專利名稱：一種公交車站點(diǎn)間行程時(shí)間預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信息處理技術(shù)領(lǐng)域，特別涉及一種公交車站點(diǎn)間行程時(shí)間預(yù)測方法。
背景技術(shù)：
城市公共交通是現(xiàn)代城市中效率最高、費(fèi)用最省的道路運(yùn)輸形式。提升公共交通服務(wù)水平，增強(qiáng)公共交通出行吸引力度，對高效利用道路交通設(shè)施資源、緩解城市交通擁堵、改善人居環(huán)境具有重要意義。其中，準(zhǔn)確、可靠的公交車輛行程時(shí)間預(yù)測技術(shù)是提升公共交通服務(wù)水平，合理調(diào)度公交車輛，為乘客提供及時(shí)、必需的換乘信息的基礎(chǔ)。道路交通狀況具有時(shí)空分布特性，隨著時(shí)間和路段的變化而變化，致使公交車輛在不同路段、不同時(shí)間運(yùn)行的外界影響因素很難應(yīng)用數(shù)學(xué)模型準(zhǔn)確地標(biāo)定和預(yù)測。但考慮到公交車輛在某路段上的未來行程時(shí)間與該路段前幾個(gè)時(shí)段的行程時(shí)間存在著一定的內(nèi)在聯(lián)系，仍然可以利用公交車輛在某路段前幾個(gè)時(shí)段行程時(shí)間的歷史數(shù)據(jù)來預(yù)測公交車輛在該路段未來時(shí)段的行程時(shí)間?？柭鼮V波采用狀態(tài)方程和觀測方程組成的線性隨機(jī)系統(tǒng)的空間模型來描述濾波器，按線性無偏最小均方誤差估計(jì)準(zhǔn)則，采用一套遞推算法對該濾波器的狀態(tài)變量作最佳估計(jì)，計(jì)算量和存儲量小，可以很好的用于公交車輛行程時(shí)間預(yù)測的技術(shù)中。但是常規(guī)的卡爾曼濾波模型魯棒性較差，很難適應(yīng)不斷變化的道路交通狀況。在公交車輛行程時(shí)間預(yù)測過程中，當(dāng)系統(tǒng)的噪聲模型與量測值的統(tǒng)計(jì)模型不匹配時(shí)，就會產(chǎn)生濾波器發(fā)散和計(jì)算發(fā)散等問題。

發(fā)明內(nèi)容
發(fā)明目的針對常規(guī)卡爾曼濾波模型在進(jìn)行公交車輛行程時(shí)間預(yù)測過程中魯棒性不足的問題，本發(fā)明的目的是提供一種適應(yīng)性更強(qiáng)的公交車站點(diǎn)間行程時(shí)間預(yù)測方法。技術(shù)方案為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為一種公交車站點(diǎn)間行程時(shí)間預(yù)測方法，考慮到相鄰班次公交車具有更為相似的道路交通狀況，本發(fā)明通過在常規(guī)卡爾曼濾波遞推算法中添加遺忘因子來增大新息影響的權(quán)重比例，從而抑制陳舊數(shù)據(jù)對濾波的影響。同時(shí)本發(fā)明采用與行車時(shí)間數(shù)據(jù)相適應(yīng)的濾波啟動方式，可以有效提高卡爾曼濾波的運(yùn)算效率。本發(fā)明具體包括如下步驟(A)采集公交運(yùn)行線路信息、公交車輛運(yùn)行信息和公交GPS運(yùn)行數(shù)據(jù)；(B)根據(jù)步驟(A)中得到的公交運(yùn)行線路信息與公交GPS運(yùn)行數(shù)據(jù)，計(jì)算第k班次公交車在路段Li的行程時(shí)間y (k)，其中k為公交車發(fā)車班次，Li為站點(diǎn)間路段編號且i = 1,2-NC-1, Nc為公交線路站點(diǎn)個(gè)數(shù)；(C)建立公交車輛行程時(shí)間的狀態(tài)空間模型，設(shè)計(jì)卡爾曼濾波遞推算法；(D)結(jié)合步驟(A)中采集的公交車輛運(yùn)行信息和步驟(C)中設(shè)計(jì)的卡爾曼濾波遞推算法，引入遺忘因子，建立自適應(yīng)衰減濾波行程時(shí)間預(yù)測算法模型；(E)根據(jù)步驟(A)中采集的公交車輛運(yùn)行信息和公交運(yùn)行線路信息，結(jié)合統(tǒng)計(jì)學(xué)理論，選擇濾波啟動值模型和系統(tǒng)噪聲模型；(F)輸出公交車輛站點(diǎn)間行程時(shí)間預(yù)測值T(k+l/k)。所述步驟(A)中，公交運(yùn)行線路信息可包括公交線路走向、線路里程、公交站點(diǎn)位置與站點(diǎn)個(gè)數(shù)N。、路段與交叉口交通管控形式；公交車輛運(yùn)行信息可包括公交車發(fā)車時(shí)間間隔h、公交客流高峰時(shí)段，以及公交車輛運(yùn)行時(shí)的天氣狀況、道路狀況和交通狀況；公交 GPS運(yùn)行數(shù)據(jù)可包括公交站點(diǎn)名稱、公交車輛車牌編號、公交車輛班次編號k、公交車輛發(fā)車時(shí)刻、公交車輛駛?cè)胝军c(diǎn)時(shí)刻和公交車輛駛離站點(diǎn)時(shí)刻。所述步驟(B)中，第k班次公交車在路段Li的行程時(shí)間y(k)稱為濾波實(shí)際測量值，即第k班次公交車在i+Ι站點(diǎn)的進(jìn)站時(shí)刻與i站點(diǎn)的出站時(shí)刻的差值，且i+Ι ( N。。所述步驟(C)可包括如下步驟(Cl)結(jié)合公交車輛運(yùn)行特征，建立公交車輛行程時(shí)間的狀態(tài)空間模型為T (k+1/k) = Φ (k) T (k/k) +B (k) μ (k) + Γ (k) ω (k), y (k) = H (k) T (k/k) +ν (k)其中，T(k+l/k)是對第k+1班次公交車行程時(shí)間的預(yù)測值，T(k/k)是將第k班次公交車行程時(shí)間的預(yù)測值T(k/k_l)用第k班次公交車行程時(shí)間的實(shí)際觀測值y(k)修正而得到的最優(yōu)值，ΦΟΟ為狀態(tài)轉(zhuǎn)移矩陣，B(k)為控制向量矩陣，Γ (k)為系統(tǒng)噪聲矩陣，H(k) 為系統(tǒng)觀測矩陣，μ (k)為控制向量，ω (k)為輸入白噪聲，v(k)為系統(tǒng)觀測噪聲，且ω (k) 和 v(k)的均值都為零,即 Ε[ω (k)] = O, E[v(k)] = O ；(C2)根據(jù)最優(yōu)估計(jì)理論，設(shè)計(jì)公交車輛行程時(shí)間的卡爾曼濾波遞推算法為T (k+l/k+1) = T (k+l/k) +G (k+1) [y (k+1)—T (k+1/k)]T(k+l/k) = T (k/k)G (k+1) = P (k+l/k) [P (k+l/k)+R (k)]P (k+l/k) = P (k/k)+Q (k)P (k+l/k+1) = [In-G (k+1) ] P (k+l/k)其中，T(k+l/k)是第k+1班次公交車行程時(shí)間的預(yù)測值，T(k+l/k+l)是將第 k+1班次公交車行程時(shí)間的預(yù)測值T(k+l/k)用第k+Ι班次公交車行程時(shí)間的實(shí)際觀測值 y(k+l)修正而得到的最優(yōu)值，T(k/k)是將第k班次公交車行程時(shí)間的預(yù)測值T(k/k-l)用第k班次公交車行程時(shí)間的實(shí)際觀測值y(k)修正而得到的最優(yōu)值，G(k+1)是第k+1班次公交車輛行程時(shí)間預(yù)測的濾波預(yù)報(bào)器增益，P(k+l/k)是第k+Ι班次公交車輛行程時(shí)間的預(yù)報(bào)誤差方差陣，P (k/k)是對第k班次公交車輛行程時(shí)間預(yù)報(bào)誤差方差陣修正而得的最優(yōu)值， P(k+l/k+l)是對第k+1班次公交車輛行程時(shí)間預(yù)報(bào)誤差方差陣修正而得的最優(yōu)值，Q (k)為輸入白噪聲方差，R(k)為系統(tǒng)觀測噪聲方差，In是一個(gè)單位矩陣。所述步驟⑶可包括如下步驟(Dl)將遺忘因子λ (k+1)引入公交車行程時(shí)間預(yù)報(bào)誤差方差陣的運(yùn)算過程中，即 P*(k+l/k) = λ (k+1) P (k/k)+Q (k)，其中P* (k+1/k)為用遺忘因子修正的第k+1班次公交車輛行程時(shí)間的預(yù)報(bào)誤差方差陣，且λ (k+1)彡I ；(D2)根據(jù)卡爾曼濾波器發(fā)散與否的判別依據(jù)推導(dǎo)出遺忘因子的表達(dá)式，也即 2(6 + 1) = ^&-聲[2(幻]}/{聲[ (6/幻]}，其中Zk = y(k)-T(k/k-l)為更新序列，即實(shí)際測量值與預(yù)測值之差，tr[Q(k)]為輸入白噪聲的跡，tr[P(k/k)]為第k班次公交車預(yù)報(bào)誤差方差陣的跡，Y為儲備系數(shù)且Y彡I。
所述步驟(Dl)中，卡爾曼濾波遺忘因子引入的出發(fā)點(diǎn)是抑制歷史陳舊數(shù)據(jù)對預(yù)測結(jié)果的影響，增大新息對預(yù)測未來行程時(shí)間的影響權(quán)重。所述步驟(D2)中，卡爾曼濾波器發(fā)散與否的判別依據(jù)是，即卡爾曼濾波器的實(shí)際估計(jì)誤差應(yīng)小于理論預(yù)計(jì)誤差值的Y倍以上，否則濾波發(fā)散。所述步驟(E)可包括如下步驟(El)確定濾波啟動值模型根據(jù)統(tǒng)計(jì)學(xué)理論，選擇T(0/0) = E[y(k)];依據(jù)濾波收斂原理，令Ρ(0/0) =Ιη/ξ，其中ξ是一個(gè)很小的正數(shù)，In為單位矩陣；(Ε2)確定系統(tǒng)噪聲模型將系統(tǒng)輸入噪聲ω (k)和系統(tǒng)觀測噪聲V (k)看作零均值、不相關(guān)的正態(tài)白噪聲序列，且方差按指數(shù)遞減Q(k) =Q(0)e_ak，R(k) =R(0)e_ek，其中
a、β均為模型參數(shù)，由行程時(shí)間實(shí)測數(shù)據(jù)統(tǒng)計(jì)特性決定。本發(fā)明首先通過信息采集獲取基礎(chǔ)數(shù)據(jù)資料，然后將采集到的公交車站點(diǎn)間歷史行程時(shí)間作為量測值輸入卡爾曼濾波遞推算法中并確定濾波啟動值，最后經(jīng)過上述運(yùn)算預(yù)測公交車站點(diǎn)間未來行程時(shí)間T(k+l/k)。有益效果本發(fā)明提供的一種公交車站點(diǎn)間行程時(shí)間預(yù)測方法，結(jié)合公交車交通運(yùn)行特性通過引入遺忘因子和選擇適宜的啟動值對常規(guī)卡爾曼濾波遞推算法進(jìn)行優(yōu)化，利用公交車輛車載GPS裝置和線路運(yùn)行信息提取公交車站點(diǎn)間歷史行程時(shí)間數(shù)據(jù)，以此為模型輸入值對公交車站點(diǎn)間未來行程時(shí)間進(jìn)行預(yù)測；本發(fā)明方法充分考慮了公交車交通運(yùn)行特性，以發(fā)車時(shí)間間隔較小(h< 15min)的相鄰班次公交車交通運(yùn)行條件具有相似性為出發(fā)點(diǎn)，對常規(guī)卡爾曼濾波遞推算法進(jìn)行優(yōu)化改良，相比現(xiàn)有的公交車行程時(shí)間預(yù)測方法，本發(fā)明方法大大提高了公交車行程時(shí)間預(yù)測精度和預(yù)測效率，對公交系統(tǒng)的調(diào)度優(yōu)化和公交乘客的便利出行具有極其重要的意義。


圖I為本發(fā)明方法的流程圖；圖2為本發(fā)明方法的某公交線路實(shí)例示意圖；圖3為本發(fā)明方法與常規(guī)卡爾曼濾波方法的預(yù)測結(jié)果對比圖。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價(jià)形式的修改均落于本申請所附權(quán)利要求所限定的范圍。如圖I所示為公交車站點(diǎn)間行程時(shí)間預(yù)測方法流程圖，下面結(jié)合實(shí)例進(jìn)一步說明。(A)采集公交運(yùn)行線路信息、公交車輛運(yùn)行信息和公交GPS運(yùn)行數(shù)據(jù)。本步驟中，公交運(yùn)行線路信息包括公交線路走向、線路里程、公交站點(diǎn)位置與站點(diǎn)個(gè)數(shù)N。、路段與交叉口交通管控形式；公交車輛運(yùn)行信息包括公交車發(fā)車時(shí)間間隔h、公交客流高峰時(shí)段，以及公交車輛運(yùn)行時(shí)的天氣狀況、道路狀況和交通狀況；公交GPS運(yùn)行數(shù)據(jù)包括公交站點(diǎn)名稱、公交車輛車牌編號、公交車輛班次編號k、公交車輛發(fā)車時(shí)刻、公交車輛駛?cè)胝军c(diǎn)時(shí)刻、公交車輛駛離站點(diǎn)時(shí)刻。
本實(shí)例中，公交線路走向、線路里程、公交站點(diǎn)位置與公交站點(diǎn)名稱、公交站點(diǎn)個(gè)數(shù)N。、公交車發(fā)車時(shí)間間隔h、公交客流高峰時(shí)段可以向公交公司咨詢獲得；路段與交叉口交通管控形式、道路狀況和交通狀況、公交車輛運(yùn)行時(shí)的天氣狀況可以向交管部門咨詢以及實(shí)地采集獲得；公交車輛車牌編號、公交車輛班次編號k、公交車輛發(fā)車時(shí)刻、公交車輛駛?cè)胝军c(diǎn)時(shí)刻、公交車輛駛離站點(diǎn)時(shí)刻可以由公交車輛車載GPS設(shè)備導(dǎo)出。(B)根據(jù)步驟㈧中得到的公交運(yùn)行線路信息與公交GPS運(yùn)行數(shù)據(jù)，計(jì)算第k班次公交車在路段Li的行程時(shí)間y (k)。本實(shí)例中，第k班次公交車在路段Li的行程時(shí)間y (k)為第k班次公交車在i+1 站點(diǎn)的進(jìn)站時(shí)刻與公交車在i站點(diǎn)的出站時(shí)刻的差值，且i+Ι ( N。。(C)根據(jù)公交車交通運(yùn)行特性，建立公交車輛行程時(shí)間的狀態(tài)空間模型，設(shè)計(jì)常規(guī)卡爾曼濾波遞推算法，具體方法為(Cl)建立公交車輛在站點(diǎn)間行駛過程中的行程時(shí)間狀態(tài)空間模型為T(k+l/k) = T(k/k)+) ω (k), y (k) = T(k/k) +v(k)其中，T (k+1/k)是對第k+1班次公交車行程時(shí)間的預(yù)測值，T (k/k)是將第k班次公交車行程時(shí)間的預(yù)測值T(k/k_l)用第k班次公交車行程時(shí)間的實(shí)際觀測值y(k)修正而得到的最優(yōu)值，ω (k)為輸入白噪聲，v(k)為系統(tǒng)觀測噪聲，且Ε[ω (k)] = O, E[v(k)]= O ；(C2)設(shè)計(jì)公交車輛行程時(shí)間的常規(guī)卡爾曼濾波預(yù)測算法為T (k+l/k+1) = T (k+l/k) +G (k+1) [y (k+1) -T (k+l/k)]T (k+l/k) = T (k/k)G (k+1) = P (k+l/k) [P (k+l/k)+R (k)]P (k+l/k) = P (k/k)+Q (k)P (k+l/k+1) = [In-G (k+1) ] P (k+l/k)其中，T(k+l/k)是對第k+1班次公交車行程時(shí)間的預(yù)測值，T(k+l/k+l)是將第 k+1班次公交車行程時(shí)間的預(yù)測值T(k+l/k)用第k+Ι班次公交車行程時(shí)間的實(shí)際觀測值 y(k+l)修正而得到的最優(yōu)值，T(k/k)是將第k班次公交車行程時(shí)間的預(yù)測值T(k/k-l)用第k班次公交車行程時(shí)間的實(shí)際觀測值y(k)修正而得到的最優(yōu)值，G (k+Ι)是對第k+1班次公交車輛行程時(shí)間預(yù)測的濾波預(yù)報(bào)器增益，P(k+l/k)是第k+Ι班次公交車輛行程時(shí)間的預(yù)報(bào)誤差方差陣，P (k/k)是將第k班次公交車輛行程時(shí)間預(yù)報(bào)誤差方差陣修正而得的最優(yōu)值，P(k+l/k+l)是將第k+Ι班次公交車輛行程時(shí)間預(yù)報(bào)誤差方差陣修正而得的最優(yōu)值， Q(k)為輸入白噪聲方差，R(k)為系統(tǒng)觀測噪聲方差，In是一個(gè)單位矩陣。(D)依據(jù)相鄰班次公交車運(yùn)行過程中具有相似的交通狀況，在預(yù)測算法中引入遺忘因子，具體方法為(Dl)將遺忘因子λ (k+1)引入公交車行程時(shí)間預(yù)報(bào)誤差方差陣的運(yùn)算過程中，即 P*(k+l/k) = λ (k+1) P (k/k)+Q (k)，其中P* (k+1/k)為用遺忘因子修正的第k+1班次公交車輛行程時(shí)間的預(yù)報(bào)誤差方差陣，且λ (k+1)≥1 ；(D2)根據(jù)卡爾曼濾波器發(fā)散與否的判別依據(jù)推導(dǎo)出遺忘因子的表達(dá)式，也即 2(6 + 1) = ^&-聲[2(幻]}/{聲[ (6/幻]}，其中Zk = y(k)-T(k/k-l)為更新序列，即實(shí)際測量值與預(yù)測值之差，tr[Q(k)]為輸入白噪聲的跡，tr[P(k/k)]為第k班次公交車預(yù)報(bào)誤差方差陣的跡，Y為儲備系數(shù)且Y彡I。所述步驟(Dl)中，卡爾曼濾波遺忘因子引入的出發(fā)點(diǎn)是抑制歷史陳舊數(shù)據(jù)對預(yù)測結(jié)果的影響，增大新息對預(yù)測未來行程時(shí)間的影響權(quán)重。所述步驟(D2)中，卡爾曼濾波器發(fā)散與否的判別依據(jù)是，即卡爾曼濾波器的實(shí)際估計(jì)誤差應(yīng)小于理論預(yù)計(jì)誤差值的Y倍以上，否則濾波發(fā)散。本實(shí)例中，取儲備系數(shù)Y = 1，遺忘因子/^ + 1) = {&%-的2(幻]}"/^(*/幻]。(E)根據(jù)步驟㈧中采集的公交車輛運(yùn)行信息和公交運(yùn)行線路信息，結(jié)合統(tǒng)計(jì)學(xué)理論，選擇濾波啟動值模型和系統(tǒng)噪聲模型，具體方法為(El)確定濾波啟動值模型取 T(0/0) = E[y(k)], P (0/0) = In/ξ，其中 O < I < io_lclin為單位矩陣。(E2)確定系統(tǒng)噪聲模型系統(tǒng)輸入噪聲ω (k)和系統(tǒng)觀測噪聲V (k)均為零均值、 不相關(guān)的正態(tài)白噪聲序列，且方差按指數(shù)遞減Q (k) =Q(0)e_ak，R(k) =R(O)e-0k, α,β均為模型參數(shù)，由行程時(shí)間實(shí)測數(shù)據(jù)統(tǒng)計(jì)特性決定。本實(shí)例中，選取案例城市某路公交線路中市城管局站至花家坪站的實(shí)測數(shù)據(jù)作為測試數(shù)據(jù)，某公交線路實(shí)例示意圖如圖2所示，調(diào)查數(shù)據(jù)資料如表I所示。根據(jù)實(shí)測數(shù)據(jù)資料分析，取T(0/0) = 151. 38，P(0/0) = IO127Q(O) = I. 235,R(O) =O. 985, a = O. 088, β = O. 00000193。表I市城管局站與花家坪站間的公交車行駛時(shí)刻表
權(quán)利要求
1.一種公交車站點(diǎn)間行程時(shí)間預(yù)測方法，其特征在于，包括如下步驟(A)采集公交運(yùn)行線路信息、公交車輛運(yùn)行信息和公交GPS運(yùn)行數(shù)據(jù)；(B)根據(jù)步驟(A)中得到的公交運(yùn)行線路信息與公交GPS運(yùn)行數(shù)據(jù)，計(jì)算第k班次公交車在路段Li的行程時(shí)間y (k)，其中k為公交車發(fā)車班次，Li為站點(diǎn)間路段編號且i = 1， 2-Nc-l, Nc為公交線路站點(diǎn)個(gè)數(shù)；(C)建立公交車輛行程時(shí)間的狀態(tài)空間模型，設(shè)計(jì)卡爾曼濾波遞推算法；(D)結(jié)合步驟(A)中采集的公交車輛運(yùn)行信息和步驟(C)中設(shè)計(jì)的卡爾曼濾波遞推算法，引入遺忘因子，建立自適應(yīng)衰減濾波行程時(shí)間預(yù)測算法模型；(E)根據(jù)步驟(A)中采集的公交車輛運(yùn)行信息和公交運(yùn)行線路信息，選擇濾波啟動值模型和系統(tǒng)噪聲模型；(F)輸出公交車輛站點(diǎn)間行程時(shí)間預(yù)測值T(k+l/k)。
2.根據(jù)權(quán)利要求I所述的公交車站點(diǎn)間行程時(shí)間預(yù)測方法，其特征在于所述步驟㈧ 中，公交運(yùn)行線路信息包括公交線路走向、線路里程、公交站點(diǎn)位置與站點(diǎn)個(gè)數(shù)N。、路段與交叉口交通管控形式；公交車輛運(yùn)行信息包括公交車發(fā)車時(shí)間間隔h、公交客流高峰時(shí)段， 以及公交車輛運(yùn)行時(shí)的天氣狀況、道路狀況和交通狀況；公交GPS運(yùn)行數(shù)據(jù)包括公交站點(diǎn)名稱、公交車輛車牌編號、公交車輛班次編號k、公交車輛發(fā)車時(shí)刻、公交車輛駛?cè)胝军c(diǎn)時(shí)刻和公交車輛駛離站點(diǎn)時(shí)刻。
3.根據(jù)權(quán)利要求I所述的公交車站點(diǎn)間行程時(shí)間預(yù)測方法，其特征在于所述步驟(C) 包括如下步驟(Cl)建立公交車輛行程時(shí)間的狀態(tài)空間模型為T (k+1/k) = Φ (k) T (k/k) +B (k) μ (k) + Γ (k) ω (k), y (k) = H (k) T (k/k) +ν (k)其中，T(k+l/k)是對第k+1班次公交車行程時(shí)間的預(yù)測值，T(k/k)是將第k班次公交車行程時(shí)間的預(yù)測值T(k/k-l)用第k班次公交車行程時(shí)間的實(shí)際觀測值y(k)修正而得到的最優(yōu)值，Φ (k)為狀態(tài)轉(zhuǎn)移矩陣，B(k)為控制向量矩陣，Γ (k)為系統(tǒng)噪聲矩陣，H(k)為系統(tǒng)觀測矩陣，μ (k)為控制向量，ω (k)為輸入白噪聲，v(k)為系統(tǒng)觀測噪聲，且Ε[ω (k)] =O, E[v(k)] = O ；(C2)設(shè)計(jì)公交車輛行程時(shí)間的卡爾曼濾波遞推算法為T (k+l/k+1) = T (k+l/k)+G(k+1)[y(k+1)—T(k+1/k)]T(k+l/k) = T(k/k)G (k+1) = P (k+l/k) [P (k+l/k) +R(k)]-1 P(k+l/k) = P(k/k)+Q (k)P (k+l/k+1) = [In-G (k+1)] P (k+l/k)其中，T(k+l/k)是第k+1班次公交車行程時(shí)間的預(yù)測值，T(k+l/k+l)是將第k+1班次公交車行程時(shí)間的預(yù)測值T(k+l/k)用第k+1班次公交車行程時(shí)間的實(shí)際觀測值y (k+1)修正而得到的最優(yōu)值，T(k/k)是將第k班次公交車行程時(shí)間的預(yù)測值T(k/k-l)用第k班次公交車行程時(shí)間的實(shí)際觀測值y(k)修正而得到的最優(yōu)值，G(k+1)是第k+Ι班次公交車輛行程時(shí)間預(yù)測的濾波預(yù)報(bào)器增益，P(k+l/k)是第k+Ι班次公交車輛行程時(shí)間的預(yù)報(bào)誤差方差陣，P (k/k)是對第k班次公交車輛行程時(shí)間預(yù)報(bào)誤差方差陣修正而得的最優(yōu)值，P (k+1/ k+1)是對第k+1班次公交車輛行程時(shí)間預(yù)報(bào)誤差方差陣修正而得的最優(yōu)值，Q(k)為輸入白噪聲方差，R(k)為系統(tǒng)觀測噪聲方差，In是一個(gè)單位矩陣。
4.根據(jù)權(quán)利要求I或3所述的公交車站點(diǎn)間行程時(shí)間預(yù)測方法，其特征在于所述步驟(D)包括如下步驟將遺忘因子λ (k+1)引入公交車行程時(shí)間預(yù)報(bào)誤差方差陣的運(yùn)算過程中P*(k+l/k) =λ (k+1) P (k/k)+Q (k)，其中P* (k+1/k)為用遺忘因子修正的k+1班次公交車輛行程時(shí)間的預(yù)報(bào)誤差方差陣，且λ (k+1)彡I。
5.根據(jù)權(quán)利要求4所述的公交車站點(diǎn)間行程時(shí)間預(yù)測方法，其特征在于 +1) = {Z[Z, -rtr[Q(k)]} / {ytr[P(k I k)}} , Zk = y (k)-T (k/k-1)為更新序列，tr [Q(k)]為輸入白噪聲的跡，tr[P(k/k)]為第k班次公交車預(yù)報(bào)誤差方差陣的跡，Y為儲備系數(shù)且Y> I。
6.根據(jù)權(quán)利要求2或3所述的公交車站點(diǎn)間行程時(shí)間預(yù)測方法，其特征在于所述步驟(E)包括如下步驟(El)確定濾波啟動值模型:選擇T(0/0) = E[y(k)] ΑΡ(0/0) = Ιη/ξ，其中ξ是一個(gè)很小的正數(shù)，In為單位矩陣；(Ε2)確定系統(tǒng)噪聲模型將系統(tǒng)輸入噪聲ω (k)和系統(tǒng)觀測噪聲v(k)看作零均值、不相關(guān)的正態(tài)白噪聲序列，且方差按指數(shù)遞減Q (k) =Q(0)e_ak，R(k) =R(0)e_ek，其中α、β 均為模型參數(shù)。
全文摘要
本發(fā)明公開了一種基于自適應(yīng)衰減卡爾曼濾波的公交車站點(diǎn)間行程時(shí)間預(yù)測方法，利用車載GPS裝置獲取站點(diǎn)間公交車歷史行程時(shí)間數(shù)據(jù)，結(jié)合自適應(yīng)衰減濾波預(yù)測模型對未來站點(diǎn)間公交車行程時(shí)間進(jìn)行預(yù)測。本發(fā)明通過引入遺忘因子抑制了歷史陳舊數(shù)據(jù)對濾波的影響，以確保新息在預(yù)測過程中的優(yōu)越地位，克服了常規(guī)預(yù)測模型發(fā)生濾波發(fā)散和計(jì)算發(fā)散的不足。同時(shí)本發(fā)明以指數(shù)遞減的噪聲模型作為濾波啟動值，有效提高了模型的預(yù)測精度和效率。本發(fā)明彌補(bǔ)了常規(guī)卡爾曼濾波魯棒性較差的不足，具有預(yù)測精度高、計(jì)算過程簡便、實(shí)用性強(qiáng)的優(yōu)點(diǎn)。
文檔編號G08G1/00GK102610088SQ20121005969
公開日2012年7月25日 申請日期2012年3月8日 優(yōu)先權(quán)日2012年3月8日
發(fā)明者楊敏, 王寶杰, 王煒 申請人:東南大學(xué)