公交動(dòng)態(tài)調(diào)度系統(tǒng)中的數(shù)據(jù)預(yù)測方法.pdf

1、智能公交系統(tǒng)因其具有高效的公交客運(yùn)組織模式、快速靈活的應(yīng)變能力、完善的乘客信息服務(wù)等優(yōu)點(diǎn)越來越受到人們的關(guān)注，而動(dòng)態(tài)調(diào)度作為系統(tǒng)中的一個(gè)核心環(huán)節(jié)，是影響公交運(yùn)營系統(tǒng)運(yùn)行成本、效率和服務(wù)水平的重要內(nèi)容。
　　目前的動(dòng)態(tài)調(diào)度主要依靠調(diào)度員的經(jīng)驗(yàn)，這種方式不穩(wěn)定、可靠性差，造成調(diào)度不科學(xué)的原因之一是調(diào)度員缺乏數(shù)據(jù)依據(jù)，對未來的客流情況、路況信息以及公交車到站時(shí)間數(shù)據(jù)不了解。
　　本文基于動(dòng)態(tài)調(diào)度缺乏數(shù)據(jù)依據(jù)的現(xiàn)狀，研究對調(diào)度有影響

2、作用的客流數(shù)據(jù)、路況數(shù)據(jù)和到站時(shí)間數(shù)據(jù)的變化規(guī)律，建立預(yù)測模型，預(yù)測出客流數(shù)據(jù)、路況數(shù)據(jù)和車輛到站時(shí)間數(shù)據(jù)未來的變化情況，為動(dòng)態(tài)調(diào)度提供數(shù)據(jù)支撐。主要進(jìn)行了如下研究工作:
　　首先，分析了影響公交車輛到站時(shí)間的因素，最終確定將站點(diǎn)客流和實(shí)時(shí)路況作為本文研究的兩個(gè)因素。通過分析站點(diǎn)客流數(shù)據(jù)和實(shí)時(shí)路況數(shù)據(jù)的時(shí)空分布規(guī)律，提出了本文的數(shù)據(jù)預(yù)測思路。
　　其次，利用站點(diǎn)客流數(shù)據(jù)和交通流速度數(shù)據(jù)本身存在的周期性和規(guī)律性，對傳統(tǒng)時(shí)間序列

3、ARMA模型進(jìn)行了改進(jìn)，建立了基于季節(jié)ARIMA的預(yù)測模型。采用實(shí)際采集的數(shù)據(jù)對站點(diǎn)客流和交通流速度預(yù)測模型進(jìn)行驗(yàn)證，并與傳統(tǒng)預(yù)測方法進(jìn)行對比，本文提出的基于季節(jié)ARIMA的預(yù)測模型效果最優(yōu)，對站點(diǎn)客流的預(yù)測MAPE為15.9％，對交通流速度的預(yù)測MAPE為6.84％，都在可接受范圍內(nèi)。
　　再次，考慮到出行人和駕駛員有自己的行為習(xí)慣，導(dǎo)致交通信息模型存在一定的“自重復(fù)”，利用“自重復(fù)”特點(diǎn)建立了基于K近鄰非參數(shù)回歸預(yù)測模型，另外

4、考察了模型中的關(guān)鍵參數(shù)回溯系數(shù)m和近鄰個(gè)數(shù)K對預(yù)測效果的影響。在最優(yōu)參數(shù)的模型下，對站點(diǎn)客流的預(yù)測MAPE為26.1％，對交通流速度的預(yù)測MAPE為22.5％。
　　最后，在充分考慮公交車到站時(shí)間數(shù)據(jù)的周期性的同時(shí)，加入了動(dòng)態(tài)調(diào)整部分，將站點(diǎn)客流對公交車站點(diǎn)?？繒r(shí)間的影響和交通流速度對公交車路段行駛時(shí)間的影響進(jìn)行了分析，最終建立了考慮前車數(shù)據(jù)和動(dòng)態(tài)調(diào)整的到站時(shí)間預(yù)測模型。利用仿真模型產(chǎn)生的數(shù)據(jù)進(jìn)行了驗(yàn)證，對30分鐘后出發(fā)的班次的預(yù)