基于时空序列的回场时间预测方法、系统、设备及介质与流程

本发明涉及回场时间预测，尤其是涉及一种基于时空序列的回场时间预测方法、系统、设备及介质。

背景技术：

1、公交车辆回场时间的预测是公交调度辅助决策系统的重要依据，可帮助调度员及时发现晚点车辆并做出合理的调度决策。然而,公交到站时间受交通拥堵、天气、站点停留和站间行驶时长不固定等因素的影响，是一个时空依赖环境下的预测问题，颇具挑战性。

2、目前，我国公交采取排班制发车,以达到公交公司和乘客之间的效益平衡。但由于道路交通、天气等因素复杂多变，导致车辆常常不能按照计划发车时间发班，进而会出现串车和大间隔现象。为应对各种原因导致车辆不能按原计划发班的情况，需要进行车辆的实时调度，现有的公交调度方式主要由手工完成即公交调度员通过监视面板观察所负责线路的当前车辆分布状况，调度员根据自身经验估计车辆回场时间进而进行下一班次发车时间的调整，现有调度方式仅依靠调度员的经验估计车辆到站时间，不仅工作量巨大，而且常由于错误预估导致调度策略无法被准确执行，仍无法缓解串车和大间隔现象的发生。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于时空序列的回场时间预测方法、系统、设备及介质，能够有效捕捉时间特征和空间特征，提高回场时间预测的准确率。

2、第一方面，本发明的实施例提供了一种基于时空序列的回场时间预测方法，包括：

3、获取公交车gps数据和站点数据；

4、将所述公交车gps数据通过预设的数据转换格式进行转换，得到公交车出行数据；

5、根据所述站点数据建模得到公交车行驶路径对应的有向无权图；

6、提取所述公交车出行数据中已记载的公交车地点信息和公交车时间序列信息，并根据所述公交车地点信息和所述公交车时间序列信息构建高维数组；

7、将所述高维数组转化为特征矩阵，并将所述特征矩阵和所述有向无权图输入预设的时空卷积模型，得到回场时间。

8、根据本发明实施例的方法，至少具有如下有益效果：

9、本方法首先通过将公交车gps数据通过预设的数据转换格式进行转换，保证获取格式统一的公交车出行数据，为后续进一步数据处理提供高质量的数据基础；其次根据站点数据建模得到公交车行驶路径对应的有向无权图，通过有向无权图能够进行场景优化，同时通过图的数据结构也有利于为后续进行特征信息的结合；然后根据公交车地点信息和公交车时间序列信息构建高维数组，将多维度的数据集中在数组中，方便数据的处理；再然后将高维数组转化为特征矩阵，防止高维序列格式带来计算复杂度过高的问题，最后将特征矩阵和有向无权图输入预设的时空卷积模型，捕捉特征矩阵和有向无权图中的时间特征和空间特征，拥有更大的视野，提高回场时间预测的准确率。

10、根据本发明的一些实施例，所述根据所述站点数据建模得到公交车行驶路径对应的有向无权图，包括如下步骤：

11、根据所述站点数据计算回场待经过的站点和站点之间的路段；

12、根据所有所述站点和所述路段构建所述有向无权图；其中，在所述有向无权图中通过邻接矩阵来表示所述路段的连通关系。

13、根据本发明的一些实施例，所述根据所述公交车地点信息和所述公交车时间序列信息构建高维数组，包括以下步骤：

14、根据所述公交车地点信息和所述公交车时间序列信息定义所述高维数组的类型修饰符和数组名；

15、遍历所有所述公交车地点信息和所述公交车时间序列信息，并根据所述类型修饰符和数组名填入得到所述高维数组。

16、根据本发明的一些实施例，所述将所述高维数组转化为特征矩阵，包括以下步骤：

17、将所述高维数组的下标进行线性索引，得到所述下标对应的映射结果；

18、将每个所述下标对应的映射结果进行矩阵构建，得到所述特征矩阵。

19、根据本发明的一些实施例，所述时空卷积模型通过如下步骤得到：

20、通过决策树为基函数构建提升树；其中，所述提升树采用前向分步算法；

21、初始化所述提升树和卷积模型，并通过所述提升树监督所述卷积模型的训练，直到得到预设序号的决策树对应的所述时空卷积模型。

22、根据本发明的一些实施例，所述通过所述提升树监督所述卷积模型的训练，直到得到预设序号的决策树对应的所述时空卷积模型，包括以下步骤：

23、将预设的训练数据集输入至所述提升树；所述训练数据集表示回场时间已标注的时空特征数据集；

24、根据所述提升树的结构顺序依次计算每个所述决策树的残差；

25、拟合所述残差得到新回归树，并将所述新回归树替换对应的所述决策树，直到所述预设序号的决策树被替换，所述卷积模型训练完成得到所述时空卷积模型。

26、根据本发明的一些实施例，所述将所述特征矩阵和所述有向无权图输入预设的时空卷积模型，得到回场时间，包括以下步骤：

27、将所述特征矩阵和所述有向无权图通过所述邻接矩阵进行自连接，得到具有空间特征的时间序列；

28、将所述具有空间特征的时间序列输入至所述时空卷积模型，得到预测的所述回场时间。

29、第二方面，本发明的实施例提供了一种基于时空序列的回场时间预测系统，包括：

30、数据获取单元，用于获取公交车gps数据和站点数据；

31、数据转换单元，用于将所述公交车通过预设的数据转换格式进行转换，得到公交车出行数据；

32、有向无权图构建单元，用于根据所述站点数据建模得到公交车行驶路径对应的有向无权图；

33、高维数组构建单元，用于提取所述公交车出行数据中已记载的公交车地点信息和公交车时间序列信息，并根据所述公交车地点信息和所述公交车时间序列信息构建高维数组；

34、时空卷积模型计算单元，用于将所述高维数组转化为特征矩阵，并将所述特征矩阵和所述有向无权图输入预设的时空卷积模型，得到回场时间。

35、第三方面，本发明的实施例提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如第一方面所述的基于时空序列的回场时间预测方法。

36、第四方面，本发明的实施例提供了一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的基于时空序列的回场时间预测方法。

37、需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与第一方面的基于时空序列的回场时间预测方法的有益效果相同，此处不再细述。

38、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

技术特征：

1.一种基于时空序列的回场时间预测方法，其特征在于，所述基于时空序列的回场时间预测方法包括：

2.根据权利要求1所述的基于时空序列的回场时间预测方法，其特征在于，所述根据所述站点数据建模得到公交车行驶路径对应的有向无权图，包括如下步骤：

3.根据权利要求1所述的基于时空序列的回场时间预测方法，其特征在于，所述根据所述公交车地点信息和所述公交车时间序列信息构建高维数组，包括以下步骤：

4.根据权利要求1所述的基于时空序列的回场时间预测方法，其特征在于，所述将所述高维数组转化为特征矩阵，包括以下步骤：

5.根据权利要求1所述的基于时空序列的回场时间预测方法，其特征在于，所述时空卷积模型通过如下步骤得到：

6.根据权利要求5所述的基于时空序列的回场时间预测方法，其特征在于，所述通过所述提升树监督所述卷积模型的训练，直到得到预设序号的决策树对应的所述时空卷积模型，包括以下步骤：

7.根据权利要求2所述的基于时空序列的回场时间预测方法，其特征在于，所述将所述特征矩阵和所述有向无权图输入预设的时空卷积模型，得到回场时间，包括以下步骤：

8.一种基于时空序列的回场时间预测系统，其特征在于，所述基于时空序列的回场时间预测系统包括：

9.一种电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于时空序列的回场时间预测方法。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于时空序列的回场时间预测方法。

技术总结本发明公开了一种基于时空序列的回场时间预测方法、系统、设备及介质，包括：获取公交车GPS数据和站点数据；将公交车GPS数据通过预设的数据转换格式进行转换，得到公交车出行数据；根据站点数据建模得到公交车行驶路径对应的有向无权图；提取公交车出行数据中已记载的公交车地点信息和公交车时间序列信息，并根据公交车地点信息和公交车时间序列信息构建高维数组；将高维数组转化为特征矩阵，并将特征矩阵和有向无权图输入预设的时空卷积模型，得到回场时间。本发明能够有效捕捉时间特征和空间特征，提高回场时间预测的准确率。技术研发人员：刘克锋,彭琪,陈伟龙,陈静,胡锦栋,宋扬受保护的技术使用者：湖南智慧畅行交通科技有限公司技术研发日：技术公布日：2024/6/5