廖孝勇 崔德冠 孫棣華

（重慶大學(xué)，中國(guó) 重慶 400044）

0 引言

公交到達(dá)時(shí)間預(yù)測(cè)是智能交通領(lǐng)域研究的熱點(diǎn)問(wèn)題之一，而公交到達(dá)時(shí)間預(yù)測(cè)是一個(gè)持續(xù)改進(jìn)的過(guò)程。目前以存在了許多公交到達(dá)時(shí)間預(yù)測(cè)的方法，如人工神經(jīng)網(wǎng)絡(luò)算法，支持向量機(jī)、自回歸時(shí)間序列，卡爾曼濾波等等[1-3]，這些算法均有自身的優(yōu)點(diǎn)，但也存在一定的局限性，預(yù)測(cè)精度還有待進(jìn)一步的提高。文獻(xiàn)[1]已經(jīng)建立了公交到達(dá)時(shí)間預(yù)測(cè)模型，并且經(jīng)實(shí)驗(yàn)驗(yàn)證能取得較好的結(jié)果，而進(jìn)一步分析，其精度還可以進(jìn)一步提高。

因此，為進(jìn)一步提高公交到達(dá)時(shí)間預(yù)測(cè)的精度，本文在已有模型的基礎(chǔ)上，通過(guò)利用海量的公交車GPS 數(shù)據(jù)進(jìn)行長(zhǎng)期的測(cè)試，對(duì)分析測(cè)試結(jié)果做詳細(xì)的分析，同時(shí)結(jié)合公交車GPS 數(shù)據(jù)，分析產(chǎn)生誤差產(chǎn)生的原因（特別是大誤差產(chǎn)生的原因），針對(duì)具體的問(wèn)題提出相應(yīng)的解決方案，對(duì)公交到達(dá)時(shí)間預(yù)測(cè)模型做進(jìn)一步的改善和優(yōu)化，以提高模型的精度。

1 舊模型公交到達(dá)時(shí)間預(yù)測(cè)結(jié)果分析

1.1 原有模型簡(jiǎn)介

文獻(xiàn)[3]將公交到達(dá)時(shí)間分成了路段行程時(shí)間、車站區(qū)域停留時(shí)間和其他延誤時(shí)間3 部分，提出了公交達(dá)到時(shí)間預(yù)測(cè)模型，如下所示：

1.2 評(píng)價(jià)指標(biāo)介紹

公交到達(dá)時(shí)間預(yù)測(cè)精度的評(píng)價(jià)是一個(gè)相對(duì)的指標(biāo)，既需要考慮到絕對(duì)誤差，又要考慮到乘客的主觀感受，因此，本文采用短時(shí)精度和長(zhǎng)時(shí)精度兩個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。

（1）短時(shí)精度。實(shí)際到站時(shí)間在5 分鐘內(nèi)的預(yù)測(cè)數(shù)據(jù)的絕對(duì)誤差在1 分鐘及以內(nèi)的數(shù)據(jù)個(gè)數(shù)占實(shí)際到站時(shí)間在5 分鐘內(nèi)的預(yù)測(cè)數(shù)據(jù)總量的比例。

（2）長(zhǎng)時(shí)精度。實(shí)際到站時(shí)間在5 分鐘及以上的預(yù)測(cè)數(shù)據(jù)的相對(duì)誤差在20%及以內(nèi)的數(shù)據(jù)個(gè)數(shù)占實(shí)際到站時(shí)間在5 分鐘及以上的預(yù)測(cè)數(shù)據(jù)總量的比例。

1.3 舊模型測(cè)試結(jié)果分析

為了對(duì)公交到達(dá)時(shí)間預(yù)測(cè)模型的測(cè)試結(jié)果做進(jìn)一步的分析，根據(jù)測(cè)試結(jié)果所反映的規(guī)律來(lái)查找公交到達(dá)時(shí)間的影響因素，利用0811線路從2012 年7 月到2013 年2 月期間約200 天的測(cè)試結(jié)果的分布情況進(jìn)行分析，如圖1 所示。

通過(guò)長(zhǎng)期的測(cè)試結(jié)果可以看出，利用文獻(xiàn)[3]所建立模型預(yù)測(cè)公交達(dá)到時(shí)間可以達(dá)到較高的精度，短時(shí)精度和長(zhǎng)時(shí)精度整體上保持在85%-90%之間。但不可否認(rèn)的是，公交到達(dá)時(shí)間預(yù)測(cè)仍會(huì)產(chǎn)生較大的波動(dòng)，有些天的預(yù)測(cè)精度（主要是長(zhǎng)時(shí)精度）低于80%。因此，如何進(jìn)一步提高公交到達(dá)時(shí)間預(yù)測(cè)的精度（包括降低長(zhǎng)時(shí)精度的波動(dòng)性），是本文研究的主要問(wèn)題。

圖1 公交線路0811 長(zhǎng)期公交到達(dá)時(shí)間預(yù)測(cè)結(jié)果分布

首先，為了檢驗(yàn)短時(shí)精度和長(zhǎng)時(shí)精度之間是否存在顯著的差異，對(duì)兩者進(jìn)行T 檢驗(yàn)，結(jié)果如表1 所示。

表1 短時(shí)精度和長(zhǎng)時(shí)精度差異對(duì)比

由表1 可以看出，公交到達(dá)時(shí)間預(yù)測(cè)結(jié)果的短時(shí)精度和長(zhǎng)時(shí)精度具有顯著的差異，短時(shí)精度的均值為87.86%，高于長(zhǎng)時(shí)精度（85.08%），說(shuō)明將公交到達(dá)時(shí)間預(yù)測(cè)結(jié)果分為短時(shí)精度和長(zhǎng)時(shí)精度是有必要的。同時(shí)，這兩個(gè)指標(biāo)考慮到乘客候車的感受，對(duì)公交到達(dá)時(shí)間預(yù)測(cè)結(jié)果的評(píng)價(jià)更加合理。

2 誤差分析及模型改善

通過(guò)長(zhǎng)期結(jié)合公交到達(dá)時(shí)間預(yù)測(cè)模型的預(yù)測(cè)結(jié)果和海量公交車GPS 數(shù)據(jù)的分析，本文總結(jié)公交到達(dá)時(shí)間預(yù)測(cè)產(chǎn)生誤差（尤其是大誤差）的影響因素有：（1）數(shù)據(jù)問(wèn)題，包括數(shù)據(jù)缺失和數(shù)據(jù)錯(cuò)誤兩方面；（2）道路交通特性的差異影響；（3）司機(jī)駕駛行為差異影響；（4）異常事件影響；以下將對(duì)這些因素的情況及其對(duì)公交到達(dá)時(shí)間預(yù)測(cè)結(jié)果的影響作進(jìn)一步的分析。同時(shí)，針對(duì)這些問(wèn)題，提出進(jìn)一步的優(yōu)化方案。

2.1 誤差分析

2.1.1 數(shù)據(jù)質(zhì)量問(wèn)題

數(shù)據(jù)質(zhì)量問(wèn)題主要包括兩點(diǎn)：其一，數(shù)據(jù)缺失；其二，數(shù)據(jù)錯(cuò)誤。具體如下：

（1）數(shù)據(jù)缺失。數(shù)據(jù)缺失是造成公交到達(dá)時(shí)間預(yù)測(cè)誤差（尤其是大誤差）的主要原因之一。

公交車GPS 數(shù)據(jù)分為運(yùn)營(yíng)數(shù)據(jù)和報(bào)站數(shù)據(jù)。所謂運(yùn)營(yíng)數(shù)據(jù)是記錄公交運(yùn)行過(guò)程的數(shù)據(jù)，而報(bào)站數(shù)據(jù)是指公交在進(jìn)站或者出站的瞬間傳回的數(shù)據(jù)，記錄了公交進(jìn)站或者出站的時(shí)刻。正常情況下每隔10 秒傳回一條運(yùn)營(yíng)數(shù)據(jù)，即同一輛公交車相鄰兩條運(yùn)營(yíng)GPS 數(shù)據(jù)的之間的時(shí)間差為10，而報(bào)站數(shù)據(jù)之間的時(shí)間間隔不確定，因此，運(yùn)營(yíng)數(shù)據(jù)與相鄰的報(bào)站數(shù)據(jù)之間的時(shí)間差可能小于10。

（2）數(shù)據(jù)錯(cuò)誤。數(shù)據(jù)錯(cuò)誤是公交車GPS 數(shù)據(jù)中較為常見的一種現(xiàn)象，數(shù)據(jù)錯(cuò)誤情況如果得不到妥善處理，同樣會(huì)造成較大的誤差。公交車GPS 數(shù)據(jù)的屬性包括站點(diǎn)編號(hào)、車輛IP、瞬時(shí)速度、GPS 時(shí)間、里程信息、車輛狀態(tài)以及行車方向等信息，且不同屬性的錯(cuò)誤所造成的影響不同。

2.1.2 道路交通特性差異

由于道路交通上不同路段的地理?xiàng)l件、車道數(shù)量、車流量、人流量、與始發(fā)站的距離等方面的差異較大，不同路段的交通狀態(tài)變化程度不一致，造成不同站點(diǎn)的公交到達(dá)時(shí)間的預(yù)測(cè)結(jié)果差異較大。在此，以886 線路下行方向的動(dòng)步公園到大廟連續(xù)6 個(gè)典型站點(diǎn)的測(cè)試結(jié)果為例，利用方差分析檢驗(yàn)不同站點(diǎn)預(yù)測(cè)結(jié)果的差異性，結(jié)果如圖2所示。

圖2 公交線路886 從動(dòng)步公園到大廟路段劃分

可以看出，動(dòng)步公園和龍湖西苑兩個(gè)站點(diǎn)的預(yù)測(cè)精度較大，而新牌坊開始預(yù)測(cè)精度逐漸降，直到大廟站其預(yù)測(cè)精度才有所上升。進(jìn)一步分析其原因，造成軌道嘉州站預(yù)測(cè)精度下降的原因是：從新牌坊出站不到50 米為大轉(zhuǎn)盤，大轉(zhuǎn)盤處有等待周期較長(zhǎng)的信號(hào)燈，常造成新牌坊站出站口出發(fā)生堵車。加州花園的預(yù)測(cè)結(jié)果下降是因?yàn)槭艿郊t旗河溝立交上并道（由兩車道減為一車道）的影響，造成從軌道新牌坊大轉(zhuǎn)盤到紅旗河溝立交段經(jīng)常發(fā)生嚴(yán)重的交通擁堵。

進(jìn)一步，分析不同路段交通擁擠程度的波動(dòng)情況，以2013 年6 月1 日到2013 年8 月31 日連續(xù)3 個(gè)月的數(shù)據(jù)為基礎(chǔ)，統(tǒng)計(jì)出每個(gè)車次在以上6 個(gè)站點(diǎn)的上一路段的路段行程時(shí)間，其分布圖如3 所示：

圖3 公交線路886 部分路段的路段行程時(shí)間分布情況

結(jié)合以上圖表可以看出，公交到達(dá)時(shí)間的預(yù)測(cè)精度與道路交通狀態(tài)的波動(dòng)程度有密切的關(guān)系，道路交通狀態(tài)平穩(wěn)，公交車保定穩(wěn)定運(yùn)行狀態(tài)，得到的公交到站時(shí)間的預(yù)測(cè)精度則相對(duì)較高，且較為穩(wěn)定，反之亦然。

2.1.3 駕駛行為差異

經(jīng)分析，由于不同司機(jī)駕駛習(xí)慣不同，有的司機(jī)較為冒進(jìn)，而有的則相對(duì)保守，即使在相同的道路交通狀態(tài)下，不同的司機(jī)的行程時(shí)間也可能有較大的差異。利用方差分析檢驗(yàn)不同司機(jī)在相同條件下的路段行程時(shí)間，結(jié)果表明，車輛行程時(shí)間在不同司機(jī)之間具有顯著的差異。因此，考慮不同司機(jī)的駕駛行為習(xí)慣，將會(huì)有助于進(jìn)一步提高公交達(dá)到時(shí)間的預(yù)測(cè)效率。

2.1.4 異常事件影響

道路交通上異常事件的發(fā)生也是產(chǎn)生公交到達(dá)時(shí)間預(yù)測(cè)誤差的主要原因之一。一般對(duì)道路交通產(chǎn)生較大影響的異常事件有：車輛故障、貨物散落、異常天氣、交通事故、臨時(shí)大型活動(dòng)、交通臨時(shí)管制、道路維修等。這些異常事件雖然出現(xiàn)概率較小，但所造成的影響很大，輕則造成交通擁堵，增大出行成本，重則可能造成生命財(cái)產(chǎn)損失。且道路異常事件發(fā)生的時(shí)間、地點(diǎn)具有高度不確定性，一般難以準(zhǔn)確預(yù)測(cè)。較為可行的辦法是根據(jù)公交車GPS 數(shù)據(jù)及時(shí)檢測(cè)出異常事件，并且融合多線路多車的GPS 數(shù)據(jù)，以實(shí)現(xiàn)對(duì)異常事件影響程度的估計(jì)，通知交通管理部門及早采取有效措施，降低交通異常狀態(tài)所造成的影響。

2.2 模型改進(jìn)

以上已分析了造成公交到達(dá)時(shí)間預(yù)測(cè)結(jié)果產(chǎn)生較大誤差的主要影響因素，接下來(lái)需要對(duì)這些問(wèn)題提出進(jìn)一步的改進(jìn)方案。由于針對(duì)不同的問(wèn)題，改進(jìn)的程度不同，而且本文篇幅有限，在此僅著重介紹針對(duì)不同交通特性的優(yōu)化方案，而對(duì)于其他問(wèn)題的解決方案，只作簡(jiǎn)單介紹。

2.2.1 針對(duì)數(shù)據(jù)質(zhì)量問(wèn)題的改進(jìn)

（1）數(shù)據(jù)缺失的處理。文獻(xiàn)[3]以浮動(dòng)車覆蓋率作為標(biāo)準(zhǔn)，將路段分為有效數(shù)據(jù)路段和無(wú)效數(shù)據(jù)路段兩種，該方法對(duì)公交車GPS 數(shù)據(jù)的缺失起到了一定的作用（尤其是無(wú)效數(shù)據(jù)路段上），但經(jīng)分析發(fā)現(xiàn)，在有效數(shù)據(jù)路段也常見數(shù)據(jù)缺失的情況，因此，亟需一種更為有效的方法應(yīng)對(duì)數(shù)據(jù)的缺失。為了為數(shù)據(jù)缺失提供一種更為有效、適用范圍更廣的方法，在此提出利用經(jīng)過(guò)多車信息融合的方法，即考慮經(jīng)過(guò)同一路段多車的數(shù)據(jù)，充分發(fā)揮其他數(shù)據(jù)的作用。具體方法如下：

第一，利用同一輛公交車的GPS 數(shù)據(jù)中序列值對(duì)數(shù)據(jù)缺失進(jìn)行判別，確定是否發(fā)生數(shù)據(jù)缺失。

第二，若確定發(fā)生數(shù)據(jù)缺失，則計(jì)算數(shù)據(jù)缺失的周期。若同一公交車數(shù)據(jù)缺失周期小于一定的時(shí)間范圍（如2 分鐘），利用同一路段上其他車輛的信息就行修正；若同一輛車數(shù)據(jù)缺失超過(guò)預(yù)定的時(shí)間范圍，則報(bào)“通訊中斷”。

其中，利用同一路段其他車輛信息進(jìn)行修正的具體方法是：確定在一定范圍內(nèi)在是否有其他公交車輛經(jīng)過(guò)相同的路段，若有，則利用其他車輛離當(dāng)前車輛距離最近的信息（如車輛狀態(tài)、瞬時(shí)速度、里程等）來(lái)填補(bǔ)當(dāng)前車輛的信息；若沒有其他線路的車輛信息作為參考，則選擇最近通過(guò)相同路段的同一線路的其他車輛的信息填補(bǔ)當(dāng)前車輛的信息。

（2）數(shù)據(jù)錯(cuò)誤的處理。當(dāng)確定GPS 數(shù)據(jù)發(fā)生有誤時(shí)，則將該數(shù)據(jù)錯(cuò)誤部分當(dāng)缺失處理，再利用上述數(shù)據(jù)缺失的處理方法修正錯(cuò)誤的那部分的數(shù)據(jù)。

2.2.2 針對(duì)道路交通特性的改進(jìn)方案

為了消除不同道路交通特性對(duì)公交運(yùn)行時(shí)間的影響，首先需要根據(jù)道路交通狀態(tài)的大小和波動(dòng)程度對(duì)路段和時(shí)段進(jìn)行準(zhǔn)確、細(xì)致的劃分。對(duì)此，可以使用模糊K-均值聚類算法對(duì)具有不同交通特性的路段進(jìn)行劃分，具體如文獻(xiàn)[6]所述。在此，需要解決兩個(gè)關(guān)鍵問(wèn)題：

（1）輸入?yún)?shù)。由于不同路段的長(zhǎng)度、等級(jí)不同，為了消除不同路段的差異，需要定義“路段擁擠度”來(lái)表征每個(gè)路段的交通特性，具體計(jì)算方法如文獻(xiàn)[7]所述。

（2）劃分?jǐn)?shù)目。為了對(duì)具有不同交通特性的路段進(jìn)行更加精確、細(xì)致地劃分，需要確定合理的分類數(shù)目。由于目前對(duì)于道路交通特性的劃分沒有統(tǒng)一的標(biāo)準(zhǔn)，在此利用逐步試驗(yàn)的方法，確定最終將具有不同交通特性的路段和時(shí)段劃分為6 類得到的效果最好。

2.2.3 針對(duì)駕駛行為差異的改進(jìn)方案

司機(jī)駕駛行為的差異主要表現(xiàn)在車輛運(yùn)行過(guò)程中的差異，因此，根據(jù)司機(jī)駕駛行為對(duì)模型的改進(jìn)主要是針對(duì)路段行程時(shí)間計(jì)算方式的改進(jìn)。主要包括行程時(shí)間的計(jì)算和根據(jù)司機(jī)駕駛行為修正兩部分。

（1）計(jì)算平均行程時(shí)間?？紤]到GPS 數(shù)據(jù)的特點(diǎn)，可利用其中的車輛里程信息可以計(jì)算車輛與最近站點(diǎn)間的距離l，其平均速度可以由該路段的路段區(qū)間平均速度代替。則該車到下游目標(biāo)站點(diǎn)的平均行程時(shí)間為：

（2）根據(jù)駕駛員駕駛行為特性對(duì)結(jié)果進(jìn)行修正。為了提高估計(jì)的精度，還需要對(duì)平均行程時(shí)間加以修正，修正后的平均行程時(shí)間為：

3 實(shí)驗(yàn)分析

針對(duì)文獻(xiàn)[3]中的模型，本文從數(shù)據(jù)質(zhì)量、道路交通特性和駕駛行為修正等3 個(gè)方面進(jìn)行了改進(jìn)。為了驗(yàn)證模型的有效性，本文實(shí)際的公交車GPS 數(shù)據(jù)為基礎(chǔ)，以886 線路從動(dòng)步公園到大廟連續(xù)6 個(gè)站點(diǎn)作為研究對(duì)象，對(duì)改進(jìn)的模型進(jìn)行驗(yàn)證。

進(jìn)一步，為了驗(yàn)證本文改進(jìn)模型的穩(wěn)定性，利用2014 年12 月21日到27 日共一周的公交GPS 數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果如表2 所示：

表2 改進(jìn)模型和舊模型連續(xù)7 天預(yù)測(cè)精度對(duì)比

從表2 可以看出，針對(duì)7 個(gè)典型的站點(diǎn)，改進(jìn)模型在每一天的預(yù)測(cè)效果在短時(shí)精度和長(zhǎng)時(shí)精度方面都比舊模型有所提升。整體上7 天的預(yù)測(cè)效果在短時(shí)精度提高了1.51 個(gè)百分點(diǎn)，長(zhǎng)時(shí)精度提高了1.88個(gè)百分點(diǎn)，說(shuō)明了本文提出的改進(jìn)方案是有效的，而且預(yù)測(cè)結(jié)果更具有穩(wěn)定性。

4 結(jié)論

本文在原有模型的基礎(chǔ)上，從數(shù)據(jù)質(zhì)量、道路交通特性差異、司機(jī)駕駛行為差異等方面進(jìn)行改進(jìn)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的模型的預(yù)測(cè)效果有了進(jìn)一步的提高，尤其是在那些預(yù)測(cè)精度較差的站點(diǎn)精度提高更大，整體預(yù)測(cè)效果也更加穩(wěn)定。

此外，由于交通異常事件是隨機(jī)事件，且發(fā)生的概率相對(duì)較小，難以對(duì)異常事件發(fā)生的位置、時(shí)間及其影響程度進(jìn)行預(yù)測(cè)，目前較為可行的方案是在異常事件發(fā)生后及時(shí)、準(zhǔn)確地檢測(cè)出來(lái)，然后再對(duì)其影響作進(jìn)一步的分析。目前的對(duì)道路交通異常事件的研究主要集中于高速公路或快速路，而對(duì)城市道路交通異常事件的研究相對(duì)較少。如何及時(shí)、準(zhǔn)確地檢測(cè)城市道路交通異常狀態(tài)并分析其影響程度，最終以提高公交到達(dá)時(shí)間預(yù)測(cè)的精度，是本文下一步工作的重點(diǎn)。

［1］孫棣華，賴云波，廖孝勇，等.公交浮動(dòng)車輛到站時(shí)間實(shí)時(shí)預(yù)測(cè)模型[J].交通運(yùn)輸工程學(xué)報(bào)，2011(2)：84-89.

［2］于濱，楊忠振，林劍藝.應(yīng)用支持向量機(jī)預(yù)測(cè)公交車運(yùn)行時(shí)間[J].系統(tǒng)工程理論與實(shí)踐，2007，27(4)：160-164.

［3］Jeong R，Rilett L R.Bus arrival time prediction using artificial neural network model[J].International IEEE Conference on Intelligent Transportation Systems，2004：988-993.

［4］姜桂艷，郭海鋒，吳超騰.基于感應(yīng)線圈數(shù)據(jù)的城市道路交通狀態(tài)判別方法[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2008.

［5］李曉丹，劉好德，楊曉光，等.城市道路網(wǎng)絡(luò)交通狀態(tài)時(shí)空演化量化分析[J].系統(tǒng)工程，2008(12)：66-70.