[发明专利]一种基于LSTM神经网络的公交到站时间预测方法

说明书

本发明的基于LSTM神经网络的公交到站时间预测方法，所述方法包括如下步骤：步骤1）从城市公交数据库将包含有公交车定位数据、刷卡数据的历史数据集导入至Hadoop大数据集群下的HBase数据库，通过Spark内存计算框架对存入的数据集进行数据预处理；步骤2）对处理后的数据进行数据标准化处理；步骤3）通过最小绝对收缩和选择算法对标准化后的数据特征进行判断和特征筛选；步骤4）基于LSTM神经网络构建公交车的到站时间预测模型，将已经筛选好关键特征的标准化数据输入，实现对公交到站时间的预测。有益效果：具有对公交原始数据进行筛选和选择的操作过程，通过对公交到站数据的筛选和选择，本发明方法可有效提高对公交到站时间预测的准确率。

技术领域

本发明涉及城市公交的运营周期及到站时间预测技术，特别涉及一种基于LSTM神经网络的公交到站时间预测方法。

背景技术

在当前大力推进公共交通发展的背景下，如何提高居民对公交服务水平的满意度，吸纳更多的居民乘坐公交车出行，对公交到站时间的预测显得尤为重要。对公交车到站时间的准确预测，不仅能显著提高公交车的运营效率和服务水平，也能对公共交通的发展起到显著的推动作用。

在公交车实际的运行过程中，由于交通环境的不定性，如天气情况、交通事故、节假日等因素，导致很难对公交到站的时间做出准确预测，回顾当前比较流行的算法，公交到站时间预测方法大体分为回归分析、滤波分析和搜索算法。在概率学中，回归分析是用来确定两种或者两种以上变量之间的相互影响的定量关系的一种分析方法。在大数据研究领域中，回归分析是一种用于预测的建模方法，其主要研究的是因变量和自变量之间的关系。在回归分析算法中，主要将公交车到站时间作为受其他因素影响的因变量，在当前的研究中，对公交车到站时间产生影响的因素有当前时间段、日期、天气条件等，由于公交车到达某个站点的时间与到达上个站点的时间呈现一种前后时间关系，因此公交到站时间的预测也符合时间序列预测。时间序列预测主要是是根据过去某个时间点的数据对未来某个时间点的数据进行预测。

发明内容

针对公交车的实际运行过程中受诸多环境影响，导致很难对公交车的到站时间做出准确预测，本发明基于时间序列考虑提出一种基于LSTM神经网络的公交到站时间预测方法，具体技术方案如下：

所述基于LSTM神经网络的公交到站时间预测方法，所述方法包括如下步骤：

步骤1)从城市公交数据库将包含有公交车定位数据、刷卡数据的历史数据导入至Hadoop大数据集群下的HBase数据库，通过Spark内存计算框架对存入的数据集进行数据预处理；

步骤2)对处理后的数据进行数据标准化处理；

步骤3)通过最小绝对收缩和选择算法对标准化后的数据特征进行判断，分析每个特征的影响因子系数，并进行特征筛选；

步骤4)基于LSTM神经网络构建公交车的到站时间预测模型，将已经筛选好关键特征的标准化数据输入至到站时间预测模型，并进行模型训练，实现对公交车到站时间的预测。

所述基于LSTM神经网络的公交到站时间预测方法的进一步设计在于，步骤1)中对存入的数据集进行数据预处理具体为：通过Hadoop大数据集群对HBase数据库下的历史数据进行数据读取，对历史数据中的公交车定位数据进行数据修复、数据剔除和数据归纳，整理出每条线路的公交车运行轨迹信息，并将公交站台的经纬度信息和公交车轨迹信息进行匹配。

所述基于LSTM神经网络的公交到站时间预测方法的进一步设计在于，将公交站台的经纬度信息和公交车轨迹信息进行匹配具体包括如下步骤：

步骤1-1)以公交站台为中心确定设定范围的圆形面积，当公交车的定位数据与站台的经纬度数据之间的距离小于圆形半径，确定当前的公交车的位置在所述公交站台范围内；