公交車是城鎮(zhèn)居民出行的重要交通工具。由于受到行程時(shí)間、客流量等不確定性問題的影響,乘公交車出行的乘客經(jīng)常遭遇延誤�；谏鲜鰡栴},針對出行者乘公交車出行全過程提出了一種可靠的出行服務(wù)模型,該模型能夠確保乘客按時(shí)到達(dá)目的地并有效節(jié)約時(shí)間。模型首先使用LSTM（long short-term memory）算法預(yù)測公交行程時(shí)間,為乘客提供目標(biāo)車輛;隨后,模型將客流量動態(tài)變化對出行的影響納入研究范圍,通過建立模糊專家系統(tǒng)對公交客流量問題進(jìn)行評價(jià),為乘客制定合理的出門時(shí)間,避免客流量過大造成旅客滯留,模糊專家系統(tǒng)中的客流量數(shù)據(jù)由k-NN算法獲得。經(jīng)實(shí)際案例驗(yàn)證,該模型能夠?yàn)槌鲂姓咛峁┛煽康某鲂胁呗浴Ｑ芯拷Y(jié)果對提升公交服務(wù)水平,發(fā)展智慧出行具有積極的推動作用。 

【文章來源】：重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,39(10)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

公交智慧出行服務(wù)模型實(shí)現(xiàn)流程

人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的信息處理能力，其中，LSTM是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)(RNN)，能較好地解決時(shí)序性和非線性的復(fù)雜問題，反映事物隨時(shí)間的變化狀態(tài)或程度。LSTM用記憶模塊替換RNN的隱藏層，克服了RNN梯度彌散和梯度爆炸的缺點(diǎn)。LSTM實(shí)現(xiàn)“長期記憶”是依靠記憶細(xì)胞的改造，其核心是控制“細(xì)胞狀態(tài)”。如圖2，控制細(xì)胞狀態(tài)的需要執(zhí)行遺忘門、輸入門、輸出門操作來實(shí)現(xiàn)。遺忘門產(chǎn)生一個(gè)0～1的數(shù)ft來控制上一單元狀態(tài)的遺忘程度;輸入門生成一個(gè)候選向量Ct來控制新信息的參與度，以便于更新細(xì)胞狀態(tài)Ct;輸出門通過sigmoid函數(shù)生成一個(gè)0～1的數(shù)Ot來控制當(dāng)前細(xì)胞狀態(tài)的參與程度。筆者基于LSTM對到站時(shí)間的預(yù)測，為乘客選擇規(guī)定時(shí)刻之前能到達(dá)目的地的車輛為目標(biāo)車輛，這也是模型功能實(shí)現(xiàn)的基礎(chǔ)。

迭代計(jì)算完成后，LSTM仿真預(yù)測結(jié)果與實(shí)際驗(yàn)證數(shù)據(jù)的絕對誤差如圖3。圖3顯示了預(yù)測的公交車出發(fā)時(shí)間、到站時(shí)間與實(shí)際數(shù)據(jù)的偏差。預(yù)測誤差隨時(shí)序的推進(jìn)總體呈逐漸增大的趨勢，這反映了LSTM的遞歸特性。在未來40 min內(nèi)的4組預(yù)測數(shù)據(jù)顯示出良好的預(yù)測效果，預(yù)測發(fā)車時(shí)間和到站時(shí)間的絕對誤差均在2.5 min之內(nèi)，可以滿足公交出行預(yù)測需求。為了證明LSTM方法的準(zhǔn)確性，選取了BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法進(jìn)行對比。如圖4，數(shù)據(jù)結(jié)果顯示BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法的結(jié)果相對不穩(wěn)定，部分預(yù)測數(shù)據(jù)偏差較大。圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測絕對誤差

【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM和Kalman濾波的公交車到站時(shí)間預(yù)測[J]. 范光鵬,孫仁誠,邵峰晶.  計(jì)算機(jī)應(yīng)用與軟件. 2018(04)
[2]基于深度學(xué)習(xí)的城市道路旅行時(shí)間預(yù)測[J]. 張威威,李瑞敏,謝中教.  系統(tǒng)仿真學(xué)報(bào). 2017(10)
[3]基于K近鄰非參數(shù)回歸的短時(shí)公交客流預(yù)測[J]. 王錦添,蔡延光,黃何列,陳東.  東莞理工學(xué)院學(xué)報(bào). 2017(03)
[4]基于粒子群小波神經(jīng)網(wǎng)絡(luò)的公交到站時(shí)間預(yù)測[J]. 季彥婕,陸佳煒,陳曉實(shí),胡波.  交通運(yùn)輸系統(tǒng)工程與信息. 2016(03)
[5]鐵路客運(yùn)專線模糊k近鄰客流預(yù)測模型[J]. 豆飛,賈利民,秦勇,徐杰,王莉.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(12)
[6]基于灰色理論和馬爾科夫模型的城市公交客運(yùn)量預(yù)測方法[J]. 楊琦,楊云峰,馮忠祥,趙現(xiàn)偉.  中國公路學(xué)報(bào). 2013(06)
[7]城市智能交通系統(tǒng)現(xiàn)狀與發(fā)展構(gòu)想[J]. 胡振文.  國防交通工程與技術(shù). 2003(02)



本文編號：2973495