动态公交车辆运行时间预测模型
基于Bi-LSTM-Attention的公交车头时距预测模型
基于Bi-LSTM-Attention的公交车头时距预测模型
连莲;商家硕;宗学军
【期刊名称】《沈阳化工大学学报》
【年(卷),期】2022(36)2
【摘要】公交车头时距预测作为公交车调度决策系统的重要依据,可以帮助公交公司及时发现交通拥堵,做出合理的调度决策.然而,现有的研究仅限于传统的预测方法,缺乏综合多种影响因素预测车头时距波动.为解决这个问题,本研究采用一种基于公交智能卡数据的双向长短时神经网络-注意力机制(Bi-LSTM-Attention)预测框架.该模型将注意力机制融入双向长短时记忆网络中,利用历史公交车头时距、公交运行时间、停靠时间预测每个站点的公交车头时距波动.通过某市两条公交线路实例对该模型进行验证.实验结果表明:与已有算法相比,Bi-LSTM-Attention在单步和多步预测中均表现出更高的准确度,可以为公交动态调度提供理论支持.
【总页数】7页(P160-166)
【作者】连莲;商家硕;宗学军
【作者单位】沈阳化工大学信息工程学院
【正文语种】中文
【中图分类】TP181
【相关文献】
1.公交线路车头时距特征分析及运行状态研究
2.基于车头时距的快速公交车辆交叉口信号优先
3.公交进站换道行为对车头时距的影响
4.路侧公交专用车道下右转出
口上游公交车头时距分布特征5.基于车头时距均衡的多线路公交信号优先控制方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
公交车辆行程到站时间预测模型优化研究
公交车辆行程到站时间预测模型优化研究刘兆祥【摘要】随着智能公交系统的发展,有效提高公交车辆到站时间预测精确率,是提升公共交通服务水平,结合智能交通(ITS)发展的关键举措.在结合公交车辆GPS运行数据的基础上,构建卡尔曼滤波与支持向量机结合的预测模型.最后,应用山东省日照市19路公交线路的公交运行数据对该模型进行校验,并评价该模型的预测精确程度,评价结果表明,对公交到站时间据本文模型有较高的预测精度.【期刊名称】《内蒙古公路与运输》【年(卷),期】2016(000)004【总页数】4页(P56-59)【关键词】公交到站时间;SVM支持向量机;卡尔曼滤波;公交预测;GPS【作者】刘兆祥【作者单位】长安大学公路学院,陕西西安 710064【正文语种】中文【中图分类】U491进入大数据时代，实时的公交到站时间信息是智能公交(ITS)发展的基础，准确的公交到站信息能够减少乘客的候车时间，合理安排出行计划，提高公共交通的吸引力[1]。
为此国内外学者进行了大量的探索研究，Patnaik和Chien[2]利用上下公交车的乘客数量和车辆延误时间，提出了基于多变量回归算法的车辆到站时刻预测模型。
周雪梅，杨晓光[3]等通过研究公交车辆驶于相邻公交站点间的时间建立回归函数，利用历史数据标定回归参数，预测公交车辆的到站时间。
杨兆升[4]等采用模糊回归方程构造了行程时间的预测模型。
温惠英，徐建闽，傅惠[5]基于灰色理论分析影响行程时间的各个因素的灰色关联，对常规滤波预测模型进行优化，结果表明，优化后的卡尔曼滤波模型要优于常规的卡尔曼滤波[8]模型。
Cathey[6]等开发了基于GPS系统的公交车辆到站时间预测模型，经研究表明，该模型精度高于传统时刻表算法。
于滨[7]建立了基于路段当前行程时间和之前路段行程时间的支持向量机模型[9]。
公交车到站时间是评价城市公交服务水平的重要指标之一。
公交车辆到站时间由路段行驶时间和站点停靠时间组成，因此在研究构建公交车辆到站时间的预测模型时，要综合考虑两部分的影响因素。
公交车到站时间预测与优化方法研究
公交车到站时间预测与优化方法研究公交车作为城市重要的公共交通方式之一，在现代生活中发挥着重要作用。
然而，公交车的准时性一直是乘客们关注的焦点。
对于乘客来说，不确定的到站时间会引发不便和等待时间的浪费。
因此，研究公交车到站时间预测与优化方法非常重要。
公交车到站时间预测是一项复杂的任务，受到路况、交通拥堵、天气等多种因素的影响。
为了准确预测公交车的到站时间，研究人员采用了多种方法。
其中，基于历史数据的模型是常用的一种方法。
通过统计历史数据，包括车辆运行时间、到站时间和交通状况等，可以建立模型预测未来的到站时间。
此外，基于GPS定位的实时数据也被广泛应用于公交车到站时间预测。
通过分析公交车的GPS数据，可以实时监测车辆的位置和速度，从而更准确地预测到站时间。
除了预测公交车的到站时间，优化公交车运营也是提高准时性的关键。
针对这一问题，研究者提出了多种优化方法。
一个常见的方法是建立运营策略，包括行驶路线、车辆调度和发车间隔等方面。
通过合理安排路线和减少等待时间，可以最大程度地提高公交车准时性。
此外，一些研究还通过运用人工智能和大数据分析等技术，优化公交线路和进行动态调整，以进一步提高公交车的运营效率和准时性。
公交车到站时间预测与优化方法的研究不仅关乎大量乘客的出行体验，也对整个城市交通系统的运作效率有着重要的影响。
准确预测公交车的到站时间能够帮助乘客更好地规划出行，提高出行效率，减少等待时间。
而优化公交车的运营则能够减少交通拥堵，降低环境污染，提高城市交通的可持续性。
然而，公交车到站时间预测与优化仍面临着一些挑战。
首先，数据收集与处理是一个复杂的过程。
公交车的运行数据涉及到大量的信息，包括车辆位置、车速、乘客流量等。
如何高效地收集和处理这些数据，是需要解决的问题之一。
其次，公交车运营具有一定的不确定性，例如，交通拥堵、车辆故障等因素都可能影响到准确的到站时间。
因此，如何建立鲁棒性强的模型，能够应对各种不确定因素，是未来研究的重点。
公交到达时间预测误差分析及模型改进
Science &Technology Vision 科技视界均值N 标准差t Sig.(双侧)短时精度87.83%200 3.52%11.0750.000长时精度85.08%2004.27%0引言公交到达时间预测是智能交通领域研究的热点问题之一,而公交到达时间预测是一个持续改进的过程。
目前以存在了许多公交到达时间预测的方法,如人工神经网络算法,支持向量机、自回归时间序列,卡尔曼滤波等等[1-3],这些算法均有自身的优点,但也存在一定的局限性,预测精度还有待进一步的提高。
文献[1]已经建立了公交到达时间预测模型,并且经实验验证能取得较好的结果,而进一步分析,其精度还可以进一步提高。
因此,为进一步提高公交到达时间预测的精度,本文在已有模型的基础上,通过利用海量的公交车GPS 数据进行长期的测试,对分析测试结果做详细的分析,同时结合公交车GPS 数据,分析产生误差产生的原因(特别是大误差产生的原因),针对具体的问题提出相应的解决方案,对公交到达时间预测模型做进一步的改善和优化,以提高模型的精度。
1旧模型公交到达时间预测结果分析1.1原有模型简介文献[3]将公交到达时间分成了路段行程时间、车站区域停留时间和其他延误时间3部分,提出了公交达到时间预测模型,如下所示:T ntk =T mtk +n -1b =m∑T b (b -1)t +n -1b =m∑T btd +qp =1∑T psd(1)其中T mtk 和n -1b =m ∑T b (b -1)t 为共同组成路段行程时间,n -1b =m∑Tbtd为车辆靠站停留时间,q p =1∑T psd 为信号灯延误时间。
本文在文献[1]的基础上建立公交到达时间预测模型,以重庆市典型公交线路如886(日间车线路)和0811(夜间车线路)为例,并利用从2012年-2013年期间的公交GPS 实际数据进行测试。
1.2评价指标介绍公交到达时间预测精度的评价是一个相对的指标,既需要考虑到绝对误差,又要考虑到乘客的主观感受,因此,本文采用短时精度和长时精度两个指标进行评价。
基于前车数据的动态公交车辆到站时间预测模型研究
基于前车数据的动态公交车辆到站时间预测模型研究随着城市化进程的加快和人口数量的增加，城市交通拥堵问题日益凸显，尤其是公交车在交通系统中所占比重较大，公交车辆到站时间的准确预测对提高公共交通效率和减少交通拥堵具有重要意义。
传统的公交车辆到站时间预测方法主要基于历史数据和统计模型，难以适应城市道路的实时交通状况变化。
为了解决这一问题，研究者开始尝试基于前车数据进行公交车辆到站时间的动态预测。
前车数据指的是通过车载设备或者GPS定位系统获得的公交车实时运行数据，包括车辆的实时位置、速度、行驶路径等信息。
通过分析前车数据，可以实现对公交车辆运行状态的准确监测和预测。
基于前车数据的动态公交车辆到站时间预测模型具有以下优势：首先，能够实时监测公交车辆的运行状态。
传统的预测方法主要依赖历史数据进行建模，难以反映实际交通状况的变化。
而基于前车数据的预测模型可以实时监测公交车辆的实时位置和速度，准确把握车辆的运行状态，从而更加精准地进行到站时间的预测。
其次，能够个性化定制预测模型。
传统的预测方法通常是基于平均行车速度和历史到站时间进行预测，无法考虑到不同车辆、不同路段的特点。
而基于前车数据的预测模型可以根据具体车辆的行驶特点进行个性化定制，实现更加精准的预测结果。
最后，能够提高公共交通的运行效率。
公交车辆到站时间的准确预测可以帮助乘客更好地安排出行时间，减少等车时间，提高乘坐体验。
同时，公交管理部门也可以根据预测结果及时调整线路和车辆的运行计划，提高公共交通系统的整体运行效率。
基于前车数据的动态公交车辆到站时间预测模型的核心是建立合适的预测算法和模型。
在实际应用中，可以借鉴机器学习和数据挖掘的方法，利用大数据分析技术对前车数据进行处理和分析，构建预测模型。
常用的预测算法包括支持向量机（SVM）、神经网络（NN）、随机森林（RF）等，可以根据具体情况选择合适的算法进行建模。
在未来的研究中，可以进一步探讨基于前车数据的动态公交车辆到站时间预测模型的优化方法和应用场景，尤其是结合其他信息源，如天气、道路状况等数据，构建更加精准的预测模型。
GA-Elman公交车辆到站时间预测模型
层 输 出矢量 为 （ ），则 Ｅｍ ｎ网络 输人输 出关系 为 ： ｌａ
［ 收稿 日期］２ １ 一ｏ ３ ０ １ ７— １ 【 回日期 ］２ １ 修 ０ １—１ — ２ １ ２ ［ 基金项 目］福建省教育厅 Ｂ类 项 目 （Ｂ ９ ４ ） Ｊ ０２ ５ ；福建交通职业技术学 院科教研发基金 （９ Ｙ ６ ０Ｋ １） ［ 作者简介 ］苏庆列 （９ ０一） １８ ，男 ，讲师 ，硕士 ，研究方向为汽车电子、交通工程．Ｅｍ ｉ ｕａｔ ｎ ６．ｏ — ａ ：ｓ ｎｉ ＠１３ ｃｒ ｌ ｌ ａ ｎ
・
７ ２・
厦 门 理 工学 院 学 报
２１ ０ ２正
（）＝ 。ｋ 暑 ｋ一１ ］ ｋ ｆ［ （ ）＋ ｆ （ ）， （ ）＝ （ ｋ ｋ一１ ， ） ｊｋ ， ）＝ｇ （ ） ． （ ［ ｋ］ 为输 入层 到隐含 层 的连 接权 值 ； 为 隐含层 到 输 出 层 的连接 权值 ； ・ 隐含 层 神经元 的传递 函数 ； （ ）为输 出神 经元 的传 递 函数． ）为 ｇ・
去 的状 态 ，并 且在 下一 时刻 连 同 网络 输入 一 起 作 为 隐 含层单 元 的输入 ，相 当于状 态 反 馈 ，具 有 一步 延 迟 的 特性 ，从 而 使 得 部 分 递 归 网 络 具 有 动 态 记 忆 功 能． Ｅｍａ ｌ ｎ网络无 须存 储 所 有 的输 人 信 息 却 能 在 网络 中反 映出所 有历史 信 号对 当前 系统 的影 响 ，适 合 用 来 建 立
时间序 列 的预测 模型 ．设 Ｅｍ ｎ网络输 入矢 量 为 （ ｌａ ）
，
图 １ Ｅ ｍａ ｌ ｎ型神 经 网络 模 型
Ｆ ｇ １ Ｓｔ ｃ ｕ ｅ ｍｏ ｅ ｆ ｍａ ｅｕ ａ ｅ ｗｏ ｋ ｉ． ｒ ｔ ｒ ｄ ｌ ｕ ｏ Ｅｌ ｎ ｎ ｒ ｌ ｔ ｒ ｎ
城市公共交通站点间实时动态行程时间预测的模型
公 交优 先是 ２ 世纪城 市 建设 的一项重要 举措 。大 力发 展公共 交通 是 有效 提 高 城市 道 路使 用 率的 ｌ 基 本途 径 。公 交站点 间行程 时 间的预测 是实现公共 交通智 能化 调 度子 系统 、 电子 站 牌 显示 子 系统 及公
交信 息服务子 系统的必 要 条件 。 而随机 服务 系统 的理论 和方法是 解决拥 挤 问题 的 有效 途径 ， 因而本文提
摘
要 ：｛ 丰 用随机 服务 系 统理 论， 出了进 入路 段（ 信 号交 叉 口） 给 音 车辆 数 服 从 Ｐ ｉ ｏ ｏ ｓｎ舟 布 的 ｓ
实 时动态公共交 通站 点 间行 程 时间预测 的基本模 型和公 式。 关键调 ： 智能运输 系 统（Ｔ ）公共 交通 ； ＩＳ ； 窭时动 态行程 时问； 均行驶速 度 ； 队等 待 时闻 平 排 中图分类号 ： ２ Ｕ１ １ 文献 标识 码 ： Ａ
第３ ２卷
【。
。 Ｊ
瞎曼
篱
瞎段 Ｊ
如 ２— ｒｅ ． ＿
瞎段 ＾
图 ｌ 路 段 意 图
Ｆｉ Ｒｏ ｄ ｓ ｇｍｅ ｉｇ ｅ ｇ １ ａ ｅ ｎｔｆ ｕｒ
取 站点 ｊ与遭路 网路段 Ｊ编号相 同 ， 路段 ｊ下游 交 叉 口的 停 车线 标记 为ｊ， ２路段 Ｊ的 上、 游交 叉 下 口停 车线分 别记 为 Ｊ ，２站 点 与路段 编号一致 ， ｌＪ ； 其上 游停 车线记 为 Ｊ则站 点 间路段 （， 分别 由 ， ）
Ｖｄ ２ Ｎ０ ３ ．
２０ ０ ２年 １ 月
Ｊ ２ ０ ０２
文章编号 ：６ １ ４ ７ ２ ０ ）１ ０ ７—０ １７ —５ ９ （０ ２ ０ —０ ４ ５
城 市公 共交 通站 点 间实 时动 态 行 程 时 间预 测 的模 型
基于前车数据的动态公交车辆到站时间预测模型研究
（ ｃ ｏ ｌ ｆ ｒｎ ｐ ｒ ｔ ｎ ｎ ｉｅｒ ｇ Ｔ ｎ ｊＵｎｖ ｒｉ ，Ｓ ａ ｇ ￣ ２ １０ ， ｈｎ ） Ｓ ｈ ｏ ａ ｓ ｏｔ ｉ ｇｎ ｅｉ ， ｏ ｇｉ ｉｅｓｙ ｈ ｎ ｈ ０ ４ Ｃ ｉａ ｏＴ ａｏ Ｅ ｎ ｔ ８
ｈ ｔ ／ｉ ｔａ ｅ ． ｅ ．ｒＰ ｔｌ／ ／ ｅｕｌ ｃ ｍ ｅ ｓｄ ｕ ｅ ｔ ｔｐ：／ｎ ｒ ｎ ｔｉ ｔｇ ／ ｏｒａｓ０ Ｕｓ ｆ Ｄｏ ｕ ｍ ｎｔ／ ｏｃ ｍ ｎ ｓ ／ ０ ２． ｆ ２ ０． ０１ ７ ｐｄ ， ０１
是动态变化的，因此仅考虑这些 因素不能够较为准确地
预 测公 交 车辆 在 下 一 个路 段 的 运行 状 况 。我 国各城 市 的 很 多 公交 线 路发 车 间隔 较短 ，当满 足 该 条件 时 ，可用 前 车 在某 路 段 的运 行 状 况来 近 似 反映 当前 公 交车 辆 驶入 该 路 段时的 交通状 况 。
归分析方法难以全面考虑各种影响因素 ，并且有的影响
因素无 法量化 ，影 响 了预 测精 度 。 Ｓ ａ ｂ 和 Ｆｒａ 提 出 了基于 Ｋ ｌ ａ ｈｌ ｙ ａ ａ ｎ ｈ ａ ｎ滤波 方 法 的 公 ｍ 交 车 辆行 程 时 间预 测 模 型 ，并 使 用来 自多 伦 多城 区 公 交 Ｇ Ｓ数据 来 进行 分析 预 测 ，Ｋ ｌ ｎ滤波 器 模型 利用 不 断 Ｐ ａ ｍａ 逼 近 的 方式 获 得 较高 的预 测精 度 ，尤 其 在 提前 一 步 预 测 行 程 时 间 时 ，该 模 型具 有 良好 的预 测性 能 。但 是 ，其 能 力却 随 步 骤 的增 加而 不断 衰 退 。于 滨 ，杨 忠振 等 提 出 了
有 待于 进 一 步 研 究。 在下 一 步 的 研 究工 作 中，将 重 点 完 善 模 型的 建 立 ，充 分 考虑 其 他 潜 在 因素 对 列车 停 站 时 间
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
h
n ) ), t^ h 表示 SVMDF 模型预测的第 k 辆公交车在 h 区间的运行时间; v^h ( k ) 表示 SVMDF 模型预测的 第 k 辆公交车在 h 区间的运行速度; L h 表示 h 区间 的长度; vh ( k - n ) 表示前 n 辆公交车在 h 区间的 运行速度 ; 表示衰减因子 , 0 < < 1 . 选择不同 的 就得到不同的加权效果 . 越小, 表示过去的 数据被 遗忘 得越快 , 或者说记忆越短 . 引进衰 减因子 意味着 老 的数据逐渐从记忆中消失 . 因此式 ( 7) 组 成了一组以幂 指数为权 的函数形 式. 值可在 实际预 报中 根据时 变特性 加以选 择, 或者通过实验分析比较后选择 . 在确定了该 模型的结构后 , 还需要对其进行训练, 寻找用来预 测的支持向量 (该支持向量机模型应随数据库更新 而重新训练 ), 训练好的模型即可以进行具体预测. 1 . 3 自适应算法 由于公交车辆沿着固定线路运行 , 其运行具
n
l
f (x ) =
i= 1
( ai - a i )K ( xi , x ) + b
*
( 6) ( xi ) 和 ( xj ) 通
其中 K ( xi, xj ) 是向量 x i和 xj 在特征空间 ( x j ) 上的内积 , 即 K ( x i, xj ) = ( xi )
过核函数所有的运算都不必映射到高维空间, 可 以直接在输入空间上计算. 1 . 2 基于衰减因子的支持向量机模型 ( SVMDF) 公交车辆的运行时间会受到很多随机因素的 影响 , 而道路的交通状况, 尤其是早晚高峰期间 , 是影响车辆运行的最重要的因素之一 . 本文通过 预测路段上公交车辆的运行速度来近似反映该路 段当前的交通状况 . 由于, 公交系统是一个时变 系统 , 其运营过程具有非常明显的时变特性 , 故当 前的观测数据最 能反映当前交通 状况的动态特 性, 数据愈 老 , 它偏离当前对象特性的可能性 愈大 . 因此 , 为了准确预测路段当前的交通状况 , 突出当前数据的影响并同时逐渐减弱 过时的 、 陈旧的 数据的影响 . 在作递推计算时, 通过对 数据的加权, 人为地提升当前数据的作用. 假设当 前车辆在选定区间的运行速度和先前经过的公交 车辆运行速度存在某种确定的函数关系 , 结合该
其中 gh ( k) 表示自适应因子;
(k - 1 ),
( k - 1)
*
分别表示 SVMDF 模型和自适应算法预测第 k - 1 辆车 在 h 区间 上 运 行时 间 的 误差 ;
* h h
( k - 1 ),
( k - 1 ) 分别表示 SVM DF 模型和自适应算法
Dynam ic bus travel ti m e prediction m odel
YAO Bao -zhen , YANG Cheng -yong , YU B in
1 1 2
(1 . School of C iv il Eng in eering & A rchitectu re , Beijing Jiaotong Un iv ersity , Beijing 100044 , Chin a ; 2 . Schoo l of T ransporta ition M anagem en, t D alian M arit i m e U niversity , Da lian 116026 , China) A bstract : E ffect iv e pred ic t io n o f bus arriva l ti m e is a core for advanced trave le r in form ation system. Support vecto rm ach in es ( SVM ) are applied to pred ictin g bus travel ti m es. T he ob ject iv e of th is pa per is to exa m in e the feasib ility and applicability o f SVM in the veh icle travel ti m e forecastin g area . A decay factor is in troduced to ad ju st the w eights bet w een new and o ld data. A lso , an adaptive a lg o rithm is used to i m prove the predict io n results . The SVM w ith the decay factor is tested w ith the data o f the num ber 23 bus route in Dalian c ity. R esults show that the SVM w ith th e decay factor and the adapt iv e a lg orithm has better pred ictio n accuracy and dynam ic perfor m ance than other ex istin g a lg o rithm s . K ey words : pred ictio n ; travel t i me ; support vector m achine ; decay facto r ; adaptiv e algor ithm
0 引
言
交通环境面临着一个巨大的挑战. 优先发展城市 公共交通 , 是世界各国公认的解决城市交通问题 的有效途径. 目前我国城市公交存在服务水平低、 车速慢以及车辆准点率低等问题, 这降低了公交
随着我国经济的发展和城镇化进程的加快 , 机动车拥有量和道路的交通量急剧增加 . 城市的
收稿日期 : 2008- 03 - 03; 修订日期 : 2009- 03 - 27. 基金项目 : 国家自然科学基金资助项目 ( 50978020) ; 高等学校博士学科点专项科 研基金资助项目 ( 20050151007 ); 高等 学校博士学科点 新教师基金资助项目 ( 20070151013 ); 北京交通大学优秀博士生创新研究基金资助项目 ( 141065522 ) .
366
系
统
工
程
学
报
第 25 卷
的分担率, 随着定位、 通信等高新技术的发展 , 使 准确地预测公交车辆到站时间成为可能 , 从而改 善公交服务水平, 提高公共交通的吸引力. 国内 [ 1- 2] 外学者 的研 究 主要 集 中在 时间 序 列模 型 、 Ka l m an 滤波 和神经网络 等 . 支持向量机 [ 8- 9] ( SVM )是一种新型的学习机 , 它具有很强的 学习能力 , 其泛化能力明显优于神经网络, 很容易 在拟合程度与泛化水平上进行平衡 . 作为新兴技 术 SVM 已在很多领域得到应用, 鉴于 SVM 的成 功应用, 本文开发了一个基于 SVM 的公交车辆到 达时间预测模型. 由于公交车辆运行的实时性较 强, 其对下游当前的交通状况非常敏感 , 为了尽量 反映当前时刻样本的特性 , 逐渐淡化过去样本对 当前估计的影响, 使算法对参数的某些时变特征 [ 10] 具有一定适应能力 , 本文引入衰减因子 来调整 不同时刻样本对预测结果的影响程度. 由于该支 持向量机模型是基于历史数据开发的, 其不具备 动态调整预测结果的能力, 因此, 本文提出一个自 适应算法, 依据车辆运行的实时信息动态调整支持 向量机模型输出结果, 最大限度地减小预测误差.
[ 3- 5] [ 6 - 7]
数进行风险最小化的问题, 最优的回归函数是通 过在一定约束条件下最小规则化风险泛函数 Q. Q = 1 2 其中
2
+ C l
l
L ( yi, f ( x i ) )
i= 1
( 2)
为一标准矢量 , 第 1项使函数更为平坦, 从
而提高泛化能力, 称为规则化项; 第 2项则为经验 风险泛函 , 可由不同的损失函数确定, 常数 C > 0 , 用于在结构风险和经验风险之间进行平衡. 当 - 不敏感损 失函数 L (y i, f ( x i ) ) 采用 下面式 ( 3 ) 的形式. L ( y i, f ( x i ) ) = m ax ( | y i - f ( x i ) | - , 0 ) ( 3) 则函数 ( 2) 的最小化是一个凸 2 次优化问题, 引 入拉格朗日乘子 a i 和 a i , 可以最终得到
摘要 : 准确预测公交车运行时间是先进的出行者信息系统 ( AT IS) 的核 心. 本文应用支 持向量机 ( SVM ) 进行公 交车辆的运行时间预测 , 其目的是要验证 SVM 在运行时间预测领域的可行性 . 为了调整不同阶段历史数据对预 测结果的影响引入了衰减因子, 并应用一种自适应算法来动态调整预测误差. 然后以大连市 23 路公交车对该模 型进行来了检验 . 结果显示 , 带有衰减因子和自适应算法的支持向量机算法具有很好的预测精度和动态性能 . 关键词 : 预测 ; 运行时间 ; 支持向量机 ; 衰减因子 ; 自适应算法 中图分类号 : U 121 文献标识码 : A 文章编号 : 1000- 5781( 2010) 03- 0365- 06
k- n- 1
( 7) vh ( k -
(k - 1) = th (k - 1) - t^h ( k - 1 ) (k - 1) = E ( ( (k - 1) = E ( (
* h h
( k - 1) ) ) (k - 1) ) )
h 2
*
2
其中 x = ( vh ( k - 1 ), vh ( k - 2 ),
第 25 卷第 3期 2010 年 6 月
系 统 工 程 学 报 JOURNAL OF SYSTEM S ENG I N EER ING