基于深度学习的公交到站时间预测研究

张军芳　杜鹏　房月华　张利民　赵鑫

摘 要：大数据背景下传统的公交到站时间预测方法在预测精度和训练速度方面已经不能满足人们的期望。文章以衡水市公交运行实际数据为例，运用深度学习中的长短时记忆网络（LSTM）和人工神经网络（ANN）混合模型，综合考虑运行时段、天气状况、道路基础设施、是否交叉路口、是否高峰路段等因素，对公交车的到站时间进行预测研究，结果显示混合模型在预测公交车在前一个站点的停靠时间和站间的行使时间方面均具有较高准确性。

关键词：长短时记忆网络 人工神经网络 预测 准确性

Research on Bus Arrival Time Prediction based on Deep Learning

Zhang Junfang， Du Peng， Fang Yuehua， Zhang Limin， Zhao Xin

Abstract：Under the background of big data， the traditional bus arrival time prediction method cannot meet people's expectations in terms of prediction accuracy and training speed. Taking the actual bus operation data of Hengshui City as an example， this paper uses the hybrid model of long-term and short-term memory network（LSTM）and artificial neural network（ANN）in deep learning to predict the bus arrival time by comprehensively considering the factors such as operation time， weather conditions， road infrastructure， whether there is an intersection and whether there is a peak section. The results show that the hybrid model has high accuracy in predicting the bus stop time at the previous stop and the travel time between stops.

Key words：long-term and short-term memory network， artificial neural network， prediction， accuracy

1 引言

公交到站時间预测是智能公共交通信息服务系统的重要组成部分，精确的到站时间能有效缓解站台等车乘客的焦虑情绪，让出行者合理安排出行计划。调查结果表明，公交乘客根据预测信息合理选择乘车的时间，能使乘客节约63%的等待时间;而对于管理者而言，准确的到站时间信息是实现灵活调度、科学管理的前提[1]。目前城市公交公司已经将到站预测运用于公交公司的运营调度中，然而车辆的到站时间受实时的天气、交通状况、交通需求等诸多因素的影响，所以实时准确的公交到站时间预测既是智能公共交通服务系统的重点，又是公交运行管理的难点。

目前，国内的公交车辆普遍安装了车载GPS装置。国内上海、南京、广州等一些大城市，在市区内的一些特殊线路候车站点上都安装了电子停车标志，以告知乘客车辆的预计到达时间。一些互联网公司也通过开发手机软件来发布实时公共交通信息，比较美国的谷歌地图，国内的高德地图，百度地图等，基本上都配置了公交线路实时信息查询的功能，用户可以登录手机应用程序查看市区内的公交线路，公交站点与站点的地图，以获得车辆的到达时间[1]。

根据衡水市公交运行数据，结合公交运行与调度情况，综合考虑衡水市公交运行时段、天气状况、道路基础设施、是否交叉路口、是否高峰路段等因素，建立混合模型，预测公交运行的准时性。

2 方法介绍

研究发现，人工神经网络（ANN）只能记忆短时期的信息，信息随着学习量的增多或者学习周期的增长将会导致梯度消失或者梯度爆炸现的发生象[2，3]。长短时记忆网络 （LSTM）是一种特殊的RNN网络模型，由 Hochreiter等人[4]于1997年提出，后期被 Alex Graves进行了改进和应用[3，5]，该模型可以记忆长时期的规律，并且有效避免梯度消失现象[3，4]。相对于RNN网络模型，LSTM模型中增加了输入门、输出门、忘记门用于控制记忆的序列信息，如图1所示。记忆块中有记忆线和输入输出线主线，其中，记忆线时刻完成的运算为其前一时刻的记忆状态经过忘记门状态和输入门状态处理后得到该时刻记忆线输出;输入输出线的运算为在时刻输入一组新的变量值，并与前一时刻隐层输出状态共同通过输出门状态的运算后，再参考记忆线在该时刻的输出，得到隐层的输出结果。流程如图2所示[3]。

3 数据处理

3.1 数据来源

本文使用的数据来自衡水市公交公司2020年9月1日至9月20日的数据，共包含5804条数据。数据结构如表1所示。

3.2 数据预处理

一般地，时间切片的最优值为5min，所以将一天划分为190个时间切片。在实际行车过程中，车辆可能会遇到突发事件，因此在统计的数据中存在一些异常数据，将时间窗的上限设置300s，下限设置为25s，从而过滤异常数据以减少噪声干扰[6]。

3.3 公交车到站时间预测

一般地，公交车到站时间可通过下式进行预测：

式中为k第辆公交车到达目标站点的预测时间;为第k辆公交车到达前一个站点的实际时间;为第k辆公交车在前一个站点处的预测停靠时间;为第k辆公交车在前一个站点到目标站点间的预测行使时间。

公交到站时间预测可以转化为：预测公交车在前一个站点的停靠时间和在站间的行使时间。

以衡水市实际公交数据为例，运用深度学习中的长短时记忆网络LSTM和人工神经网络ANN混合模型对公交车运行时段、天气状况、道路基础设施、是否交叉路口、是否路段因素对公交在前一个站点的停靠时间和公交在站间的行使时间进行预测[7]，结果显示预测具有较高的精确性，结果如图3。

4 结论

作为智能公共交通系统的重要组成部分，公交到站时间预测为提供实时准确的公交到站时间可以实现如下经济社会效益：

（1）对于出行者而言，出行者可以合理的规划出行，节省在站点的等车时间，缓解出行者等车期间的焦虑情绪;（2）对于公交企业而言，提供实时准确的公交到站时间一方面可以优化公交调度，另一方面有利于多模式交通方式间的协调;（3）对于政府而言，可以提高公交吸引率，缓解城市交通拥堵，提升城市形象;（4）从社会效益方面而言，公交到站时间预测研究会降低公交车到站时间的预测误差，推动公交服务类软件的进一步应用。

基金项目：

衡水学院2020年度校级自然科学类课题（2020ZR01）：基于多源公交数据和LSTM的公交到站时间预测研究。

衡水学院2020年度校级自然科学类课题（2020ZR08）：高效薄膜硅-晶体硅异质结电池器件结构模拟及产业化工艺研究。

河北省教育廳资助青年基金项目自然科学类（QN2020529）：基于大数据和人工智能的网络舆情挖掘及预测研究。

参考文献：

[1]叶之放.基于多源公交数据和LSTM的公交到站时间预测研究[D].华南理工大学，2019.

[2]FUR，ZHANG Z，LI L.Using LSTM and GRU Neural Network Methods for Traffic Flow Prediction [C]//2016 31st Youth Academic Annual Conference of Chinese Association of Automation（YAC）.Wuhan：IEEE，2016：324-328.

[3]李高盛，彭玲等.基于LSTM的城市公交车站短时客流量预测研究[J].公路交通科技，2019，36（2）：128-132.

[4]HOCHREITERS，SCHMIDHUBERJ.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[5] Graves A.Supervised sequence labeling with recurrent neural networks[M]. Berlin： Springer-Verlag，2012.

[6]张欣环，刘宏杰等.基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测[J]. 计算机应用， 2021.3 （41）：875-880.

[7]张瑜.基于城市公交轨迹数据的车辆到站时间预测算法研究[D].大连海事大学，2020年.