下载文档原格式
公交车的定位方式以及预测公交到站的数学模型随着城市的发展，公交车成为了城市居民生活中不可或缺的交通工具之一。
而随着科技的进步，公交车的定位和到站预测也变得日益精准和智能化。
在这篇文章中，我们将探讨公交车的定位方式以及预测公交到站的数学模型。
1.定位方式公交车的定位方式主要有卫星定位和车载设备两种。
卫星定位主要是利用全球卫星定位系统（GPS）来进行定位。
通过在公交车上安装GPS 接收器，可以实时获取公交车的位置信息。
这种方式定位精度高，能够准确地获取公交车的位置，并且可以通过无线网络将定位信息上传到中心服务器，实现对公交车实时位置的监控和管理。
另一种方式是通过车载设备进行定位。
这种方式通常包括里程传感器、方向传感器和速度传感器等设备，通过这些设备可以实时获取公交车的行驶状态和位置信息。
虽然相对GPS定位来说精度稍低，但由于成本较低，因此在一些地区和车辆上这种方式也被广泛应用。
综合上述两种方式，很多城市的公交公司都会采用混合定位方式，即同时使用GPS和车载设备来进行定位，以确保定位的准确性和稳定性。
2.预测公交到站的数学模型为了帮助乘客更准确地预测公交车的到站时间，需要建立数学模型来预测公交车的行驶时间和到站时间。
通过对公交车的历史运行数据进行分析和建模，就可以建立起合理的数学模型来进行预测。
下面我们将介绍几种常用的预测模型：（1）基于时间序列的模型时间序列模型是一种基于历史数据的预测方法，通过对历史公交车到站时间的分析，可以得到一个时间序列模型。
这种模型通常会考虑到季节性变化、趋势和周期性等因素，从而得到对公交车到站时间的准确预测。
（2）基于机器学习的模型随着机器学习技术的发展，越来越多的研究者开始尝试利用机器学习方法来进行公交到站时间的预测。
通过对大量的历史数据进行训练，机器学习模型可以学习出公交车到站时间的规律和特征，从而实现更精准的预测。
（3）基于交通流模型的模型总结公交车的定位方式和到站预测模型是城市公交系统中非常重要的一部分，它们能够帮助公交公司提高运行效率，减少乘客等待时间，提升公交服务的质量。
公交车的定位方式以及预测公交到站的数学模型
公交车定位方式是指在无论公交行驶到哪里，都能将其所在位置信息及时传递给客户和相关部门，让客户了解公交行程的实时位置，以便做出合理的安排。
一般来说，当今的公交车定位方式主要有GPS、定位卡两种。
GPS是Global Positioning System的缩写，它是一种全球导航卫星定位系统，能够以精确的方式反映公交车的实时位置。
它的工作原理是，通过接收来自卫星的信号定位，然后将位置信息传递给服务器，服务器再根据公交车的相应位置信息发出相应的警报或提示，这样可以大大提高公交车驾驶员、乘客以及公共交通运营业主的安全性和服务效率。
定位卡定位是利用磁卡、IC卡等加装在公交车上，从而可在任一有磁卡的阵地实施自动识别的功能，以及保持走路的轨迹记录，进而实现车辆过站的自动计费，这种定位方式可以精确地定位到具体的车辆位置。
在计算机视觉方面，可以利用深度学习技术建立预测公交车到站的数学模型。
深度学习是一种人工智能，它使用神经网络代替传统的逻辑模式来进行大规模视觉数据分析。
深度学习可以利用大数据来建立一个数据模型，以此观察公共汽车的运行情况，以及公司的计划管理，从而快速预测出每路公交车即将到站的位置与时间。
借助深度学习数学模型，公共汽车运营方可以更加高效安全地运行，乘客换乘准确率得到提高，乘客服务也会更加全面贴心，以实现更加有效更有品质的公共交通运输。
在各种定位技术的综合运用下，使得公交车的营运更加高效安全，从客观上提高了公交运营的。
公交车的定位方式以及预测公交到站的数学模型公交车的定位方式和预测公交到站的数学模型是现代智能公交系统中非常重要的组成部分。
它们通过使用先进的定位技术和数据分析算法，提供公交车位置信息和到站预测功能，使乘客能够更方便地等待和乘坐公交车。
公交车的定位方式主要包括GPS定位、无线信号定位和图像识别定位等。
GPS定位是目前应用最广泛的公交车定位方式之一。
通过在公交车上安装GPS设备，可以实时获取车辆的经纬度坐标信息。
这些信息可以通过无线网络传输到监控中心，然后实时更新到乘客的手机APP上，以提供公交车的准确位置信息。
无线信号定位是一种利用手机信号强度等参数对公交车进行定位的技术。
该技术利用手机与运营商基站之间的信号交互，通过对信号强度的测量和分析，可以得出手机所处的位置。
通过安装相应的设备，公交车可以实时获取周围手机的信号强度信息，从而确定自身的位置。
图像识别定位是一种新兴的公交车定位方式。
它通过在公交车上安装监控摄像头，利用计算机视觉技术分析公交车周围的环境，识别道路、建筑物等特征，从而确定公交车的位置。
这种定位方式相对于GPS和无线信号定位来说，对设备的要求较低，而且可以有效应对GPS信号不好或者信号被屏蔽的情况。
而对于公交到站的预测，一般采用的是基于大数据分析的数学模型。
这种模型可以利用历史公交车运行数据，如车速、车辆间距、到站时间等，通过数据挖掘和机器学习的方法，建立公交车到站时间的预测模型。
预测模型可以根据公交车当前的位置和速度，结合历史数据，预测公交车距离目标站点还有多长时间到达。
通过将模型的预测结果实时更新到乘客的手机APP上，乘客可以根据预测结果合理安排等车时间，提高乘坐公交车的便利性和准时性。
公交车的定位方式以及预测公交到站的数学模型在现代城市生活中，公交车作为重要的公共交通工具，为人们的出行提供了便利。
而随着科技的不断发展，公交车的定位方式和预测到站时间也得到了很大的提升。
本文将从公交车的定位方式和预测到站的数学模型两个方面进行探讨。
一、公交车的定位方式1. GPS定位目前公交车定位最常用的技术就是全球定位系统（GPS）定位。
GPS定位是利用卫星信号来确定车辆的位置，并通过无线通讯技术将位置信息传输到监控中心，实现对公交车进行实时监控。
GPS定位具有定位精度高、实时性好、成本低等优势，因此被广泛应用于公交车的定位中。
2. 惯性导航除了GPS定位外，还有一些公交车采用惯性导航技术来进行定位。
惯性导航是利用车辆自身的加速度传感器、陀螺仪等传感器来测量车辆的加速度和角速度，进而推算车辆的位置。
惯性导航技术能够实现对车辆位置的高精度定位，尤其在室内或者城市峡谷等GPS信号不良的环境下具有很大的优势。
3. 蜂窝定位蜂窝定位是利用手机等无线通讯设备通过与基站之间的信号交换，来确定设备的位置。
一些公交车配备了蜂窝定位设备，通过与周围基站的信号交换来确定车辆的位置。
蜂窝定位技术相比GPS定位来说，更适用于城市中的高层建筑密集区域和城市峡谷等GPS信号不良的区域。
二、预测公交到站的数学模型1. 传统算法传统的预测公交到站时间的方法通常基于历史数据和统计算法。
通过分析大量的公交到站数据，利用时间序列分析、回归分析等方法来建立数学模型，从而预测公交到站的时间。
这种方法的优势在于对数据的要求不高，但对于交通流量较大、路况变化较快的城市来说，预测精度较低。
2. 机器学习算法近年来，随着机器学习算法的发展，越来越多的研究将机器学习算法应用于公交到站时间的预测中。
利用神经网络、支持向量机等算法来建立预测模型，通过对实时数据的学习和分析，实现对公交到站时间的准确预测。
机器学习算法能够更好地适应复杂的交通情况和路况变化，从而提高预测的精度。
公交车的定位方式以及预测公交到站的数学模型随着城市交通的不断发展和进步，公交车成为了城市出行的重要交通工具，它的运行情况更加直接地影响着城市居民的出行体验和交通拥堵情况。
为了提高公交车的运行效率，准确地预测公交车到站时间是非常重要的。
在现代城市中，使用数学模型来预测公交车到站时间已成为一种常见的做法。
在这篇文章中，我们将探讨公交车的定位方式以及预测公交到站的数学模型。
公交车的定位方式主要有两种：一种是基于GPS的定位方式，另一种是基于车载终端的定位方式。
基于GPS的定位方式是通过安装在公交车上的GPS设备来实现的，该设备可以实时地获取公交车的当前位置信息，并将这些信息传输到服务器上。
通过对这些位置信息的处理和分析，我们可以准确地确定公交车的行驶轨迹和到站时间。
另一种定位方式是基于车载终端的定位方式，这种定位方式是通过在公交车上安装车载终端设备，通过与服务器通信来获取公交车的位置信息，并实现对公交车行驶轨迹和到站时间的准确预测。
在确定了公交车的位置信息之后，我们就可以使用数学模型来预测公交车到站的时间。
其中最常用的数学模型是公交车到站时间预测模型。
这种模型通常使用线性回归、时间序列分析、神经网络等方法来实现。
线性回归方法是最常用的预测方法之一，它通过对历史到站时间数据进行分析和处理，从而建立一个针对当前情况的到站时间预测模型。
时间序列分析方法则是通过对历史数据进行时间序列分析，从而建立一个时间序列模型，该模型可以用来预测未来的到站时间。
神经网络方法则是使用神经网络模型来对公交车的到站时间进行预测，通过对大量的历史数据进行训练，神经网络模型可以实现对公交车到站时间的快速准确预测。
在实际应用中，以上提到的数学模型均可以用来预测公交车到站时间。
不同的数学模型适用于不同的情况，因此在实际应用中需要根据具体情况来选择合适的数学模型。
对于公交车的到站时间预测，线性回归方法适用于对历史数据进行分析和建模的情况；时间序列分析方法适用于对时间序列数据进行分析和预测的情况；神经网络方法适用于对大量的数据进行训练和建模的情况；动态时间规划方法适用于实时分析和计算的情况；粒子滤波器方法适用于对位置信息进行处理和预测的情况。
公交行驶轨迹预测研究综述研究目标公交行驶轨迹预测是指通过使用历史公交行驶数据，预测未来公交车的行驶轨迹。
该研究目标是提高公交运输系统的效率和准确性，提供实时的公交到达时间和路线规划，以便乘客能够更好地规划自己的出行。
方法1. 基于时间序列的方法基于时间序列的方法是公交行驶轨迹预测中常用的方法之一。
该方法通过分析历史数据中的时间序列模式，预测未来公交车的行驶轨迹。
常用的时间序列模型包括ARIMA模型、SARIMA模型和LSTM模型。
ARIMA模型是一种经典的时间序列模型，通过分析时间序列的自相关性和移动平均性，对未来的公交行驶轨迹进行预测。
SARIMA模型是ARIMA模型的扩展，考虑了季节性因素。
对于具有明显季节性的公交行驶数据，SARIMA模型能够更准确地预测未来的轨迹。
LSTM模型是一种基于循环神经网络的深度学习模型，能够捕捉时间序列数据中的长期依赖关系。
通过训练LSTM模型，可以预测未来公交车的行驶轨迹。
2. 基于机器学习的方法除了时间序列模型，还可以使用机器学习方法进行公交行驶轨迹预测。
常用的机器学习方法包括回归模型、决策树和支持向量机。
回归模型是一种常见的机器学习方法，通过分析历史数据中的特征和目标变量之间的关系，预测未来公交车的行驶轨迹。
决策树是一种基于树结构的机器学习模型，通过对历史数据进行分割，建立决策规则，预测未来公交车的行驶轨迹。
支持向量机是一种常用的分类和回归模型，通过在特征空间中找到一个最优的超平面，将不同类别的数据分开，预测未来公交车的行驶轨迹。
3. 基于深度学习的方法近年来，深度学习方法在公交行驶轨迹预测中获得了广泛应用。
除了LSTM模型之外，还可以使用卷积神经网络（CNN）和生成对抗网络（GAN）等方法。
CNN模型可以通过卷积层和池化层提取时间序列数据中的空间特征，进而预测未来公交车的行驶轨迹。
GAN模型是一种生成模型，通过训练生成器和判别器来生成逼真的公交行驶轨迹。
公交车的定位方式以及预测公交到站的数学模型公交车是城市交通系统中非常重要的一部分，它可以帮助人们方便快捷地到达各个目的地。
在现代城市中，随着人口的增加和交通需求的增长，如何更好地管理和优化公交车的运行已经成为一个重要课题。
公交车的定位和预测到站时间成为了研究的热点问题。
本文将介绍公交车的定位方式以及预测公交到站的数学模型。
一、公交车的定位方式1. GPS定位目前，公交车定位最常用的方法是GPS（全球定位系统）定位。
通过在公交车上安装GPS设备，可以实时准确地获取公交车的位置信息。
GPS定位具有定位准确、实时性强的优点，可以实时监控公交车的运行情况，并为乘客提供准确的到站时间信息。
GPS定位还可以帮助交通管理部门进行公交车运行的监控和管理，提高公交运输的效率和质量。
2. 蜂窝定位除了GPS定位外，还可以利用蜂窝定位技术来实现公交车的定位。
蜂窝定位是利用基站信号的强弱来确定移动设备的位置，因此可以在室内和信号覆盖区域广泛的城市中实现定位。
通过蜂窝定位技术，可以实现对公交车位置的大范围监控和管理，提高公交运输的准确性和可靠性。
3. 惯性导航定位二、预测公交到站的数学模型1. 传统的数学模型在传统的数学模型中，通常采用线性回归、时间序列分析、神经网络等方法来实现公交到站时间的预测。
通过对历史数据的分析和建模，可以得到公交车到站时间的预测值，从而为乘客提供更加准确和可靠的出行信息。
近年来，随着智能交通技术的发展，人工智能和大数据技术在公交到站时间预测中得到了广泛应用。
通过采集实时的公交车位置和交通流量数据，结合实时的路况信息和乘客上下车情况，可以利用机器学习和深度学习等方法来实现公交到站时间的实时预测。
这种实时的数学模型可以根据实际情况动态调整，提高公交到站时间预测的准确性和实用性。
除了利用公交车位置和路况信息，还可以综合考虑乘客需求、天气情况、节假日安排等因素，建立更加综合和精准的公交到站时间预测模型。
公交车的定位方式以及预测公交到站的数学模型随着城市快速发展，公共交通服务已经成为人们出行的重要方式之一。
为了提高公交出行的效率和便捷性，公交车的定位方式和到站预测成为当前公共交通系统中的重点研究方向。
本文将介绍公交车的定位方式以及预测公交到站的数学模型。
一、公交车定位方式公交车的定位方式是指确定公交车在道路中的位置，并且能够实时更新位置信息。
目前，常用的公交车定位方式主要有以下几种：1.卫星定位系统（GPS）GPS是一种广泛应用于各种交通领域的定位技术。
通过安装GPS接收机在车辆上，可以实时接收到卫星发出的信号，并计算出当前车辆的位置信息。
GPS定位方式准确性高、实时性好，因此被广泛应用于公交车的定位。
2.基站定位基站定位方式主要用于没有GPS信号时的公交车定位。
当公交车进入固定的信号范围内时，基站可以通过接收到公交车的无线信号来确定其位置。
由于基站信号覆盖范围有限，因此基站定位方式的定位精度相对较低。
3.惯性导航定位惯性导航定位是一种基于车辆自身传感器测量实现的定位方式。
它通过测量车辆的加速度、角速度等参数来推算车辆的位置。
惯性导航定位方式的精度较高，但需要进行定位误差补偿以保证定位的准确性。
对于公交车的到站预测，通常采集公交车的历史到站记录建立数学模型。
常用的到站预测数学模型主要有以下几种：1.基于历史数据的统计模型基于历史数据的统计模型是一种简单有效的到站预测方法。
通过统计历史数据中相同时间段内到站的概率来预测当前公交车是否将到站。
这种方法能够准确预测到站时间，但受到历史数据的限制，预测精度可能受到影响。
2.基于时间序列的预测模型时间序列模型是一种常见的预测模型，通过对历史数据进行分析，建立公交车到站时间的时间序列模型。
预测时，根据时间序列模型来预测当前时间下一次到站的时间。
这种方法能够较为准确地预测到站时间，但需要大量的历史数据作为基础，还需要不断调整模型参数才能保持预测精度。
机器学习是一种利用算法从数据中自动学习和开发模型的技术。
公交车的定位方式以及预测公交到站的数学模型公交车是城市交通运输中不可或缺的一部分，它承载着数以万计的乘客，为城市的居民提供着便捷的出行方式。
公交车的运行过程中经常会出现乘客等待时间过长或者发生拥挤的情况，因此如何提高公交车的运行效率，减少乘客的等待时间成为了一个亟待解决的问题。
而公交车的定位以及预测到站时间，则成为了提高公交运行效率的重要环节。
在本文中，我们将探讨公交车的定位方式以及如何通过数学模型来预测公交车到站的时间，希望可以为城市公交运营提供一些参考和帮助。
一、公交车的定位方式1. 卫星定位系统目前，许多城市的公交车都配备了卫星定位系统，通过卫星信号和地面基站的相互作用，公交车可以精确定位自己的位置，并将这些信息传递给调度中心。
调度中心可以实时监控公交车的位置，并对其进行调度和管理，以便提供更加高效的服务。
2. 区域定位系统除了卫星定位系统外，一些城市还采用了区域定位系统来帮助公交车进行定位。
这种系统通过在城市的各个关键位置安装定位设备，公交车可以通过这些设备获取自己的位置信息。
虽然这种方式相对于卫星定位系统来说精度可能稍低，但是在一些城市环境复杂的地区，卫星信号可能会受到阻碍而影响定位效果，因此区域定位系统也有着一定的优势。
二、预测公交到站的数学模型公交到站时间的预测是一个复杂且受多种因素影响的问题，但通过一些数学模型的建立与应用，我们可以对公交到站时间进行一定程度的预测，从而提高公交的运行效率。
下面我们将介绍一些常用的数学模型以及其在公交到站时间预测中的应用。
2. 时间序列模型时间序列模型是一种专门用于处理时间序列数据的数学模型，它可以通过对以往的数据进行分析和建模来对未来的趋势进行预测。
在公交到站时间的预测中，时间序列模型可以利用历史车辆运行数据、天气状况、交通流量等因素来建立一个公交到站时间的预测模型。
通过分析这些时间序列数据的规律，可以较为准确地预测公交到站时间，从而提高公交车的运行效率。
公交车的定位方式以及预测公交到站的数学模型公交车定位方式：
1. 全球定位系统（GPS）：通过卫星定位系统获取公交车的地理位置信息，可以实时
监控公交车的行驶路线和位置。
2. 无线电频率定位：利用无线电信号传输和接收的时间差来确定公交车的位置，包
括基站定位和信号强度定位。
3. 手机信号定位：通过手机信号塔接收用户手机信号，并推断出公交车所在位置。
4. 光电定位：利用光电传感器感知公交车行驶过程中的光线变化，来确定车辆位
置。
预测公交到站的数学模型：
1. 基于历史数据的统计模型：根据过去一段时间内公交车到站的历史数据，进行统
计分析和建模，预测公交车到站的时间。
2. 基于时间序列模型：利用公交车到站的时间序列数据，比如ARIMA（自回归和滑动平均整合移动平均模型）模型，来预测未来公交车到站的时间。
3. 基于机器学习的模型：利用机器学习算法，比如回归模型、随机森林或神经网络，通过训练模型来预测公交车到站的时间。
4. 基于交通流量的模型：结合交通流量数据，分析公交车在不同时间段的行驶速度
和交通拥堵，从而预测公交车到站的时间。
5. 基于实时数据的模型：结合实时公交车位置和实时交通流量数据，利用数据挖掘
和实时算法，预测公交车到站的时间。
这些数学模型可以根据具体的应用场景和数据情况进行调整和改进，以提高预测公交
车到站时间的准确性和可靠性。
2007年11月November 2007—281—计 算 机 工 程Computer Engineering 第33 第21期Vol 卷.33 No.21 ·开发研究与设计技术·文章编号：1000—3428(2007)21—0281—02文献标识码：A中图分类号：TP208基于路段行程时间的公交到站预测方法陈巳康1，詹成初2，陈良贵1(1. 上海市城市交通管理局，上海 200003；2. 上海复旦光华信息科技股份有限公司，上海 200433）摘 要：对公交到站时间预报技术进行了研究和探索。
建立公交线网道路模型，根据GPS 车载终端采集的公交车辆运行动态数据，推测路段交通状况及对应的路段行程时间，预测公交到站时间，并分析各种误差。
实验数据表明，在2min 误差内的预测时间准确率大于80%，基本可满足公交时间预报要求。
关键词：路段行程时间；公交到站预报；GPS 车载终端；公交线网道路模型Prediction Method of Bus Arrival TimeBased on Link Travel TimeCHEN Si-kang 1, ZHAN Cheng-chu 2, CHEN Liang-gui 1（1. Shanghai Municipal Transportation Administrative Bureau, Shanghai 200003; 2. Shanghai Fudan Grand Horizon Information Technology Inc., Shanghai 200433）【Abstract 】This paper studies the prediction technology of bus arrival time. After building the model of public transport network, the road traffic situation and corresponding traveling time are speculated according to dynamic data collected by GPS vehicle terminals, and then the bus arrival time is predicted. Different kinds of errors are analyzed. The accuracy of this method is more than 80% within the range of two minutes error permission, which can generally meet the requirement of prediction for bus arrival time.【Key words 】link travel time; prediction of bus arrival; GPS vehicle terminals; model of public transport network road公交智能系统采用卫星定位技术(GPS)、无线通信技术(GPRS/CDMA)、地理信息系统技术(GIS)以及公交线网道路模型仿真等技术，所涉及的基础数据由动态数据和静态数据组成。
动态数据是指随着时间实时更新的数据，包括车辆位置数据、车辆实时速度数据、上下行、到离站、上下客流量、交叉口信号配时方案等；静态数据是指一定时间内不发生变化的数据。
通过这些数据的采集和处理，系统可以为公交企业提供智能化监控和调度，为市民提供公交到站预报服务，为政府规划决策及其线网优化提供支持，进而改善出行条件，提高服务水平，实现供需平衡。
对于公交到站时间预报，国内外的学者们提出了很多行程时间预测模型[1]，如历史趋势方法、非参数回归模型、时间序列方法、神经网络、卡尔曼滤波、交通模拟和动态交通分配模型等。
然而，在变化的交通状况和任意时段的条件下，这些方法和模型不能取得令人满意的预测结果。
究其原因是交通状况受偶然性因素影响较大，波动频繁，不能简单忽略动态随机状况而仅仅依靠平均值规律。
本文充分利用公交车辆GPS 动态消息，据此测算而得的车辆路段行程时间可以实时反应路段交通状况，进而给出较为准确的时间预报。
1 公交到站时间预报模型公交站点间路段行程时间的预测精度在公交智能系统中是一个非常关键的指标。
目前已建立的公交智能系统中，电子站牌上所显示的下班车预计到达时间大都采用车辆当前位置到达电子站牌的距离和平均行车速度之比简单计算而得，往往显示的预测结果和实际值相差很大。
经仔细分析，造成这种情况的主要原因是预测方法有待改进。
在某站点预测下一班车的到站时间，通常需要确定：(1)前面各个路段的行程时间；(2)各个交叉口的红绿灯排队等待时间；(3)通过各个交叉口的时间；(4)前面几站的进出站减速和加速时间；(5)前面几站的上下客停站时间。
通常的做法是：对上述各个时间段分别预测，总和就是预测时间[2~3]。
把下一班公交车的预测时间分成3部分：红绿灯排队等待时间(对应上述(2))、停站时间(对应上述(5))以及自由行驶时间和通过交叉口时间(对应上述(1)、(3)、(4))。
把(1)、(3)、(4)放在一起考虑是因为这三者具有行驶时间的共同规律，且可以依据车辆GPS 动态信息提高测算精度。
本文将i 路段的这一时间定义为路段行程时间Ti ；设车辆在s 站的停站时间为Ts ；设i 路段的下一交叉口j 的红绿灯排队等待时间为Tj ，则总的预测时间为T =Ti ∑++Ts ∑Tj ∑(1)停站时间Ts 可以通过车载终端发回的车辆到离站开关门信息实时获取。
(2)Ti 的预测。
实际情况表明：基于历史统计平均数据预测各个路段的当前通行时间，误差较大。
这是因为交通的现时性很强，所以当前的交通状况如何，占有的权重很高。
交通状况受偶然性因素影响较大，容易波动，不能仅仅依靠平均值规律，笔者充分利用了当前公交车的运行信息来推算路段交通状况，进而预测公交车到站时间。
作者简介：陈巳康(1953－)，男，高级工程师，主研方向：自动控制，智能交通信息工程；詹成初，高级工程师；陈良贵，硕士 收稿日期：2007-08-16 E-mail ：zhancc@建立公交线网模型。
分析历史数据，研究不同季节、节假日、不同时段(早高峰、晚高峰、非高峰时间)的速度分布规律，采用历史数据按照时间远近不同其权重不同的方式来计算速度。
并利用道路上多个公交车辆的当前运行数据来判断路段交通状况规律(如拥堵程度等)。
这一点正是采用GPS/GPRS 技术的优越之处，可以把所有公交车辆的实时运行信息集中于后台，进行统一分析和处理。
整个公交线网道路模型由节点和路段组成。
节点分为道路交叉点、道路终点、行政边界节点、公交站点等。
路段连接各个节点。
公交线路属性和相关的路段属性相关联。
公交线网道路模型建立起来后，分析当前各个路段上的所有公交车的运行速度(一定时间，比如当前3min 的速度平均值)，同时也考虑该路段该时段的公交车历史平均速度，加权平均得到该路段当前的平均运行速度，得出下一班公交车在该站点前面各个路段的通行时间，之后再对时间预报值进行平滑处理，由此可以得到较准确的时间预报。
计算公式如下(以下速度均已剔除公交停站时间)： 设i 路段该时段的公交车历史平均速度为V ，i 路段的各公交车当前3min 的速度平均值为Vi （i =1,2,…,n ），那么i 路段当前的平均运行速度为V =V *ρ1+()/n *ρ2 (1)1ni Vi =∑其中，n 为该路段的公交车辆数；ρ1, ρ2为加权因子。
可以试验并调整ρ1, ρ2的数值，使得时间预报误差最小。
设i 路段(含上一个交叉口的长度)长为Li ，则该路段行驶时间Ti=Li/V 。
(3)红绿灯排队等待时间Tj 预测。
车辆的排队等待时间不仅跟已有的等待队长以及下游交叉口的通行能力有关，还跟到达等待的队尾时的信号灯状态有关。
不同的灯色显示意味着驾驶员将花费不同的等待时间，即交叉口信号进展情况影响驾驶员的运行时间。
排队等待时间Tj 的预测，建立在自由行驶时间Ti 预测的基础上。
只有Ti 预测准确，Tj 才可能预测准确。
因此，本文需要判断该公交车辆在某一路口是否可能遇到红灯。
根据Ti 预测和交叉口信号配时方案，计算如下： 1)如果公交车在红灯亮之前到达，等待时间Tj =红灯时间(鉴于公交专用道的开通，公交车红绿灯等待时间，一般不超过一个红灯时间)；2)如果公交车在红灯亮的时候到达，等待时间Tj =红灯剩余时间；3)如果没有遇到红灯，则Tj =0，相当于排队等待时间已经考虑在自由行驶时间和通过交叉口时间Ti 的预测中。
2 精度和误差分析2.1 GPS 数据精度对于预报时间的影响虽然无法对GPS 的数据精度做一个准确的分析，但还是可以对GPS 的一般精度有一个大致的了解。
以公交专用道的中轴为标准线，可以统计一段时间内GPS 数据相对于标准线的径向误差，但切向误差难以估算。
如图1所示，统计数据表明：大约84.7%的GPS 数据，误差在20m 以内；大约96.9%的GPS 数据，径向误差在50m 以内。
通常GPS 的误差应该在15m 以内，这里计算得到的误差要大一些，是因为在城市环境中GPS 信号受到高楼反射的影响。
如果切向误差遵从类似的规律，考虑到公交车的平均运行速度约为18km/h ，也就是5m/s ，那么50s 误差对预测时间的影响大约为10s ，影响很小，基本上可以忽略这个误差。
当然，对于偏差很大的GPS 数据，则应该剔除。
2.2 预报精度实际测试结果精度和应用效果如图2所示。
图2 预报精度分析(1)预测时间准确率(误差1min 内)>70%。
畅通状况下 >75%(最高>80%)，拥挤路段时段>60%。
(2)预测时间准确率(误差2min 内)>80%。
畅通状况下 >90%(最高>95%)，拥挤路段时段>70%。
(3)预测时间准确率(误差3min 内)>92%。
畅通状况下 >95%(最高达99%)，拥挤路段时段>88%。
时间误差集中在2min ，按照目前乘客等待时间大约10min 计算，那么预测时间准确率大于80%，基本可满足公交时间预报要求。
3 结束语准确、稳定、可靠的公交到站预报信息发布是一项具有挑战性的工作，涉及多种信息采集处理技术和复杂的交通模型与算法。
大型城市公交线网复杂，车辆数大（如上海目前有940余条公交线路、近18 000辆公交车），数据通信和处理的并发量大，系统实现更为复杂。
