[发明专利]一种基于GRU神经网络的公交到站时间预测方法

说明书

本发明公开了一种基于GRU神经网络的公交到站时间预测方法，所述方法包括：由数据库导出历史数据至CSV格式文件，获取原始数据，利用HBase分布式数据库和Spark内存处理技术对所述原始数据进行分析处理去除原始数据的混杂性、复杂性和系数性；基于单一属性和多因子角度采用特征相关性研究法处理分析处理后的所述原始数据，得到标准时间序列类型数据；利用Lasso方法对标准时间序列类型数据进行变量选择，剔除标准时间序列类型数据中关联性弱的特征向量；基于GRU神经网络构建公交的到站预测模型，输入已剔除关联性弱特征向量的标准时间序列类型数据至到站预测模型，实现对公交到站的时间预测操作；本发明可有效提升对公交到站时间预测的准确性。

技术领域

本发明涉及城市公交的监控及到站时间预测技术，具体涉及一种基于GRU神经网络的公交到站时间预测方法。

背景技术

公共交通是关系国计民生的重要基础设施，发展信息化、智能化的先进公交系统对提高城市公共交通管理和服务水平具有积极意义。公交车辆调度管理是先进公交系统的核心，而公交车辆到站时间是公交车辆动态调度管理的关键参数，传统公交排班是根据经验所判断的固定站间行驶时间间隔来对到站时间进行仿真。通常，这种方法制作出来的预估时间表误差性大、拟合程度低，不能反映出真正的情况。

到站时间预测对于提高公交车辆准时性，减少乘客等待时间，方便乘客合理分配出行时间提供了重要帮助。国内外学者在公交车辆到站时间预测方面做了大量的研究，提出的预测模型主要有时间序列(Time Series,TS)模型、人工神经网络(Artificial NeuralNetwork,ANN)模型、支持向量机(SupportVector Machines,SVM)模型以及Kalman滤波模型等。Yang等人在与测试，通过对时间序列中的不平稳数据进行差分处理，建立了自回归移动平均时间序列模型，通过残差分析及数据拟合，对到站时间进行了预测，但是该模型序列中白噪声影响严重，导致最终预测精度不高；熊文华等人通过BP网络，以浮动车和线圈所记录的数据作为网络输入，以车辆行程时间作为输出，该模型需要大量数据进行拟合，参数调优复杂。

发明内容

针对上述现有技术中对公交到站时间预测的误差大及其预测的拟合度无法反映公交到站真实情况的问题，本发明于提出一种基于GRU神经网络的公交到站时间预测方法，具体技术方案如下：

一种基于GRU神经网络的公交到站时间预测方法，所述方法包括：

S1、由数据库导出历史数据至CSV格式文件，获取原始数据，利用HBase分布式数据库和Spark内存处理技术对所述原始数据进行分析处理去除所述原始数据的混杂性、复杂性和系数性；

S2、基于单一属性和多因子角度采用特征相关性研究法处理分析处理后的所述原始数据，得到标准时间序列类型数据；

S3、利用Lasso方法对所述标准时间序列类型数据进行变量选择，剔除所述标准时间序列类型数据中关联性弱的特征向量；

S4、基于GRU神经网络构建公交的到站预测模型，输入已剔除关联性弱特征向量的所述标准时间序列类型数据至所述到站预测模型，实现对公交到站的时间预测操作。

进一步的，步骤S1包括：

S11、利用SparkSQL从HDFS中获取所述CSV格式文件，形成Spark DataFrame结构数据；

S12、利用SparkSQL提取指定公交的历史GPS轨迹数据，并利用HBase分布式数据库将所述历史GPS轨迹数据与公交站点距离进行匹配。

进一步的，所述利用HBase分布式数据库将所述历史GPS轨迹数据与公交站点距离进行匹配，包括：

S121、设定一特定值用于判断所述匹配是否小于公交的指定到站地点，若所述匹配的结果小于所述特定值，则标记与所述匹配对应的公交到站地点；