基于极限学习机的公交行程时间预测方法

交通运输系统工程与信息 ›› 2018, Vol. 18 ›› Issue (5): 136-142.

基于极限学习机的公交行程时间预测方法

宋现敏^*，刘明鑫，马林，夏英集

吉林大学交通学院，长春 130022

收稿日期:2018-06-12 修回日期:2018-08-14 出版日期:2018-10-25 发布日期:2018-10-26
作者简介:宋现敏(1978-)，女，山东菏泽人，副教授，博士.
基金资助:
国家自然科学基金/National Natural Science Foundation of China(51278220)；吉林省自然科学基金/ Jilin Natural Science Foundation(20180101063JC).

Bus Travel Time Prediction Based on Extreme Learning Machine

SONG Xian-min, LIU Ming-xin, MA Lin, XIA Ying-ji

College of Transportation, Jilin University, Changchun 130022, China

Received:2018-06-12 Revised:2018-08-14 Online:2018-10-25 Published:2018-10-26

摘要/Abstract

摘要：

以公交车GPS数据为基础，建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现，定义了公交车到站临界点，并分析了临界点处车辆的5种运行状态；提出了公交车到站时刻估算方法，进而得到公交车行程时间数据；通过分析公交车行程时间数据内在特征，确定了极限学习机模型关键参数及其纬度；最后，以长春市88路公交车GPS数据为基础进行了方法验证.结果表明，所用ELM方法预测误差约为11%，并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析，发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.

关键词: 智能交通, GPS数据, 极限学习机, 公交行程时间预测

Abstract:

A travel time prediction model of Extreme Learning Machine is established based on the bus GPS data. According to the characteristics of GPS data near the station, the critical point of bus arrival is defined. Through analyzing 5 running states of the vehicle at critical point, the estimation method of bus arrival time is proposed, and then get the bus travel time data. By analyzing the travel time data features of the bus, the key parameters and its number are determined. Finally, the GPS data of the 88 bus in Changchun city are taken to verification. The results show that the prediction error of the ELM method is about 11%. Compared with BP neural network, RBF neural network and SVM which are widely used, the ELM method has faster training speed and prediction reliability under the premise of satisfying the accuracy.

Key words: intelligent transportation, GPS data, Extreme Learning Machine, bus travel time prediction

中图分类号:

U491

宋现敏，刘明鑫，马林，夏英集. 基于极限学习机的公交行程时间预测方法[J]. 交通运输系统工程与信息, 2018, 18(5): 136-142.

SONG Xian-min, LIU Ming-xin, MA Lin, XIA Ying-ji. Bus Travel Time Prediction Based on Extreme Learning Machine[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(5): 136-142.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19706.shtml

http://www.tseit.org.cn/CN/Y2018/V18/I5/136

参考文献

[1] DZIEKAN K, KOTTENHOFF K. Dynamic at-stop realtime information displays for public transport: Effects on customers[J]. Transportation Research Part A Policy & Practice, 2007, 41(6): 489-501.

[2] WANG S Q, SHAO C F. Method of transit signal priority control based on the prediction of bus dwell time at bus station[J]. Advanced Materials Research, 2014(1030-1032): 2034-2043.

[3] 孙喜梅, 杨兆升. 城市公共交通站点间实时动态行程时间预测的模型[J]. 吉林大学学报(工学版), 2002, 32 (1): 47-51. [SUN X M, YANG Z S. The model of realtime dynamic travel time prediction between urban public transportation stop[J]. Journal of Jilin University (Engineering and Technology Edition), 2002, 32(1): 47-51.]

[4] PATNAIK J, CHIEN S, BLADIKAS A. Estimation of bus arrival times using APC data[J]. Physical Review Letters, 2004, 7(1): 128001-128100.

[5] 周雪梅, 杨晓光, 王磊. 公交车辆行程时间预测方法研究[J]. 交通信息与安全, 2002, 20(6): 12-14. [ZHOU X M, YANG X G, WANG L. Research on the prediction method of bus travel time[J]. Computer and Communications, 2002, 20(6): 12-14.]

[6] ZHOU Y, YAO L, CHEN Y, et al. Bus arrival time calculation model based on smart card data[J]. Transportation Research Part C, 2016, 74(8): 1634-1638.

[7] SHALABY A, FARHAN A. Prediction model of bus arrival and departure times using AVL and APC data[J]. Journal of Public Transportation, 2004, 7(1): 41-61.

[8] KUMAR B A, VANAJAKSHI L, SUBRAMANIAN S C. Pattern-based time-discretized method for bus travel time prediction[J]. Journal of Transportation Engineering Part A Systems, 2017, 143(6): 04017012.

[9] CHIEN I J, DING Y, WEI C. Dynamic bus arrival time prediction with artificial neural networks[J]. Journal of Transportation Engineering, 2002, 128(5): 429-438.

[10] REDDY K K, KUMAR B A, VANAJAKSHI L. Bus travel time prediction under high variability conditions[J]. Current Science, 2016, 111(4): 700-711.

[11] 于滨, 杨忠振, 林剑艺. 应用支持向量机预测公交车运行时间[J]. 系统工程理论与实践, 2007, 27(4): 160-164. [YU B, YANG Z Z, LIN J Y. Bus arrival time prediction using support vector machines[J]. Systems Engineering-Theory & Practice, 2007, 27(4): 160-164.]

[12] LIN Y, YANG X, ZOU N, et al. Real-time bus arrival time prediction: Case study for Jinan, China[J]. Journal of Transportation Engineering, 2013, 139(11): 1133-1140.

[13] YU B, LAM WHK M L T. Bus arrival time prediction at bus stop with multiple routes[J]. Transportation Research Part C, 2011, 19(6): 1157-1170.

[14] HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: A new learning scheme of feed forward neural networks[C]// IEEE International Joint Conference on Neural Networks, 2004. Proceedings. IEEE, 2005: 985-990.

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[14]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.
[15]	龙建成, 郭嘉琪. 动态交通分配问题研究回顾与展望[J]. 交通运输系统工程与信息, 2021, 21(5): 125-138.