基于時(shí)空相關(guān)屬性模型的公交到站時(shí)間預(yù)測(cè)算法

摘 要:公交車輛到站時(shí)間的預(yù)測(cè)是公交調(diào)度輔助決策系統(tǒng)的重要依據(jù),可幫助調(diào)度員及時(shí)發(fā)現(xiàn)晚點(diǎn)車輛,并做出合理的調(diào)度決策.然而,公交到站時(shí)間受交通擁堵、天氣、站點(diǎn)停留和站間行駛時(shí)長(zhǎng)不固定等因素的影響,是一個(gè)時(shí)空依賴環(huán)境下的預(yù)測(cè)問(wèn)題,頗具挑戰(zhàn)性.提出一種基于深度神經(jīng)網(wǎng)絡(luò)的公交到站時(shí)間預(yù)測(cè)算法STPM,算法采用時(shí)空組件、屬性組件和融合組件預(yù)測(cè)公交車輛從起點(diǎn)站到終點(diǎn)站的總時(shí)長(zhǎng).其中,利用時(shí)空組件學(xué)習(xí)事物的時(shí)間依賴性與空間相關(guān)性.利用屬性組件學(xué)習(xí)事物外部因素的影響.利用融合組件融合時(shí)空組件與屬性組件的輸出,預(yù)測(cè)最終結(jié)果.實(shí)驗(yàn)結(jié)果表明,STPM 能夠很好地結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì),學(xué)習(xí)關(guān)鍵的時(shí)間特征與空間特征,在公交到站時(shí)間預(yù)測(cè)的誤差百分比和準(zhǔn)確率上的表現(xiàn)均優(yōu)于已有的預(yù)測(cè)方法。

隨著我國(guó)城市的發(fā)展,私家車數(shù)量急劇增加,道路擁堵、車輛尾氣排放造成環(huán)境污染等問(wèn)題日益加劇[1].相比于私家車,公共交通工具具有承載量大、能源消耗較低、尾氣排放相對(duì)較小等優(yōu)勢(shì),對(duì)于緩解上述問(wèn)題具有重要意義[2].相對(duì)于出租車等公共交通方式,公交具有投資成本更低、承載量更大,且覆蓋范圍更廣等優(yōu)勢(shì),成為城市出行的重要方式,提升其營(yíng)運(yùn)效率,是提升乘客滿意度、吸引乘客使用該方式出行的必要手段[3,4].

目前,我國(guó)公交采取排班制發(fā)車,以達(dá)到公交公司和乘客之間的效益平衡.但由于道路交通、天氣等因素復(fù)雜多變,導(dǎo)致車輛常常不能按照計(jì)劃發(fā)車時(shí)間發(fā)班,進(jìn)而會(huì)出現(xiàn)“串車”和“大間隔”現(xiàn)象[5].為應(yīng)對(duì)各種原因?qū)е萝囕v不能按原計(jì)劃發(fā)班的情況,需要進(jìn)行車輛的實(shí)時(shí)調(diào)度.現(xiàn)有的公交調(diào)度方式主要由手工完成,即公交調(diào)度員通過(guò)監(jiān)視面板觀察所負(fù)責(zé)線路的當(dāng)前車輛分布狀況.調(diào)度員根據(jù)自身經(jīng)驗(yàn)估計(jì)車輛回場(chǎng)時(shí)間,進(jìn)而進(jìn)行下一班次發(fā)車時(shí)間的調(diào)整.現(xiàn)有調(diào)度方式僅依靠調(diào)度員的經(jīng)驗(yàn)估計(jì)車輛到站時(shí)間,不僅工作量巨大,且常由于錯(cuò)誤預(yù)估,導(dǎo)致調(diào)度策略無(wú)法被準(zhǔn)確執(zhí)行,仍無(wú)法緩解“串車”和“大間隔”現(xiàn)象的發(fā)生.圖1 給出了廈門市11 路和22 路公交線路3 個(gè)月運(yùn)行總時(shí)長(zhǎng)的統(tǒng)計(jì)圖(箱線圖中線表示均值,其他線表示四分位點(diǎn),圓圈表示異常點(diǎn)).從圖中可以看出:同一線路方向,即使在同一時(shí)間段內(nèi)的總行駛時(shí)長(zhǎng)依然存在較大差異和異常點(diǎn).因此,良好運(yùn)行的調(diào)度系統(tǒng)迫切需要一個(gè)能相對(duì)準(zhǔn)確地預(yù)測(cè)到站時(shí)間的算法,進(jìn)而輔助調(diào)度員合理地預(yù)估車輛回場(chǎng)時(shí)間.這也是近年來(lái)智能交通(intelligent transportation system,簡(jiǎn)稱ITS)[6?8]應(yīng)用的典型場(chǎng)景.

Fig.1 Distribution of bus travel time of route No.11 and 22 in Xiamen city

圖1 廈門市11 路和22 路公交行駛總時(shí)長(zhǎng)分布圖

公交車輛到站時(shí)間預(yù)測(cè)受站點(diǎn)停留和站間行駛時(shí)長(zhǎng)等相關(guān)因素的影響,存在時(shí)空依賴性.從時(shí)間的角度看,無(wú)論是站點(diǎn)停留還是站間行駛,都具有一定的時(shí)間規(guī)律,這種規(guī)律可能是長(zhǎng)期的歷史規(guī)律、短期的周期規(guī)律或者近期的波動(dòng)規(guī)律等.從空間的角度看,站點(diǎn)停留和站間行駛具有一定的空間規(guī)律.例如:對(duì)于站點(diǎn)停留來(lái)說(shuō),某一站用于乘客上車的停留時(shí)間必然影響另一站用于乘客下車的停留時(shí)間.對(duì)于站間行駛而言,相鄰路段的行駛速度也相互影響.此外,天氣狀況、道路交通狀況等難以準(zhǔn)確預(yù)知,增加了預(yù)測(cè)的挑戰(zhàn)性[9].已有的預(yù)測(cè)行程時(shí)長(zhǎng)的方式包括兩種,即分段預(yù)測(cè)[9,10]與全程預(yù)測(cè)[11,12].分段預(yù)測(cè)是指對(duì)路段進(jìn)行劃分預(yù)測(cè),對(duì)預(yù)測(cè)時(shí)間加以累加.這種方式可能產(chǎn)生的問(wèn)題是誤差累積,使得最終預(yù)測(cè)誤差變大.全程預(yù)測(cè)是指直接預(yù)測(cè)從起點(diǎn)到達(dá)終點(diǎn)的時(shí)間的方式.這種方式可能產(chǎn)生的問(wèn)題是當(dāng)路徑越長(zhǎng)時(shí),覆蓋完整路徑的軌跡點(diǎn)就越少,數(shù)據(jù)越稀疏導(dǎo)致結(jié)果往往不準(zhǔn)確.由于公交通常具有“定線路”、“定站點(diǎn)”的特點(diǎn),發(fā)車頻率較快,同一時(shí)段有多輛同線路公交在運(yùn)行,因此公交車輛本身即可收集各種交通數(shù)據(jù),為即將發(fā)班的車輛預(yù)測(cè)提供依據(jù).

近年來(lái),深度學(xué)習(xí)技術(shù)在視覺(jué)、自然語(yǔ)言處理等領(lǐng)域得到了廣泛應(yīng)用.其中,卷積神經(jīng)網(wǎng)絡(luò)模型[13]已被證明可很好地捕捉空間規(guī)律,而循環(huán)神經(jīng)網(wǎng)絡(luò)[14]類似于一個(gè)存在記憶功能的神經(jīng)網(wǎng)絡(luò),能夠捕捉事物的時(shí)間規(guī)律.本文基于二者的融合,提出一種基于ConvLSTM[15]模型,能夠同時(shí)捕捉事物時(shí)間依賴性、空間相關(guān)性與外部影響因素的公交車到站時(shí)間預(yù)測(cè)算法——時(shí)空屬性模型(spatio-temporal property model,簡(jiǎn)稱STPM).

本文的主要貢獻(xiàn)包括:提出一種能夠同時(shí)學(xué)習(xí)事物時(shí)空依賴性和外部因素影響的卷積時(shí)空屬性模型,該算法通過(guò)時(shí)空組件捕獲事物的時(shí)間依賴性和空間相關(guān)性,利用該組件分別學(xué)習(xí)與預(yù)測(cè)站點(diǎn)停留與站間行駛參數(shù).通過(guò)屬性組件,將外部因素如天氣、時(shí)間、駕駛員、車輛、近期路段行駛狀況等因素的復(fù)雜性融合到模型預(yù)測(cè)結(jié)果的考量中去.提出一種融合組件,將事物的時(shí)空特征與外部因素特征進(jìn)行融合,預(yù)測(cè)公交車輛從起點(diǎn)到終點(diǎn)的總行駛時(shí)長(zhǎng).該算法可作為調(diào)度輔助決策系統(tǒng)的依據(jù),幫助調(diào)度員及時(shí)發(fā)現(xiàn)晚點(diǎn)車輛,并作出合理的調(diào)度決策.在真實(shí)數(shù)據(jù)集上實(shí)現(xiàn)了該算法并進(jìn)行了驗(yàn)證.實(shí)驗(yàn)結(jié)果表明:SPTM 算法能夠更好地學(xué)習(xí)事物的時(shí)空特性,相對(duì)于單一使用卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò)而言,其預(yù)測(cè)準(zhǔn)確率能提高至少2.25 個(gè)百分點(diǎn);且可以充分利用外部屬性的因素,提高預(yù)測(cè)的準(zhǔn)確率.

據(jù)我們所知,本文是首個(gè)利用深度學(xué)習(xí)算法進(jìn)行公交車從起點(diǎn)到終點(diǎn)總時(shí)長(zhǎng)預(yù)測(cè)的研究.第1 節(jié)介紹國(guó)內(nèi)外關(guān)于行程時(shí)長(zhǎng)預(yù)測(cè)的研究.第2 節(jié)介紹數(shù)據(jù)預(yù)處理過(guò)程.第3 節(jié)對(duì)STPM 算法進(jìn)行詳細(xì)展開(kāi)和敘述.第4 節(jié)利用真實(shí)公交到離站數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證與分析.第5 節(jié)總結(jié)全文并對(duì)未來(lái)工作進(jìn)行展望.

1 相關(guān)工作

現(xiàn)有的關(guān)于行駛時(shí)長(zhǎng)預(yù)測(cè)的方法主要可以分成基于傳統(tǒng)方法和基于深度學(xué)習(xí)的方法.傳統(tǒng)方法包括回歸模型和卡爾曼濾波模型,利用歷史數(shù)據(jù)和時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測(cè).Wu 等人[9]利用支持向量回歸(support vector regression,簡(jiǎn)稱SVR)進(jìn)行交通時(shí)長(zhǎng)的預(yù)測(cè).在該文獻(xiàn)的研究中,通過(guò)使用過(guò)去t 個(gè)時(shí)刻的真實(shí)交通時(shí)長(zhǎng)數(shù)據(jù),預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的交通行駛時(shí)長(zhǎng).通過(guò)實(shí)驗(yàn)證明,該方法在預(yù)測(cè)旅行時(shí)間問(wèn)題上具有一定可行性.但其在特征使用上,僅使用了過(guò)去時(shí)刻的數(shù)據(jù),無(wú)法體現(xiàn)外在因素如駕駛員風(fēng)格、車輛性能、道路交通狀況的差異對(duì)預(yù)測(cè)結(jié)果的影響.Vanajakshi 等人[16]利用卡爾曼濾波技術(shù)預(yù)測(cè)不同交通條件下的出行時(shí)間.在該文獻(xiàn)的研究中,對(duì)路段進(jìn)行等距離劃分,利用2 輛前序車輛收集到的信息進(jìn)行當(dāng)前車輛的預(yù)測(cè).在該方法中,假設(shè)任何時(shí)刻均有兩輛前序車輛跑完全程為其收集信息,在實(shí)際應(yīng)用中較難實(shí)現(xiàn).Mathieu 等人[17]提出了一種用于預(yù)測(cè)到站時(shí)間的基于實(shí)時(shí)GPS 數(shù)據(jù)的非參數(shù)算法,關(guān)鍵思想是,使用內(nèi)核回歸模型來(lái)表示位置更新與公交車站到達(dá)時(shí)間之間的依賴關(guān)系.實(shí)驗(yàn)結(jié)果表明:對(duì)于50 分鐘的時(shí)間范圍,算法的預(yù)測(cè)誤差平均小于10%.在該文獻(xiàn)的研究方法中,通過(guò)依據(jù)歷史數(shù)據(jù)與當(dāng)前狀況的相似性為其賦予不同的權(quán)重,計(jì)算當(dāng)前狀況的預(yù)測(cè)值.這種方式對(duì)于模型訓(xùn)練的時(shí)間跨度要求較為嚴(yán)格,需要更長(zhǎng)時(shí)間的數(shù)據(jù)樣本.

近年來(lái),深度神經(jīng)網(wǎng)絡(luò)逐漸應(yīng)用到各個(gè)領(lǐng)域,包括行駛時(shí)長(zhǎng)預(yù)測(cè).Wang 等人[4]提出了一種寬深度遞歸(WDR)學(xué)習(xí)模型,預(yù)測(cè)在給定出發(fā)時(shí)間沿給定路線的行進(jìn)時(shí)間.算法聯(lián)合訓(xùn)練寬線性模型、深度神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò),以充分利用這3 種模型的優(yōu)勢(shì).但該方法并不考慮站點(diǎn)的停留時(shí)長(zhǎng),對(duì)路網(wǎng)的空間依賴考慮較少.Maiti 等人[18]提出了一種將車輛軌跡和時(shí)間戳視為輸入特征的基于歷史數(shù)據(jù)的車輛到達(dá)時(shí)間的實(shí)時(shí)預(yù)測(cè)方法,結(jié)果表明所提出的HD 模型分別比人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,簡(jiǎn)稱ANN)模型和支持向量機(jī)(support vector machine,簡(jiǎn)稱SVM)模型執(zhí)行速度更快,同時(shí)也具有比較高的預(yù)測(cè)精度.但這種方法僅利用車輛軌跡數(shù)據(jù)和時(shí)間序列數(shù)據(jù),無(wú)法體現(xiàn)外在因素(如天氣、駕駛員風(fēng)格、車輛性能)等對(duì)結(jié)果的影響.王麟珠等人[19]提出一種基于Elman 神經(jīng)網(wǎng)絡(luò)的公交車輛到站時(shí)間預(yù)測(cè)方法,并通過(guò)福州的公交數(shù)據(jù)進(jìn)行驗(yàn)證.在該文獻(xiàn)的研究方法中,以時(shí)間、天氣、路段、當(dāng)前路段的運(yùn)行時(shí)間為特征進(jìn)行預(yù)測(cè),結(jié)果具有一定的精確度.但其對(duì)于天氣的劃分僅限于是否下雨,未涉及到沙塵暴等影響能見(jiàn)度的天氣因素,且其同樣未考慮駕駛員風(fēng)格等主觀因素對(duì)于結(jié)果的影響,因此該方法還有待提升.張強(qiáng)等人[20]提出一種基于時(shí)間分段的動(dòng)態(tài)實(shí)時(shí)預(yù)測(cè)算法,將一天分為24 個(gè)等長(zhǎng)的時(shí)間段,分時(shí)段對(duì)公交到站時(shí)間進(jìn)行預(yù)測(cè).其將總時(shí)長(zhǎng)分為站間行駛時(shí)長(zhǎng)、站點(diǎn)滯留時(shí)長(zhǎng)、交叉路口通行時(shí)長(zhǎng)與等待時(shí)長(zhǎng),但其對(duì)這些組成因素的預(yù)測(cè)均采用基于歷史時(shí)間序列進(jìn)行預(yù)測(cè),缺少對(duì)外在因素影響的研究.季彥婕等人[21]提出將粒子群算法與神經(jīng)網(wǎng)絡(luò)算法結(jié)合,從而減少預(yù)測(cè)誤差.實(shí)驗(yàn)表明,該模型對(duì)于工作日與周末都有較高的預(yù)測(cè)精度.該文獻(xiàn)在特征選擇上同樣是僅利用了歷史數(shù)據(jù),未考慮實(shí)際的外在因素影響.楊奕等人[22]將遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)(back propagation neural network,簡(jiǎn)稱BPNN)結(jié)合,從而改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的缺陷.通過(guò)對(duì)合肥某一公交線路數(shù)據(jù)的研究,實(shí)驗(yàn)表明,該算法確實(shí)有比較好的預(yù)測(cè)效果.但該算法在特征選擇上僅利用最近一班班次的實(shí)際發(fā)生數(shù)據(jù),缺少對(duì)于數(shù)據(jù)歷史或周期規(guī)律的研究.此外,其同樣忽略了外在因素的影響.張昕等人[23]提出利用遺傳算法提升SVM 的參數(shù)尋優(yōu)效率,進(jìn)而進(jìn)行預(yù)測(cè).該文獻(xiàn)考慮道路因素、大型節(jié)假日、天氣、路況、運(yùn)行距離、運(yùn)行時(shí)間、排班信息等7 個(gè)因素的影響,能夠更好地適應(yīng)道路交通等的變化,具有較好的預(yù)測(cè)精度,但其忽略了司機(jī)或突發(fā)事件等因素的影響.謝芳等人[24]提出結(jié)合聚類與神經(jīng)網(wǎng)絡(luò)模型對(duì)車輛數(shù)據(jù)進(jìn)行分段預(yù)測(cè),并利用Map Reduce 的并行化框架減少算法的計(jì)算時(shí)間.在該算法中,使用站點(diǎn)停留數(shù)據(jù)、站間行駛數(shù)據(jù)、星期幾和是否為節(jié)假日作為特征,同樣忽視了駕駛員、車輛、天氣等因素對(duì)其的影響.

現(xiàn)有的關(guān)于行程預(yù)測(cè)或公交預(yù)測(cè)的研究無(wú)法被直接用于公交輔助調(diào)度決策,主要原因包括:由于公交車與出租車或私家車的行駛特點(diǎn)不同,其需要在固定站點(diǎn)進(jìn)行停留,因此站點(diǎn)停留時(shí)長(zhǎng)是其總時(shí)長(zhǎng)的重要可變組成成分,直接利用出租車或私家車關(guān)于行程時(shí)長(zhǎng)預(yù)測(cè)的方法往往不夠準(zhǔn)確.現(xiàn)有關(guān)于公交到離站的預(yù)測(cè)多基于對(duì)鄰近站點(diǎn)的站數(shù)、距離或站間行駛時(shí)長(zhǎng)的預(yù)測(cè),缺少關(guān)于起點(diǎn)站到終點(diǎn)站總時(shí)長(zhǎng)預(yù)測(cè)的研究.利用站間預(yù)測(cè)的方式預(yù)測(cè)總時(shí)長(zhǎng)會(huì)出現(xiàn)誤差累加以及無(wú)法預(yù)測(cè)各站點(diǎn)停留時(shí)長(zhǎng)的情況.目前,對(duì)于行程時(shí)長(zhǎng)的預(yù)測(cè)僅考慮某幾個(gè)影響因素,缺乏對(duì)其時(shí)空特性和外在因素影響的融合研究.但公交車輛總時(shí)長(zhǎng)的問(wèn)題是一個(gè)包含時(shí)間依賴性、空間相關(guān)性和外部因素綜合影響的復(fù)雜問(wèn)題,需要一種能夠直接對(duì)公交車輛從起點(diǎn)站至終點(diǎn)站總時(shí)長(zhǎng)進(jìn)行預(yù)測(cè)的算法.

2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理的過(guò)程如圖2 所示,包括線路靜態(tài)特征處理、動(dòng)態(tài)特征處理、天氣特征處理以及缺失數(shù)據(jù)填充等步驟,最后得到特征數(shù)據(jù)集.

Fig.2 Data preprocessing process

圖2 數(shù)據(jù)預(yù)處理流程

2.1 線路靜態(tài)特征處理

(1)數(shù)據(jù)清洗

原始到離站數(shù)據(jù)文件包括一段時(shí)間內(nèi)公交線路收集到的所有車輛進(jìn)站及出站信息.進(jìn)行特征提取前,需先將數(shù)據(jù)文件按日期進(jìn)行分割,并將分割后的每日數(shù)據(jù)根據(jù)上下行、車輛id、獲取到離站數(shù)據(jù)的時(shí)間進(jìn)行排列.然后將同趟數(shù)據(jù)劃分到同組中,剔除組內(nèi)臟數(shù)據(jù).這些臟數(shù)據(jù)包括重復(fù)的到離站記錄、同一站的進(jìn)站時(shí)間在該站出站時(shí)間之后的、到達(dá)后一站的時(shí)間在到達(dá)前一站之前的記錄以及同一趟的到離站數(shù)據(jù)大量丟失的記錄等.

(2)線路特征處理

線路特征包括線路、方向、車輛及駕駛員信息的處理,其中,線路和方向數(shù)據(jù)可從到離站數(shù)據(jù)中直接獲取.到離站信息里車輛數(shù)據(jù)需要先經(jīng)過(guò)一定規(guī)則的轉(zhuǎn)換,轉(zhuǎn)換成計(jì)劃班次信息中可識(shí)別的車輛id,根據(jù)此車輛id 查詢駕駛員id,以車輛id 和駕駛員id 分別作為車輛特征和駕駛員特征的區(qū)分.

(3)時(shí)間特征處理

公交車輛的運(yùn)行時(shí)長(zhǎng)具有一定的時(shí)間規(guī)律,比如工作日與周末、節(jié)假日與平時(shí)、高峰期與平峰期的區(qū)別等.為了研究以上時(shí)間因素對(duì)于研究結(jié)果的影響,需要根據(jù)到離站數(shù)據(jù)里的時(shí)間字段,提取車輛的發(fā)車日期、發(fā)車時(shí)間、星期幾、是否為節(jié)假日、是否為工作日等特征.

2.2 線路動(dòng)態(tài)特征處理

線路動(dòng)態(tài)特征主要是線路運(yùn)行時(shí)產(chǎn)生的數(shù)據(jù)特征,包括站間行駛時(shí)長(zhǎng)和站點(diǎn)停留時(shí)長(zhǎng).根據(jù)線路運(yùn)行具有長(zhǎng)期趨勢(shì)、周期規(guī)律、短期影響等特征,本文將線路動(dòng)態(tài)特征定義為近1 周、近3 天、最近一段時(shí)間內(nèi)的站間行駛時(shí)長(zhǎng)和站點(diǎn)停留時(shí)長(zhǎng).其中,近1 周、近3 天的站間行駛或站點(diǎn)停留時(shí)長(zhǎng)是根據(jù)相同時(shí)段下各車輛實(shí)際運(yùn)行時(shí)對(duì)應(yīng)數(shù)據(jù)的均值計(jì)算所得.最新各個(gè)站點(diǎn)的停留時(shí)長(zhǎng)與行駛時(shí)長(zhǎng)通常是從起點(diǎn)站依次查詢經(jīng)過(guò)該站最近一班的車輛,以該車輛在該站的站間運(yùn)行時(shí)長(zhǎng)和站點(diǎn)停留時(shí)長(zhǎng)作為該站最新運(yùn)行時(shí)長(zhǎng)和停留時(shí)長(zhǎng)的代替,直至查詢到終點(diǎn)站.將拼接形成的一整條數(shù)據(jù)作為該趟車最新的站點(diǎn)停留和站間行駛特征值.

2.3 天氣特征處理

在本文獲得的原始天氣數(shù)據(jù)中,利用到的主要字段包括時(shí)間、能見(jiàn)度與天氣描述.其中,時(shí)間需要處理成為日期與時(shí)間段,天氣描述需要將晴、多云、大霧等轉(zhuǎn)換為可利用的數(shù)字描述方式.

2.4 缺失數(shù)據(jù)填充

由于數(shù)據(jù)期間的局限以及部分GPS 到離站原始數(shù)據(jù)的丟失,使得當(dāng)前車輛、最近時(shí)間內(nèi)、3 天內(nèi)、1 周內(nèi)的站點(diǎn)停留和站間行駛時(shí)長(zhǎng)存在缺失,需要進(jìn)行填充.在本文的缺失數(shù)據(jù)填充中,對(duì)于站點(diǎn)停留和站間行駛時(shí)長(zhǎng)的缺失主要是利用歷史數(shù)據(jù)相同條件下的均值進(jìn)行填充.當(dāng)不存在相同條件下的歷史數(shù)據(jù)時(shí),則用臨近班次進(jìn)行填充.對(duì)于天氣數(shù)據(jù)的缺失,主要是利用臨近小時(shí)內(nèi)的天氣狀況進(jìn)行代替.

2.5 特征數(shù)據(jù)集

按照?qǐng)D2 的流程完成數(shù)據(jù)預(yù)處理,將預(yù)處理過(guò)程中提取到的空間特征、時(shí)間特征和外部特征(包括天氣特征、駕駛員信息和車輛信息等)合并為最終的特征數(shù)據(jù)集.特征數(shù)據(jù)集的維度為11202×51,包含廈門22 路公交車在2018 年9 月、12 月和2019 年1 月、2 月這4 個(gè)月里的所有班次.其中,每一行表示一個(gè)班次內(nèi)的所有特征值.表1 展示了特征數(shù)據(jù)集中的部分特征及其說(shuō)明.

3 STPM 算法

3.1 算法概述

公交車輛的站點(diǎn)停留時(shí)長(zhǎng)和站間行駛時(shí)長(zhǎng)可能受不同因素的影響,呈現(xiàn)不同的數(shù)據(jù)表征.本文首先利用融合卷積與LSTM 特點(diǎn)的ConvLSTM[15]分別預(yù)測(cè)車輛的站間行駛時(shí)長(zhǎng)和站點(diǎn)停留時(shí)長(zhǎng),再利用Stack-LSTM[25]預(yù)測(cè)總行駛時(shí)長(zhǎng).算法分為3 個(gè)部分:時(shí)空組件、外部屬性組件和融合組件,整體的網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示.

(1)時(shí)空組件用于處理站點(diǎn)停留或是站間行駛等相關(guān)特征,捕捉其時(shí)間依賴性與空間相關(guān)性;

(2)外部屬性組件用于處理與模型有關(guān)的外部因素,諸如星期幾、發(fā)車時(shí)間、天氣、是否是工作日、是否是節(jié)假日、駕駛員、車輛、近期運(yùn)行狀況等,其輸出將作為融合組件輸入的一部分;

(3)融合組件是根據(jù)時(shí)空組件與外部屬性組件的輸出估計(jì)車輛的總行駛時(shí)長(zhǎng).

Table 1 Feature in dataset and their meaning

表1 數(shù)據(jù)集中的特征及其說(shuō)明

Fig.3 STPM model architecture

圖3 STPM 模型架構(gòu)

模型中涉及的符號(hào)說(shuō)明見(jiàn)表2.

3.2 屬性組件

公交車輛的行駛時(shí)長(zhǎng)受多種復(fù)雜因素的影響,包括:

(1)時(shí)間信息:如公交車輛的發(fā)車時(shí)刻點(diǎn)、星期幾、是否是工作日、是否是節(jié)假日等.對(duì)于公交車輛來(lái)說(shuō),通常具有時(shí)段特征,即一天中存在高峰期、低峰期與平峰期.高峰期的行駛時(shí)長(zhǎng)通常高于低峰期的行駛時(shí)長(zhǎng),且由于周末或其他節(jié)假日出行人數(shù)較多,道路私家車數(shù)量相對(duì)于工作日有所增長(zhǎng),更易出現(xiàn)交通擁堵增加車輛行駛時(shí)長(zhǎng)的現(xiàn)象;

(2)天氣信息:當(dāng)天氣出現(xiàn)大霧、沙塵暴、暴雨等情況時(shí),由于其會(huì)影響道路的能見(jiàn)度,進(jìn)而減慢道路通行速度,使得通行時(shí)長(zhǎng)要比其他情況要長(zhǎng);

(3)駕駛員信息:由于駕駛員行駛習(xí)慣的差異,即使是同一路段,通行時(shí)長(zhǎng)亦有所不同;

(4)車輛信息:不同車的性能、能容納的乘客數(shù)、車輛結(jié)構(gòu)的差異亦會(huì)影響車輛的行駛與停留消耗時(shí)間;

(5)近期交通狀況信息:由于現(xiàn)在城市發(fā)展較為迅速,道路交通狀況處于不斷變化的過(guò)程中,因此有必要將近期線路的交通運(yùn)行狀況作為外部屬性輸入到模型當(dāng)中.

Table 2 Symbols in STPM and their meanings

表2 STPM 中的符號(hào)及其含義

在屬性組件中,對(duì)于車輛、駕駛員、天氣、時(shí)間等外部特征,采用嵌入的方式將這些外部屬性特征轉(zhuǎn)換為低維實(shí)向量.這種處理方式的優(yōu)勢(shì)在于:其一,它可以將分類值較多的特征降維到較小的輸入維度,進(jìn)而提高運(yùn)算效率;其二,已有的相關(guān)研究發(fā)現(xiàn),具有相似語(yǔ)義的范疇值通常會(huì)被嵌入到相近的位置,使得這種方法在本文的研究中有助于發(fā)現(xiàn)不同的運(yùn)營(yíng)數(shù)據(jù)之間相似的部分,如駕駛員的駕駛風(fēng)格、車輛屬性等.

對(duì)于近期運(yùn)行狀況特征,包括近1 周、近3 天、最新的各站點(diǎn)的站間行駛和站點(diǎn)停留特征,利用其均值與標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化.假設(shè)近期運(yùn)行狀況中一個(gè)特征為x,利用公式(1)對(duì)其進(jìn)行轉(zhuǎn)換得到x?:

最后將經(jīng)過(guò)嵌入和標(biāo)準(zhǔn)化處理的外部特征進(jìn)行連接,作為其他組件的外部屬性輸入.若經(jīng)過(guò)嵌入方法轉(zhuǎn)換后,車輛屬性特征為C,駕駛員屬性特征為D,天氣屬性為W,星期幾屬性為DT,時(shí)間段屬性為H,段內(nèi)分組屬性為M;經(jīng)過(guò)標(biāo)準(zhǔn)化的方式轉(zhuǎn)換后,近一周的總時(shí)長(zhǎng)特征為SW,近3 天的總時(shí)長(zhǎng)特征為ST,最新的總時(shí)長(zhǎng)特征為SC,則經(jīng)過(guò)連接后的輸出向量attr 為

其中,attri 表示第i 個(gè)樣本經(jīng)過(guò)屬性組件后輸出的屬性特征集;

表示第i 個(gè)樣本的車輛特征經(jīng)嵌入方法轉(zhuǎn)換后的一維向量,其他屬性特征(駕駛員、星期幾、時(shí)間段、段內(nèi)分組)的表示與之相同;SWi 表示第i 個(gè)樣本近一周的運(yùn)行特征經(jīng)標(biāo)準(zhǔn)化方法轉(zhuǎn)換后的一個(gè)值,3 天與最新運(yùn)行特征的轉(zhuǎn)換與之相同.故經(jīng)過(guò)屬性組件后的特征都被處理為一個(gè)n=c+d+w+dt+h+m+3 的一維向量.

3.3 時(shí)空組件

在時(shí)空組件中,相當(dāng)于是由兩個(gè)子件組成.其中一個(gè)子件用于預(yù)測(cè)各個(gè)站點(diǎn)的停留時(shí)長(zhǎng),另一個(gè)子件用于預(yù)測(cè)各個(gè)站間的行駛時(shí)長(zhǎng).利用ConvLSTM 模型捕獲站間行駛與站點(diǎn)停留的時(shí)間依賴性與空間相關(guān)性.雖然行駛時(shí)長(zhǎng)預(yù)測(cè)子件與停留時(shí)長(zhǎng)預(yù)測(cè)子件在整體結(jié)構(gòu)上存在差異,但其核心均是依賴于ConvLSTMCell.

(1)ConvLSTMCell

ConvLSTMCell 是基于LSTM 結(jié)構(gòu)的.LSTM 作為一種特殊的RNN,它的時(shí)間記憶性能夠在一定程度上解決時(shí)間依賴的問(wèn)題.一個(gè)抽象的LSTM 如圖4 所示(各符號(hào)的定義見(jiàn)表1).

Fig.4 LSTM structure

圖4 LSTM 結(jié)構(gòu)

當(dāng)有新的輸入時(shí),如果輸入門it 被激活,則新輸入的信息將會(huì)被累加到細(xì)胞單元中.輸入門是否被激活,是由t?1 時(shí)刻的網(wǎng)絡(luò)輸出ht?1和這一步的網(wǎng)絡(luò)輸入xt 決定(見(jiàn)公式(3)).在計(jì)算這一步的網(wǎng)絡(luò)輸出前,還需要考慮t?1時(shí)刻網(wǎng)絡(luò)中的記憶單元ct?1.當(dāng)ct?1傳入到t時(shí)刻的網(wǎng)絡(luò)中時(shí),首先,網(wǎng)絡(luò)需要先決定它被遺忘的程度,即,將t 時(shí)刻之前的記憶狀態(tài)乘以一個(gè)記憶衰減系數(shù)ft.這個(gè)記憶衰減系數(shù)ft是根據(jù)t 時(shí)刻的網(wǎng)絡(luò)輸入xt 與t?1 時(shí)刻的網(wǎng)絡(luò)輸出ht?1所決定(見(jiàn)公式(5)).也就是說(shuō),網(wǎng)絡(luò)所要保留的記憶是由前一時(shí)刻的輸出和這一時(shí)刻的輸入共同決定.

新時(shí)刻學(xué)到的記憶ct 是經(jīng)過(guò)線性變化和激活函數(shù)所得到(見(jiàn)公式(4)).在得到t?1 時(shí)刻的記憶需要保留多少ft*ct?1以及新時(shí)刻學(xué)到什么樣的記憶后,將t?1 時(shí)刻保留的記憶加上t 時(shí)刻學(xué)到的記憶及其對(duì)應(yīng)的衰減系數(shù)it,則得到了t 時(shí)刻的記憶狀態(tài)(見(jiàn)公式(6)).

t 時(shí)刻網(wǎng)絡(luò)的輸出ht 是由t 時(shí)刻的輸入xt、t?1 時(shí)刻網(wǎng)絡(luò)的輸出和t 時(shí)刻記憶狀態(tài)所決定.使用類似計(jì)算記憶衰減系數(shù)的方式計(jì)算輸出門的系數(shù)ot(見(jiàn)公式(7)),由決定網(wǎng)絡(luò)的輸出,即最終網(wǎng)絡(luò)的輸出是由公式(8)所計(jì)算:

對(duì)于公交到站時(shí)間預(yù)測(cè),有必要使用一個(gè)能夠同時(shí)捕捉時(shí)空特征的網(wǎng)絡(luò)結(jié)構(gòu).在ConvLSTM 中,通過(guò)將卷積層融入到傳統(tǒng)的LSTM 中,使得某一單元的輸入不再是僅由過(guò)去時(shí)刻的狀態(tài)所決定,還與其鄰近的鄰居狀態(tài)有關(guān)(如圖5 所示).可以理解為:某一站點(diǎn)的停留時(shí)長(zhǎng)或站間的行駛時(shí)長(zhǎng),不僅與這一站點(diǎn)過(guò)去的停留時(shí)長(zhǎng)或站間行駛時(shí)長(zhǎng)有關(guān),還與其鄰近站點(diǎn)的停留時(shí)長(zhǎng)或站間行駛時(shí)長(zhǎng)有關(guān).

ConvLSTM 上述特性的實(shí)現(xiàn)依賴于其將卷積的操作融入到LSTM 各個(gè)門的計(jì)算當(dāng)中,即在以下公式中的Wxi,Whi,Wxf,Whf,Wxc,Whc,Wxo,Who 等參數(shù)中利用卷積操作進(jìn)行運(yùn)算(各符號(hào)的定義見(jiàn)表1).

(2)行駛時(shí)長(zhǎng)子件

對(duì)于行駛時(shí)長(zhǎng)子件,其可以看做由多個(gè)ConvLSTMCell 組成的一個(gè)ConvLSTM.對(duì)于ConvLSTM 來(lái)說(shuō),其卷積核的大小從某種程度上反映了一個(gè)單元的狀態(tài)由多大范圍內(nèi)的鄰近單元狀態(tài)決定.對(duì)于行駛時(shí)長(zhǎng)子件,其網(wǎng)絡(luò)結(jié)構(gòu)如圖6 所示.

Fig.5 Convolution structure of ConvLSTM

圖5 ConvLSTM 的卷積結(jié)構(gòu)

Fig.6 Structure of the driving time component

圖6 行駛時(shí)長(zhǎng)子件結(jié)構(gòu)

(3)停留時(shí)長(zhǎng)子件

對(duì)于停留時(shí)長(zhǎng)子件,同樣可以看做由多個(gè)ConvLSTMCell 組成的一個(gè)ConvLSTM.其網(wǎng)絡(luò)結(jié)構(gòu)可以如圖7所示.

Fig.7 Structure of the staying time component

圖7 停留時(shí)長(zhǎng)子件結(jié)構(gòu)

3.4 融合組件

融合組件將根據(jù)行駛時(shí)長(zhǎng)組件和停留時(shí)長(zhǎng)組件輸出的預(yù)測(cè)各站點(diǎn)的停留時(shí)長(zhǎng)參數(shù)和行駛時(shí)長(zhǎng)參數(shù),以及屬性組件經(jīng)嵌入、標(biāo)準(zhǔn)化和連接方式輸出的駕駛員特征、天氣特征、時(shí)間特征和近期運(yùn)行特征,預(yù)測(cè)公交車輛由起點(diǎn)站到終點(diǎn)站所需的總時(shí)長(zhǎng).融合組件采取Stack-LSTM 的方式進(jìn)行預(yù)測(cè),其網(wǎng)絡(luò)結(jié)構(gòu)如圖8 所示.

Fig.8 Structure of the fusing component

圖8 融合組件結(jié)構(gòu)

4 實(shí)驗(yàn)與分析

4.1 環(huán)境設(shè)置

本次實(shí)驗(yàn)基于2018 年9 月1 日～2019 年2 月28 日廈門市22 路公交到離站數(shù)據(jù)、計(jì)劃班次信息、車輛信息以及廈門天氣狀況等數(shù)據(jù)進(jìn)行.使用python3.7 和Pytorch1.1 進(jìn)行數(shù)據(jù)處理與算法編寫,利用sklearn0.18.1庫(kù)中的模型接口進(jìn)行部分算法實(shí)現(xiàn).如圖9 所示:廈門22 路公交上行從胡里山站出發(fā),途經(jīng)廈大白城站等站點(diǎn),終點(diǎn)為麥德龍站.預(yù)處理后的特征數(shù)據(jù)集包含到離站數(shù)據(jù)280 050 條,班次信息11 202 條,天氣數(shù)據(jù)為每小時(shí)天氣狀況.

Fig.9 No.22 bus route of Xiamen

圖9 廈門市22 路公交線路圖

4.2 模型設(shè)置

4.2.1 時(shí)空組件——停留時(shí)長(zhǎng)預(yù)測(cè)子件

本節(jié)在實(shí)驗(yàn)中修改網(wǎng)絡(luò)的結(jié)構(gòu),包括網(wǎng)絡(luò)層數(shù)、每層神經(jīng)元的數(shù)量、卷積層核的大小、每次參與訓(xùn)練的batch 的數(shù)量以及網(wǎng)絡(luò)的學(xué)習(xí)率.通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),當(dāng)停留時(shí)長(zhǎng)預(yù)測(cè)子件的參數(shù)如下時(shí),模型效果最優(yōu):網(wǎng)絡(luò)結(jié)構(gòu)由4層ConvLSTMCell 組成;每層神經(jīng)元的設(shè)置分別是128,64,32,1;各層卷積核的大小分別是7,5,5,3;每次進(jìn)行訓(xùn)練的batch 大小為600;學(xué)習(xí)率為0.01.此外,為了體現(xiàn)不同站點(diǎn)對(duì)最終結(jié)果的影響程度不同,在該網(wǎng)絡(luò)中,為不同站點(diǎn)的損失賦予不同的權(quán)重(公式(14)):

4.2.2 時(shí)空組件——行駛時(shí)長(zhǎng)預(yù)測(cè)子件

經(jīng)實(shí)驗(yàn)發(fā)現(xiàn),當(dāng)行駛時(shí)長(zhǎng)預(yù)測(cè)組件由一個(gè)3 層ConvLSTMCell 組成,各層參數(shù)設(shè)置值如下時(shí)效果最優(yōu):該網(wǎng)絡(luò)每層神經(jīng)元的設(shè)置分別是128,64,1;各層卷積核的大小分別是5,5,5;每次進(jìn)行訓(xùn)練的batch 大小為600;學(xué)習(xí)率為0.01.在該網(wǎng)絡(luò)中,不同站點(diǎn)損失的權(quán)重將根據(jù)公式(15)進(jìn)行計(jì)算:

4.2.3 屬性組件

屬性組件對(duì)于其中的駕駛員、車輛、天氣、星期幾、發(fā)車時(shí)間、時(shí)段分組特征,模型采用嵌入的方式,對(duì)其緯度變化見(jiàn)表3.

Table 3 Attribute feature latitude change

表3 屬性特征緯度變化

4.2.4 融合組件

在本節(jié)的實(shí)驗(yàn)中,融合組件在其參數(shù)設(shè)置如下時(shí),達(dá)到最優(yōu)狀態(tài):層數(shù)為4;各層神經(jīng)元的數(shù)量分別為96,48,24,1;學(xué)習(xí)率為0.1.在該網(wǎng)絡(luò)結(jié)構(gòu)中,其損失函數(shù)為公式(16):

4.3 實(shí)驗(yàn)結(jié)果分析

由于現(xiàn)有關(guān)于公交車輛從起點(diǎn)站到終點(diǎn)站的研究較少,故本文采用幾種常用于回歸預(yù)測(cè)的機(jī)器學(xué)習(xí)方法進(jìn)行誤差百分比和準(zhǔn)確率兩個(gè)方面的對(duì)比.其中,準(zhǔn)確率是絕對(duì)誤差在5 分鐘以內(nèi)被判定為正確的數(shù)量占測(cè)試集的比例.其實(shí)驗(yàn)結(jié)果見(jiàn)表4.

(1)STPM:該算法為本文所提出的算法,融合卷積與LSTM 組成時(shí)空組件CT,用于學(xué)習(xí)事物的時(shí)間依賴性和空間相關(guān)性;利用嵌入、標(biāo)準(zhǔn)化與連接的方式組成屬性組件,用于學(xué)習(xí)外部因素的影響;利用融合組件對(duì)時(shí)空組件與屬性組件的輸出進(jìn)行融合進(jìn)而預(yù)測(cè)總行駛時(shí)長(zhǎng);

(2)CNN[13,26]:由卷積層和池化層組成的一種前饋神經(jīng)網(wǎng)絡(luò),在對(duì)比實(shí)驗(yàn)中,使用與STPM 相同的特征進(jìn)行預(yù)測(cè);

(3)LSTM[14,27]:由輸入門、輸出門、遺忘門組成的基本長(zhǎng)的短時(shí)記憶網(wǎng)絡(luò),使用的特征與STPM 相同;

(4)Adaboost[28]:利用訓(xùn)練數(shù)據(jù)訓(xùn)練多個(gè)弱分類器,融合弱分類器的的訓(xùn)練結(jié)果進(jìn)行預(yù)測(cè)的一種集成方法.在對(duì)比實(shí)驗(yàn)中,使用與STPM 相同的特征進(jìn)行預(yù)測(cè);

(5)DecisionTree[29]:決策樹(shù),一種用于預(yù)測(cè)的樹(shù)結(jié)構(gòu).在該算法實(shí)驗(yàn)中,使用與STPM 相同的特征進(jìn)行預(yù)測(cè);

(6)SVM[30]:支持向量機(jī).一種常用于模式識(shí)別、分類及回歸分析的監(jiān)督學(xué)習(xí)方法;

(7)HP:基于歷史相同條件(是否為工作日、時(shí)段)下平均值預(yù)測(cè).

Table 4 Comparative experiment results

表4 對(duì)比實(shí)驗(yàn)結(jié)果

從實(shí)驗(yàn)結(jié)果上看,本文所提出的基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法STPM 的誤差百分比相對(duì)于其他算法更低.圖10 與圖11 展示了利用傳統(tǒng)方法與深度學(xué)習(xí)方法進(jìn)行預(yù)測(cè)的結(jié)果,其中,縱軸為總時(shí)長(zhǎng)值,橫軸為樣本ID,擬合線為預(yù)測(cè)值,散點(diǎn)為真實(shí)值.根據(jù)真實(shí)值與預(yù)測(cè)值的絕對(duì)誤差,對(duì)真實(shí)值的散點(diǎn)顏色進(jìn)行區(qū)分.十字代表300s 的誤差內(nèi),圓圈代表300s～400s 的誤差,叉號(hào)代表400s～500s 的誤差,三角代表500s～600s 的誤差,方形代表誤差超過(guò)600s.

Fig.10 Comparison of prediction results of deep learning methods

圖10 深度學(xué)習(xí)方法預(yù)測(cè)結(jié)果對(duì)比

實(shí)驗(yàn)結(jié)果分析如下.

(1)對(duì)比STPM 與HP 發(fā)現(xiàn),STPM 的效果要優(yōu)于單純根據(jù)歷史條件進(jìn)行預(yù)測(cè)的模型HP.這是因?yàn)楣豢傂旭倳r(shí)長(zhǎng)是一個(gè)受多種復(fù)雜因素綜合影響的問(wèn)題,天氣與道路交通狀況等因素不可預(yù)知,僅根據(jù)歷史條件進(jìn)行預(yù)測(cè)缺乏靈活性;

(2)對(duì)比STPM,CNN 與LSTM 發(fā)現(xiàn):STPM 在誤差百分比與準(zhǔn)確率上要優(yōu)于CNN 與LSTM,這可能是由于STPM 結(jié)合了CNN 卷積與LSTM 的記憶優(yōu)勢(shì).公交總行駛時(shí)長(zhǎng),無(wú)論停留還是行駛,都具有時(shí)間依賴性和空間相關(guān)性.因此,使用一個(gè)可以同時(shí)捕獲時(shí)空特征的ConvLSTM,相對(duì)于單用一個(gè)模型較好;

(3)對(duì)比STPM 與其他機(jī)器學(xué)習(xí)模型發(fā)現(xiàn):其誤差百分比與準(zhǔn)確率均優(yōu)于其他模型;且Adaboost 的效果要好于SVM、決策樹(shù).這是由于Adaboost 是一種集成學(xué)習(xí)的方法,類似于一種投票的機(jī)制,能夠很好地糾正單一模型的錯(cuò)誤.

Fig.11 Comparison of prediction results of conventional methods

圖11 傳統(tǒng)方法預(yù)測(cè)結(jié)果對(duì)比

4.4 時(shí)間性能分析

表5 展示了上述7 種方法的訓(xùn)練時(shí)間(即STPM,CNN,LSTM,HP,SVM,Adboost,DecisionTree),訓(xùn)練過(guò)程使用的GPU 為TITAN X.

Table 5 Comparative training time and testing time

表5 訓(xùn)練時(shí)間、模型參數(shù)和預(yù)測(cè)時(shí)間的對(duì)比

由于STPM 模型的參數(shù)數(shù)量大于其他的深度模型,因此其訓(xùn)練也是最耗時(shí)的.然而通過(guò)實(shí)驗(yàn)結(jié)果可以看出,STPM 的精度好于其他方法.雖然具有較長(zhǎng)的訓(xùn)練時(shí)長(zhǎng),但是在離線訓(xùn)練中,這樣的時(shí)長(zhǎng)是可以接受的.通常在實(shí)際應(yīng)用當(dāng)中,我們能夠獲得大量的離線資源進(jìn)行預(yù)訓(xùn)練.此外,當(dāng)模型訓(xùn)練完畢之后,STPM 的預(yù)測(cè)時(shí)間與其他方法相當(dāng),可在80ms 內(nèi)得到預(yù)測(cè)結(jié)果.

5 結(jié)束語(yǔ)

深度學(xué)習(xí)現(xiàn)已在人臉識(shí)別、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域發(fā)揮著重要的作用,是各界學(xué)術(shù)研究者研究的熱點(diǎn)之一.但是在智能交通領(lǐng)域,特別是公交到站時(shí)間預(yù)測(cè)的研究與應(yīng)用還較少.本文提出利用ConvLSTM 捕獲事物的時(shí)間依賴性與空間相關(guān)性,分別對(duì)站點(diǎn)的停留時(shí)長(zhǎng)和站間的行駛時(shí)長(zhǎng)進(jìn)行預(yù)測(cè),利用屬性組件對(duì)諸如駕駛員特征、車輛特征、時(shí)間特征、天氣特征、近期運(yùn)行等特征進(jìn)行嵌入操作,將時(shí)空組件與屬性組件的輸出作為融合組件的輸入.然后,由多個(gè)LSTM 組成的融合組件對(duì)來(lái)自時(shí)空組件和屬性組件的輸入進(jìn)行融合,預(yù)測(cè)最終車輛從起點(diǎn)站到終點(diǎn)站的總時(shí)長(zhǎng).實(shí)驗(yàn)結(jié)果表明,算法在誤差百分比與準(zhǔn)確率上的表現(xiàn)優(yōu)于已有的算法.

對(duì)于未來(lái)的工作,可以增加非起點(diǎn)站到終點(diǎn)站的預(yù)測(cè),輔之以修正機(jī)制.通過(guò)車輛到達(dá)非終點(diǎn)站的真實(shí)時(shí)間與預(yù)測(cè)時(shí)間之間的誤差,不斷改進(jìn)對(duì)到達(dá)終點(diǎn)站的預(yù)測(cè)時(shí)間.同時(shí),由于道路交通狀況常常是一個(gè)復(fù)雜且不可準(zhǔn)確預(yù)知的問(wèn)題,特別是何時(shí)會(huì)發(fā)生交通事故等難以預(yù)料,因此,加強(qiáng)交通系統(tǒng)中車輛信息收集與相互之間的信息交互,對(duì)于及時(shí)了解路段狀況、改進(jìn)模型預(yù)測(cè)效果也是有一定幫助的。

審核編輯：湯梓紅