[发明专利]一种公交车到站时间实时预测系统和方法

说明书

技术领域

本发明涉及公交车辆到达时间预测技术，尤其是一种公交车到达时间实时预测系统和方法。

背景技术

公交车辆到站时间预测作为公交系统信息化的关键技术，受到了国内外研究人员的极大关注。在已知的现有技术中，公交车辆到达时间的预测技术主要包括历史数据模型预测模型、人工神经网络模型和卡尔曼滤波器模型等。

基于历史数据的到达时间预测模型以大量历史数据为基础，假设交通模式具有循环变化的规律，在特定路段内历史行程时间与当前行程时间是一致的。该模型的原理十分简单、直观，操作方便，因此目前大多数城市的电子站牌显示时间预测是基于此方式进行。例如美国的Lin和Zeng利用GPS定位数据、公交时刻表等信息为Virginia的Blacksburg地区提出了基于GPS定位的实时公交车辆到达时间预测模型。基于历史数据的预测算法以来的历史定位数据间隔较大精度不高，只是用于郊区车辆稀疏的情况，不适合大城市复杂的交通状况。

申请号/专利号为200510110083的预测公交车到站的方法，是基于人工神经网络结构的公交车到达时间预测模型，以到达时间、站点滞留时间以及公交时刻表时间差为输入，由最小预测误差确定隐藏层权重和参数的最优值，由预测结果选择、训练网络，并确定最佳的训练函数。Jeong和Rilett[30]在德克萨斯州休斯顿市采集公交车的实时AVL数据，综合考虑实际到站时间与时刻表到站时间之差以及滞留时间的影响，利用人工神经网络技术建立起公交车到站时间预测模型。人工神经网络模型具有解决复杂非线性问题的能力，但是在实际应用中却需要利用经验尝试选择较优的训练函数、学习函数以及一些参数达到一定的预测精度，同时很难实现实时在线的训练和动态预测。

申请号/专利号为200910199431的一种公交车到站时间预测模型控制方法中，利用卡尔曼滤波器模型，它是一个最优化自回归数据处理算法，可以从一组有限的包含噪声的对物体位置的观察序列（可能有偏差）预测出物体未来的位置的坐标及速度。Wall和Dailey提出使用卡尔曼滤波模型来跟踪车辆位置，结合自动车辆定位系统和历史数据预测华盛顿地区的公交车辆的到站时间。Shalaby和Farhan使用了从多伦多城区采集的车辆定位数据进行分析预测，发现卡尔曼滤波方法比历史数据模型和神经网络模型效果更好。卡尔曼滤波器模型利用不断逼近的方式获得较高的预测精度，但同时计算量很大，实时性较差。

发明内容

本发明所要解决的技术问题是提供一种公交车到站时间预测精度高，具有良好的实时性、自适应性和可扩展性的基于最大熵理论的公交车到站时间实施预测系统和方法。

本发明解决上述技术问题的技术方案如下：一种公交车到站时间实时预测系统，它包括位于公交车上的智能采集模块，预测处理模块，显示模块；

所述智能采集模块，用于采集公交车实时的位置信息，并将此位置信息通过3G网络传送给预测处理模块；

所述预测处理模块，用于根据接收到的位置信息建立路段耗费时间模型，预测每个路段的公交车到站时间，并将公交车到站时间信息通过3G网络发送给显示模块；

所述显示模块，用于显示接收到的公交车到站时间。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述智能采集模块包括GPS模块，3G无线模块、WiFi无线模块、处理器模块和电源模块；

所述GPS模块，用于感知公交车地理位置信息并传送给处理器模块；

所述3G无线模块，用于受处理器模块控制并传输公交车信息和位置信息给预测处理模块；

WiFi无线模块，用于由处理器模块控制，与显示模块通信；

处理器模块，用于获取所搭载的车辆信息和地理位置信息并传送到3G无线模块和WiFi无线模块；

电源模块，用于给GPS模块、3G无线模块、WiFi无线模块、处理器模块供电。

进一步，所述预测处理模块包括一个或一个以上的接收终端和一个时间预测服务器；

所述接收终端与所述时间预测服务器相连接，用于接收公交车信息和位置信息并将这些信息发送给所述时间预测服务器进行公交车到站时间预测，并将预测结果发送到显示模块。

进一步，所述每一个接收终端负责一条或一条以上公交线路上运行的所有公交车。

进一步，所述显示模块包括智能公交站牌和／或移动通信设备。

一种公交车到站时间实时预测方法，它包括以下步骤：

步骤1：采集公交车实时的位置信息并发送给预测处理模块；