信息進行空間分析，結合融合后的數據獲得公交車GPS的時空軌跡數據。具體關聯如圖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律：公交從始發站開往終點站，中途經過多個停靠站，公交車總是從站臺的上游減速進入停靠站，然后在站內停靠片刻等待乘客上下車，然后起步加速離站，進入站臺的下游路段。公交車經過每一個站臺都要經歷減速進站和加速離站的過程。根據公交站點與公交車空間關系和時空分布特征，設置

12、一定的離站距離閾值對公交站點進行緩沖區分析，搜索在最近一段時間內停靠該站點的公交車軌跡數據，獲取不同車輛的軌跡信息，根據公交車和停靠站點的坐標信息，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，位置數據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，將該范圍內第一個最小車速值（車

13、速的計算依賴于GPS定位數據，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通過公交站點（i為公交車下一站停靠的站點序號，m為乘客候車站點序號，i、m均為正整數且根據當前公交線路經過站點先后順序排序，1im）的公交車為（j、n均為正整數，n表示該時間段內當前公交站點以一定離站距離進行緩沖區分析得到的車輛總數，j為對應公交車輛編碼的排序號，1jn），則當前公交車的軌跡為（公交車輛編碼是唯一值，因此具有唯一性），從軌跡曲線里取距離和車速的左側底部對應的時間作為公交車停站時刻的

14、替代值。 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各相鄰車站的站間行駛時間總和，即

15、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，從數據庫中提取出相關車輛的公交車

16、軌跡數據：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據進行處理、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數據和公交站點與線路等GIS數據進行融合、處理與分析，基于公交車軌跡數據和路段在空

17、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，彌補了現有公交數據記錄的不足。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 /i升了公交服務滿意度及公交出行率，為智能公交系統的優化（線路站點規劃、實時調度）提供了數據依據，對解決城市公共交通問題具有重要的現實意義。參考文獻（References）1 BinYu.WilliamH.K.Lama，MeiLamTam.Bus Arrival Time Prediction at Bus Stop with Mult

18、ipleroutesJ.Transportation Research PartC，2011：1157-1170.2 ZHONG Huiling，ZHANG Meng，SHI Yongqiang.Efficient Path Planning Algorithm Based on the Strategy of Network LayerJ.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 Solut