主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第5期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
赖永炫,张璐,杨帆,卢卫,王田.基于时空相关属性模型的公交到站时间预测算法.软件学报,2020,31(3):648-662
基于时空相关属性模型的公交到站时间预测算法
Bus Arrival Time Prediction Algorithm Based on Spatio-temporal Correlation Attribute Model
投稿时间:2019-07-17  修订日期:2019-09-10
DOI:10.13328/j.cnki.jos.005901
中文关键词:  到站预测  梯度提升树  卷积长短期记忆网络
英文关键词:arrival forecast  gradient boosting tree  ConvLSTM
基金项目:国家自然科学基金(61672441,61872154);深圳市基础研究计划(JCYJ20170818141325209);福建省自然科学基金(2018J01097)
作者单位E-mail
赖永炫 厦门大学 信息科学与技术学院 软件工程系, 福建 厦门 361005
厦门大学 深圳研究院, 广东 深圳 518057 
laiyx@xmu.edu.cn 
张璐 厦门大学 信息科学与技术学院 软件工程系, 福建 厦门 361005
厦门大学 深圳研究院, 广东 深圳 518057 
 
杨帆 厦门大学 深圳研究院, 广东 深圳 518057
厦门大学 航空航天学院 自动化系, 福建 厦门 361005 
 
卢卫 中国人民大学 信息学院 计算机系, 北京 100872  
王田 华侨大学 计算机科学与技术学院, 福建 厦门 361021  
摘要点击次数: 538
全文下载次数: 1205
中文摘要:
      公交车辆到站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.提出一种基于深度神经网络的公交到站时间预测算法STPM,算法采用时空组件、属性组件和融合组件预测公交车辆从起点站到终点站的总时长.其中,利用时空组件学习事物的时间依赖性与空间相关性.利用属性组件学习事物外部因素的影响.利用融合组件融合时空组件与属性组件的输出,预测最终结果.实验结果表明,STPM能够很好地结合卷积神经网络与循环神经网络模型的优势,学习关键的时间特征与空间特征,在公交到站时间预测的误差百分比和准确率上的表现均优于已有的预测方法.
英文摘要:
      Bus arrival time prediction is an important basis for the decision-making assistant system of bus dispatching. It helps dispatchers to find late vehicles in time and make reasonable dispatching decisions. However, bus arrival time is influenced by traffic congestion, weather, and variable time when stopping at stations or travelling duration between stations. It is a spatio-temporal dependence problem, which is quite challenging. This study proposes a new algorithm called STPM for bus arrival time prediction based on deep neural network. The algorithm uses space-time components, attribute components and fusion components to predict the total bus arrival time from the starting point to the terminal. In this algorithm, time-dependence and space-time components are used to learn the internal spatio-temporal dependence. It uses attribute components to learn the influence of external factors, uses fusion components to fuse the output of temporal and spatial components, as well as attribute components, to predict the final results. Experimental results show that STPM can combine the advantages of convolutional neural network and recurrent neural network model to learn the key temporal and spatial features. The proposed algorithm outperforms existing methods in terms of the error percentage and accuracy of bus arrival time prediction.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利