吳少健，江秋楓，盧潔楚，李子晗，朱潤峰

（廣東工業(yè)大學機電工程學院，廣州 510006）

0 引言

眾所周知，公共交通能提高交通效率，并且具有低碳、運量大、承載率高的優(yōu)點。實現(xiàn)智能公交是發(fā)展智能交通的重要內容。合理調度公交車以有效治理交通擁堵，其中需要能精確預測公交車到站時間的方法。

公交車在行駛過程中受到諸多因素的影響，到達指定站點的時間難以準確預測。一些模型的提出，可以探索出公交車運行的機理，從而準確預測。

從文獻[1]可以看到公交車到站預測主要分為三類：第一類是基于公交車GPS數(shù)據(jù)的研究；第二類是基于公交IC卡數(shù)據(jù)的研究[2-3]；第三類是將2種數(shù)據(jù)融合綜合研究。其所用建模大同小異，常用的有時間序列模型、卡爾曼濾波模型、人工神經(jīng)網(wǎng)絡模型[4-5]和支持向量機模型[6]等。

本研究結合社會車對公交車的影響，運用決策樹和隨機森林等6個模型預測公交到站時間，根據(jù)公交到站時間預測的特征和6個預測模型的特征等提出了可拓預測模型。測試結果可以看出，該模型有效并可接受。

1 大數(shù)據(jù)處理及挖掘分析

1.1 數(shù)據(jù)來源

數(shù)據(jù)來源于廣州市2019年3月1日公交進出站數(shù)據(jù)和出租車GPS數(shù)據(jù)。

公交車GPS終端系統(tǒng)在依次報站的同時，對公交車進出站信息進行記錄。每一條記錄的內容包括了很多屬性，如表1所示。

表1 公交車數(shù)據(jù)屬性

出租車GPS數(shù)據(jù)記錄了出租車在廣州道路上行駛的情況，數(shù)據(jù)由出租車上的GPS發(fā)出，并在終端進行記錄。記錄周期為15 s左右1次。每一條記錄包括很多屬性，具體內容如表2所示。

1.2 數(shù)據(jù)預處理

公交路線140路經(jīng)過廣州大道、東風東路、黃埔大道等主干道，途經(jīng)珠江新城等客流車流大的商業(yè)密集區(qū)，有較高的研究價值?？紤]140路公交路線經(jīng)過的主要干道以及兩站點之間的距離等情況，最終選擇“石牌村站—冼村站—人民日報廣東分社站”3站之間的路段作為研究對象。

表2 公交車數(shù)據(jù)屬性

1.2.1 公交車進出站數(shù)據(jù)的預處理

（1）將數(shù)據(jù)導入數(shù)據(jù)庫，進行篩選。在SQL Server中,以ROUNT_NAME為140路為限制條件進行篩選，初步得到140路公交車進出站的所有數(shù)據(jù)。

（2）將篩選后的數(shù)據(jù)進行排序以及數(shù)據(jù)剔除，包括缺失值和重復值。進一步探究數(shù)據(jù)，發(fā)現(xiàn)其中存在重復記錄到站的現(xiàn)象。在數(shù)據(jù)量較多的條件下，對此小部分數(shù)據(jù)進行數(shù)據(jù)剔除處理。

（3）將剔除后的數(shù)據(jù)進行相關計算，便可得到輸入變量和輸出值。

1.2.2 公交車進出站數(shù)據(jù)的預處理

（1）將數(shù)據(jù)導入數(shù)據(jù)庫，進行篩選。

（2）將站點GPS之間的路段進行點集化處理。

（3）進行路網(wǎng)匹配。由于出租車GPS數(shù)據(jù)本身存在漂移的現(xiàn)象，為了盡可能地匹配出足夠的數(shù)據(jù)量，需對不同的匹配距離（即出租車GPS點與點聚化的GPS點之間距離）做一個探究，可得到篩選數(shù)據(jù)量與匹配距離的關系，選擇匹配距離為0.000 4（*111 000 m）作為約束條件進行篩選。

（4）對數(shù)據(jù)進行相關計算，得到輸入變量。

1.3 數(shù)據(jù)挖掘分析

公交車在實際運行中會受到各種隨機因素的影響，例如：時段、節(jié)假日、交通擁擠程度、交通意外等。要較準確預測公交到站時間，需要對不同的影響因素進行數(shù)據(jù)采集和挖掘分析?？梢宰鳛樘卣飨蛄康挠幸韵?個：

（1）在“石牌村站”的?？繒r間由公交進出數(shù)據(jù)選取站臺停留時間作為輸入樣本的變量，記為v1。

（2）在“石牌村站”與“冼村站”之間的行駛時間由公交進出數(shù)據(jù)選取兩站的行駛時間作為輸入樣本的變量，記為v2。

（3）社會車速度由出租車GPS數(shù)據(jù)選取在“石牌村站”與“冼村站”之間的行駛時間內，道路上的出租車速度的平均值作為輸入樣本的變量，記為v3。

目標值的選取由公交進出站數(shù)據(jù)得到，即“冼村站”到下一站“人民日報廣東分社站”之間的行駛時間作為輸出樣本的因變量，記為t。

3個特征向量與目標值進行皮爾遜相關性分析，如圖1所示，發(fā)現(xiàn)目標值t與v1呈現(xiàn)弱相關，與v2呈中等強度相關，與v3呈負的強相關。這說明特征向量的選取是合理的。

圖1 各特征向量皮爾遜相關性分析情況

2 可拓預測的建立與應用

2.1 可拓預測的框架

（1）目標的確定

公交車到站時間預測，記為t0，可用物元形式[7]表示為：

（2）目標條件分析

公交車到站時間預測的依據(jù)記為L0，可用物元形式表示為：

（3）建立問題的可拓模型

根據(jù)所確定的目標和目標條件，可以發(fā)現(xiàn)問題的矛盾是復雜的自然環(huán)境、道路情況和現(xiàn)有的設施設備難以用已有的預測模型進行準確、穩(wěn)健、及時地預測。為了解決此矛盾問題，進行目標與條件的拓展與變換。

（4）已有預測模型的共軛分析

公交車到站時間預測的硬部是天氣情況、道路情況、紅綠燈情況等部分，這些部分之間的聯(lián)系屬于軟部。硬部可以采取相關技術獲得數(shù)據(jù)，用數(shù)據(jù)來表征。軟部通過數(shù)據(jù)間的關系呈現(xiàn)出來。模型為描述刻畫數(shù)據(jù)間關系和規(guī)律的載體。所運用的6個模型呈現(xiàn)出數(shù)據(jù)在不同情況下的規(guī)律。

（5）對不相容問題進行拓展分析

根據(jù)模型的特點，對條件L0進行發(fā)散分析，從一物多征、一征多值、一值多征等角度描述公交車到站時間預測的特征，預測模型的特征等。對目標t0進行蘊含分析，借助已有預測模型和相關數(shù)據(jù)以實現(xiàn)目標。

多元線性回歸模型適用于規(guī)律性強的情況；ARIMA模型適用于短期的平穩(wěn)時段；SVM模型適用于長期樣本少的情況；BP神經(jīng)網(wǎng)絡模型適用于長期樣本多的情況；Decision Tree和Random Forest模型適用范圍廣泛。預測模型很大程度上解決了目標條件的不穩(wěn)定性和不確定性，使得預測效果有效可靠。

（6）創(chuàng)意方案的生成

6種預測模型適用于不同的數(shù)據(jù)情況，在數(shù)據(jù)增刪、擴縮、分解和組合后，匹配合適的模型后能生成多種創(chuàng)意方案?；诠宦肪€140路的研究，得到以下選擇模型的依據(jù)：

（a）若數(shù)據(jù)量大，優(yōu)先使用決策樹；

（b）在平穩(wěn)條件下，預測到較近的站，優(yōu)先考慮時間序列模型；

（c）若數(shù)據(jù)量少，預測到較遠的站，優(yōu)先考慮SVM模型；

（d）在硬件支持的條件下，優(yōu)先考慮隨機森林模型；

（e）若道路等情況平穩(wěn)，采用均值法或多元線性回歸模型。

（7）預測模型的最終選取

預測模型的選取依據(jù)主要看區(qū)分度和指標度。區(qū)分度體現(xiàn)在預測模型運用時的適用情況以及發(fā)生概率；在指標度選取了判定系數(shù)R-Squared，平均絕對誤差MAE和均方根誤差RMSE這3個指標為依據(jù)。

2.2 可拓預測的應用

（1）目標

預測公交車從“石牌村站”到“冼村站”后，從“冼村站”到“人民日報廣東分社站”的時間。要求預測準確，保證誤差可接受，實現(xiàn)概率高。即預測值與實際值不能差別太大，而且預測值發(fā)生的概率不能過低。

（2）條件

數(shù)據(jù)來源于廣州市2019年2月16日至2019年2月22日公交進出站數(shù)據(jù)。根據(jù)這一周的數(shù)據(jù)量可以挖掘出特征向量在“石牌村站”的?？繒r間，在“石牌村站”與“冼村站”之間的行駛時間。此外，已經(jīng)使用6個模型進行2019年3月1日當天的預測，已初步了解6個模型的適用情況。

（3）建立可拓模型

原本只有一天的數(shù)據(jù)量，現(xiàn)在有了一周的數(shù)據(jù)量。6個預測模型分別單獨用于預測，結果顯示誤差較大，沒有發(fā)揮出模型自身的優(yōu)勢。因此，對數(shù)據(jù)和模型進行雙向的選擇，建立可拓建模。

（4）拓展與變換

由數(shù)據(jù)支持，可進行置換變換和擴縮變換，一天可以分為高峰期和非高峰期，一周可分為工作日和非工作日，因此增加“是否工作日”和“是否高峰期”這2個特征向量。運用6個預測模型于不同的場合，得到如表3所示的結果。

表3 各模型在不同場合下的適用情況

（5）創(chuàng)意方案生成

根據(jù)模型的表現(xiàn)挑選不同具體情況下的模型，從而進行組合。組合方式多種多樣，這里給出一種方案，如表4所示。

表4 不同場合下的模型選取

將數(shù)據(jù)進行分組，代入相對應的模型進行預測，結果如下：

test r2_score:0.5463

mean_squared_error:0.508

mean_absolute_error:0.512

圖2 各模型的R方情況

2.3 結果分析

可拓預測模型的優(yōu)點為區(qū)分度高和指標度好?？赏仡A測充分考慮了數(shù)據(jù)的特征，從而企圖挖掘出數(shù)據(jù)背后的規(guī)律。可拓預測是利用大數(shù)據(jù)進行可拓變換，研究公交車到站時間機理的過程。指標度選取了R方，RMSE和MAE這3個依據(jù)。如圖2（圖中字母為各模型英語單詞的縮寫，如MLR表示多元線性回歸；EP表示可拓預測，下同）所示，可拓預測的R方并不高，但也不是最低，說明可拓預測擬合的效果一般。但圖3和圖4表現(xiàn)出，可拓預測的RMSE和MAE在所運用模型中是最低的，說明可拓預測的誤差是最可接受的，準確度是偏高的。整體來說，可拓預測模型是有效的。

圖3 各模型的RMSE情況

圖4 各模型的MAE情況

可拓預測模型的缺點為操作難度高和可移植性低。處理數(shù)據(jù)時會遇到記錄不完整、缺失或重復等問題，模型應用中需要尋找最優(yōu)的參數(shù)；選取特征向量和目標值、多次運用模型結果取平均值等工作繁雜且量多?？赏仡A測模型還不是一個成熟的模型，目前僅僅解決了廣州市公交路線140路公交車到站時間預測問題，如果更移到其他情境，需得重新審視一番，因為暫時還沒有形成一個統(tǒng)一、快速、標準和規(guī)范的系統(tǒng)來專門解決相關問題。因此，模型運用時有盲目性，無可避免地要去試錯。

3 結束語

公交車到站時間的機理以停靠時間、行駛時間和社會車速度等變量來審視，在決策樹、隨機森林等6個模型的基礎上提出了可拓預測模型。結果表明，可拓預測模型與單一模型相比是可接受的和有效的?？赏仡A測模型是基于數(shù)據(jù)規(guī)律和模型特點的復合模型，其準確度比單一模型高。在實際運用方面，可拓預測模型具有操作難度高和可移植性低的缺點，有待未來改進。