一种基于Gradient Boosting的公交车运行时长预测方法

doi:10.11959/j.issn.2096-0271.2019042

大数据 ›› 2019, Vol. 5 ›› Issue (5): 58-78.doi: 10.11959/j.issn.2096-0271.2019042

一种基于Gradient Boosting的公交车运行时长预测方法

赖永炫^1,²,杨旭³,曹琦⁴,曹辉彬^1,²,王田⁵,杨帆⁶

¹ 厦门大学信息学院，福建厦门 361005
² 厦门大学深圳研究院，广东深圳 518057
³ 长春公交（集团）有限责任公司，吉林长春 130000
⁴ 龙岩烟草工业有限责任公司，福建龙岩 364000；5.华侨大学计算机科学与技术学院，福建厦门 361021；6.厦门大学航空与航天学院，福建厦门 361005
⁵ 华侨大学计算机科学与技术学院，福建厦门 361021
⁶ 厦门大学航空与航天学院，福建厦门 361005

出版日期:2019-09-15 发布日期:2019-10-11
作者简介:赖永炫（1981-），男，博士，厦门大学副教授，主要研究方向为交通大数据分析、车载网络。|杨旭（1975-），男，长春公交（集团）有限责任公司助理工程师，主要研究方向为公交排班管理和公交系统信息化。|曹琦（1982-），男，龙岩烟草工业有限责任公司工程师，主要从事生产制造信息化与自动化及质量控制领域方面的研究与应用工作。|曹辉彬（1997-），男，厦门大学信息学院硕士生，主要研究方向为交通大数据分析、车载网络。|王田（1982-），男，博士，华侨大学计算机科学与技术学院教授，主要研究方向为智能感知网络、交通大数据分析、车载网络。|杨帆（1982-），男，博士，厦门大学航空与航天学院副教授，主要研究方向为数据挖掘、聚类研究。
基金资助:
国家自然科学基金资助项目(61672441);国家自然科学基金资助项目(61872154);深圳市基础研究计划基金资助项目(JCYJ20170818141325209);福建省自然科学基金资助项目(2018J01097)

A bus running length prediction method based on Gradient Boosting

Yongxuan LAI^1,²,Xu YANG³,Qi CAO⁴,Huibin CAO^1,²,Tian WANG⁵,Fan YANG⁶

¹ School of Information,Xiamen University,Xiamen 361005,China
² Shenzhen Research Institute,Xiamen University,Shenzhen 518057,China
³ Changchun Public Transport (Group) Co.,Ltd.,Changchun 130000,China
⁴ Longyan Tobacco Industry Co.,Ltd.,Longyan 364000,China;5.School of Computer Science and Technology,Huaqiqo University,Xiamen 361021,China;6.College of Aeronautics and Astronautics,Xiamen University,Xiamen 361005,China
⁵ School of Computer Science and Technology,Huaqiqo University,Xiamen 361021,China
⁶ College of Aeronautics and Astronautics,Xiamen University,Xiamen 361005,China

Online:2019-09-15 Published:2019-10-11
Supported by:
The National Natural Science Foundation of China(61672441);The National Natural Science Foundation of China(61872154);The Shenzhen Basic Research Proyram(JCYJ20170818141325209);The Natural Science Foundation of Fujian(2018J01097)

摘要/Abstract

摘要：

目前，我国公交公司主要依靠经验丰富的工作人员估计车辆回场时间，进而进行车辆调度，此方式缺乏辅助的预测方法，常常造成较大的误差与错误的调度决策。从公交公司的实际需求出发，提出了一种基于动态特征选择的预测方法R-GBDT。R-GBDT利用特征选择组件和模型调参组件为预测组件提供符合线路特征的特征组合与参数，由融合组件对其他组件的结果进行融合，形成一个用于预测最终时间间隔的框架。结果表明，相对于其他算法，所提方法能大大提高公交运行时长预测的准确度。

关键词: 公交调度, 到站预测, GBDT

Abstract:

At present,China’s public transport companies rely on experienced staff to estimate the return time of vehicles and then conduct vehicle dispatch.This method often results in large errors and wrang decisions due to the lack of auxiliary prediction methods.Based on the actual needs of bus companies,a prediction method R-GBDT based on dynamic feature selection was proposed.The R-GBDT utilizes feature selection components and model parameter adjustment components to provide predictive components with feature combinations and parameters that conform to the line characteristics,then the fusion component combines the results of other components to form a framework for predicting the final time interval.The experimental results from real bus to off-site data show that compared with other algorithms,the method can greatly improve the accuracy of bus transit time prediction.

Key words: bus dispatch, arrival prediction, GBDT

中图分类号:

TP399

赖永炫, 杨旭, 曹琦, 曹辉彬, 王田, 杨帆. 一种基于Gradient Boosting的公交车运行时长预测方法[J]. 大数据, 2019, 5(5): 58-78.

Yongxuan LAI, Xu YANG, Qi CAO, Huibin CAO, Tian WANG, Fan YANG. A bus running length prediction method based on Gradient Boosting[J]. Big Data Research, 2019, 5(5): 58-78.

图/表 36

表1

表2

表3

表4

图1

图2

图3

图4

表5

表6

图5

图6

图7

表7

图8

图9

图10

图11

图12

表8

图13

图14

图15

表9

图16

图17

图18

表10

图19

图20

图21

图22

图23

图24

表11

表12

参考文献 35

[1]	陆化普, 李瑞敏 . 城市智能交通系统的发展现状与趋势[J]. 工程研究-跨学科视野中的工程, 2014(1): 6-19.
	LU H P , LI R M . Developing trend of ITS and strategy suggestions[J]. Journal of Engineering Studies, 2014(1): 6-19.
[2]	LI Y G , FU K , WANG Z ,et al. Multi-task representation learning for travel time estimation[C]// The 24th ACM SIGKDD International Conference on Knowledge Discovery ＆ Data Mining,August 19-23,2018,London,UK. New York:ACM Press, 2018: 1695-1 704.
[3]	曹宏, 何凤娟 . 深化城市轨道交通智能化综合管理研究[J]. 城市轨道交通研究, 2014,17(1): 74-77.
	CAO H , HE F J . Development of smart integrated information management in urban mass transit[J]. Urban Mass Transit, 2014,17(1): 74-77.
[4]	CHIEN S , YANG Z . Optimal feeder bus routes on irregular street networks[J]. Journal of Advanced Transportation, 2010,34(2): 213-248.
[5]	WU J Q , SONG R , XU W T ,et al. Transit network optimization for feeder bus of BRT based on genetic algorithm[C]// 2013 4th International Conference on Digital Manufacturing ＆ Automation,June 29-30,2013,Qingdao,China.Piscataway:IEEE Press, 2013
[6]	NEWELL G F . Some issues relating to the optimal design of bus routes[J]. Transportation Science, 1979,13(1): 20-35.
[7]	GAO L , HU X , WANG W ,et al. An optimal bus departure plan under the condition of partially overlapping routes[C]// American Society of Civil Engineers 14th COTA International Conference of Transportation Professionals,July 4-7,2014,Changsha,China.[S.l.:s.n]. 2014: 1153-1163.
[8]	CEDER A . Methods for creating bus timetables[J]. Transportation Research, 1987,21(1): 59-83.
[9]	CEDER A , GOLANY B , TAL O . Creating bus timetables with maximal synchronization[J]. Transportation Research, 2001,35(10): 913-928.
[10]	CEDER A . Bus frequency determination using passenger count data[J]. Transportation Research, 1984,18(5-6): 439-453.
[11]	CHEN Q , LI C . An approach to bus-driver scheduling problem[C]// 2010 2nd WRI Global Congress on Intelligent Systems,December 16-17,2010,Wuhan,China.Piscataway:IEEE Press, 2010
[12]	KWAN R S K , WREN A , KWAN A S K . Hybrid genetic algorithms for scheduling bus and train drivers[C]// The 2000 Congress on Evolutionary Computation,July 16-19,2000,La Jolla,USA.Piscataway:IEEE Press, 2000.
[13]	KLIEWER N , MELLOULI T , SUHL L . A time–space network based exact optimization model for multi-depot bus scheduling[J]. European Journal of Operational Research, 2006,175(3): 1616-1 627.
[14]	BALL M , BODIN L , DIAL R . Matching based heuristic for scheduling mass transit crews and vehicles[J]. Transportation Science, 1983,17(1): 4-31.
[15]	YU H , XIAO R , DU Y ,et al. A busarrival time prediction model based on historical traffic patterns[C]// The 2013 International Conference on Computer Sciences and Applications,December 14-15,2013,Wuhan,China. Piscataway:IEEE Press, 2013.
[16]	YU B , YANG Z Z , ZENG Q C . Bus arrival time prediction model based on support vector machine and Kalman filter[J]. China Journal of Highway and Transport, 2008,21(2): 89-92.
[17]	LIN Y , YANG X , ZOU N ,et al. Real-time bus arrival time prediction:case study for Jinan,China[J]. Journal of Transportation Engineering, 2013,139(11): 1133-1140.
[18]	PADMANABAN R P S , DIVAKAR K , VANAJAKSHI L ,et al. Development of a real-time bus arrival prediction system for Indian traffic conditions[J]. IET Intelligent Transport Systems, 2010,4(3): 189-200.
[19]	BERREBI S J , WATKINS K E , LAVAL J A . A real-time bus dispatching policy to minimize passenger wait on a high frequency route[J]. Transportation Research Part B Methodological, 2015,81(Part 2): 377-389.
[20]	SHEU J B . A fuzzy clustering approach to real-time demand-responsive bus dispatching control[J]. Fuzzy Sets and Systems, 2005,150(3): 437-455.
[21]	王麟珠, 苏庆列, 郑日博 . 基于Elman动态神经网络的公交到站时间预测[J]. 机电技术, 2012,35(1): 135-137.
	WANG L Z , SU Q L , ZHENG R B . Bus arrival time prediction based on Elman dynamic neural network[J]. Mechanical and Electrical Technology, 2012,35(1): 135-137.
[22]	张强, 张艳艳 . 基于时间分段的公交车到站时间预测模型研究[J]. 数字技术与应用, 2014(11): 60-62.
	ZHANG Q , ZHANG Y Y . Study on prediction model of bus arrival time based on time segmentation[J]. Digital Technology and Application, 2014(11): 60-62.
[23]	季彦婕, 陆佳炜, 陈晓实 ,等. 基于粒子群小波神经网络的公交到站时间预测[J]. 交通运输系统工程与信息, 2016,16(3): 60-66.
	JI Y J , LU J W , CHEN X S ,et al. Prediction model of bus arrival time based on particle swarm optimization and wavelet neural network[J]. Journal of Transportation Systems Engineering and Information Technology, 2016,16(3): 60-66.
[24]	罗频捷, 温荷, 万里 . 基于遗传算法的模糊神经网络公交到站时间预测模型研究[J]. 计算机科学, 2016,43(S1): 87-89,108.
	LUO P J , WEN H , WAN L . Research on bus arrival time prediction model based on fuzzy neural network with genetic algorithm[J]. Computer Science, 2016,43(S1): 87-89,108.
[25]	杨奕, 张雯蕊, 张灿 . 基于遗传算法的BP神经网络在公交车到站时间预测中的应用[J]. 现代商业, 2017(16): 38-40.
	YANG Y , ZHANG W R , ZHANG C . Application of BP neural network based on genetic algorithms in bus arrival time prediction[J]. Modern Business, 2017(16): 38-40.
[26]	张昕, 姜佳佳, 刘进 . 基于SVM+GA的客运车辆到站时间预测[J]. 计算机与数字工程, 2017,45(6): 1062-1066,1085.
	ZHANG X , JIANG J J , LIU J . Coach bus arrival time prediction based on SVM and GA[J]. Computer and Digital Engineering, 2017,45(6): 1062-1066,1085.
[27]	谢芳, 顾军华, 张素琪 ,等. 基于MapReduce聚类和神经网络的公交车到站时间预测模型[J]. 计算机应用, 2017,37(S1): 118-122.
	XIE F , GU J H , ZHANG S Q ,et al. Predicting model of bus arrival time based on MapReduce clustering and neural network[J]. Journal of Computer Applications, 2017,37(S1): 118-122.
[28]	O’SULLIVAN A , PEREIRA F C , ZHAO J ,et al. Uncertainty in bus arrival time predictions:treating heteroscedasticity with a metamodel approach[J]. IEEE Transactions on Intelligent Transportation Systems, 2016,17(11): 1-11.
[29]	SINN M , YOON W J , CALABRESE F ,et al. Predicting arrival times of buses using real-time GPS measurements[C]// International IEEE Conference on Intelligent Transportation Systems,September 16-19,2012,Anchorage,USA.Piscataway:IEEE Press, 2012.
[30]	ABIDIN A F , KOLBERG M . Towards improved vehicle arrival time prediction in public transportation:integrating SUMO and Kalman filter models[C]// The 17th Uksim-amss International Conference on Modelling ＆ Simulation,March 25-27,2015,Cambridge,UK.Piscataway:IEEE Press, 2015.
[31]	JEONG R , RILETT L R . Bus arrival time prediction using artificial neural network model[C]// The 7th International IEEE Conference on Intelligent Transportation Systems,October 3-6,2004,Washington,USA.Piscataway:IEEE Press, 2004.
[32]	MAITI S , PAL A , PAL A ,et al. Historical data based real time prediction of vehicle arrival time[C]// The 17th IEEE International Conference on Intelligent Transportation Systems,October 8-11,2014,Qingdao,China.Piscataway:IEEE Press, 2014.
[33]	SCHAPIRE R E , SINGER Y . Improved boosting algorithms using confidencerated predictions[C]// The 11th Annual Conference on Computational Learning Theory,July 24-26,1998,Madison,USA. New York:ACM Press, 1998: 80-91.
[34]	QUINLAN J R . Induction on decision tree[J]. Machine Learning, 1986,1(1): 81-106.
[35]	JOACHIMS T , . Text categorization with support vector machines:learning with many relevant features[C]// The 10th European Conference on Machine Learning,April 21–23,1998,Chemnitz,Germany. Heidelberg:Springer, 1998: 137-142.

字段名	含义
carID	车辆ID
alarmSign	报警标志
carstate	状态
latitude	纬度
longtitude	经度
altitude	高程
speed	速度
direction	方向
time	时间
odometer	累积里程
routeID	线路ID
upanddown	上下行
siteorder	站点序号
inandout	进出站标志
upnum	上车人数
downnum	下车人数

字段名	含义
busline_id	线路ID
car_id	车辆ID
car_no	车牌号
dev_id	设备ID

字段名	含义
busline_id	线路ID
stime	发车时间
car_id	车辆ID
car_no	车牌号
driver_id	驾驶员ID
driver_name	驾驶员姓名
updown	上下行

字段名	含义
city_id	城市
date	日期
temperature	温度
humidity	湿度
visibility	能见度
weather	天气描述

类型	种类	特征名	维数
静态特征	线路特征	线路	1
		方向	1
		预定的行驶距离	1
		计划行驶的站数	1
	时间特征	星期几	1
		时段	1
		段内分组	1
		是否为节假日	1
		是否为工作日	1
	驾驶员特征	驾驶员编号	1
	周期运行特征	该时段下发车的车辆的各个站点的1周内平均运行时长、停留时长	2×站点数量
	近期运行特征	该时段下发车的车辆的各个站点的3天内平均运行时长、停留时长	2×站点数量
动态特征	路段特征	最新的各个站点的行驶时长	2×站点数量
		最新的各个站点的停留时长	2×站点数量

一种基于Gradient Boosting的公交车运行时长预测方法

A bus running length prediction method based on Gradient Boosting

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 36

参考文献 35

相关文章 15

Metrics

推荐阅读 0

字段名	含义
weatherid	天气
weekdayid	星期几
isworkday	是否是工作日
isholiday	是否是节假日
hourid	小时
groupid	段内分组
time_group	时间分组
week_staytime_6	第6站1周内同时段平均停留
week_staytime_7	第7站1周内同时段平均停留
week_staytime_8	第8站1周内同时段平均停留
week_staytime_13	第13站1周内同时段平均停留
week_staytime_19	第19站1周内同时段平均停留
week_staytime_22	第22站1周内同时段平均停留
thrday_staytime_15	第15站3天内同时段平均停留
thrday_staytime_22	第22站3天内同时段平均停留
current_every_staytime_11	第11站最新的停留时长
current_every_staytime_16	第16站最新的停留时长
sum_week_staytime	1周内平均总停留时长

方法	loss	learning_	rate n_estimators	subsample	alpha
1	huber	0.1	600	0.7	0.2
2	ls	0.4	550	0.5	0.4
3	lad	0.5	550	0.1	0.1
4	quantile	0.45	400	0.1	0.2

字段名	含义
predict_runtime	预测的总站间行驶时长
predict_staytime	预测的总站点停留时长
time_group	时段分组
current_every_staytime_7	最新的第7站站点停留时长
current_every_staytime_10	最新的第10站站点停留时长
thrday_runtime_17	3天内第7站的平均站间运行时长
week_staytime_4	1周内第4站的平均站点停留时长
week_staytime_11	1周内第11站的平均站点停留时长
week_staytime_14	1周内第14站的平均站点停留时长
thrday_staytime_1	3天内第1站的平均站点停留时长
thrday_staytime_18	3天内第18站的平均站点停留时长
sum_current_time	最新的总运行时长

方法	loss	learning_rate	n_estimators	subsample	alpha
1	huber	0.35	550	0.1	0.6
2	ls	0.35	600	0.1	0.4
3	lad	0.1	250	0.8	0.6
4	quantile	0.15	250	0.2	0.9

组件名	准确率	误差率
停留时长组件	98.45%	7.98%
行驶时长组件	86.17%	6.69%
融合组件	81.07%	5.55%

模型名	准确率	误差率
R-GBDT	81.16%	5.55%
AdaBoost	66.97%	7.32%
决策树	64.97%	8.49%
SVM	57.05%	9.69%
TTP	67.79%	8.26%
DS	79.07%	5.87%

[1]	叶雅珍, 朱扬勇. 数字化转型服务平台：面向新竞争格局的企业竞争力建设[J]. 大数据, 2023, 9(3): 3-14.
[2]	王元卓, 张琨, 陆源. 漫威电影中的智能穿戴[J]. 大数据, 2023, 9(3): 181-183.
[3]	朱扬勇, 谢波峰. 数据财政：数字经济发展过程中的公共利益实现[J]. 大数据, 2023, 9(2): 163-166.
[4]	王元卓, 李子健, 陆源. 漫威电影中的图灵测试[J]. 大数据, 2023, 9(2): 167-169.
[5]	梅宏, 杜小勇, 金海, 程学旗, 柴云鹏, 石宣化, 靳小龙, 王亚沙, 刘驰. 大数据技术前瞻[J]. 大数据, 2023, 9(1): 1-20.
[6]	贺亚运, 彭俊清, 王健宗, 肖京. 节奏舞者：基于关键动作转换图和有条件姿态插值网络的3D舞蹈生成方法研究[J]. 大数据, 2023, 9(1): 23-37.
[7]	彭一非, 袁贞, 张旭龙, 姜桂林, 刘逾江. 基于数字孪生技术的元宇宙空气污染物浓度推断模型[J]. 大数据, 2023, 9(1): 38-50.
[8]	王元卓, 仇韫琦, 陆源. 漫威电影中的智能问答[J]. 大数据, 2023, 9(1): 153-155.
[9]	王元卓, 张琨, 陆源. 漫威电影中的知识图谱[J]. 大数据, 2022, 8(6): 153-155.
[10]	邓钇敏, 司世景, 王健宗, 李泽远, 肖京. 去中心化金融的交易机制综述[J]. 大数据, 2022, 8(4): 67-84.
[11]	王元卓, 张琨, 陆源. 漫威电影中的虹膜识别[J]. 大数据, 2022, 8(4): 173-175.
[12]	王陈慧子, 蔡玮. 元宇宙数字经济：现状、特征与发展建议[J]. 大数据, 2022, 8(3): 140-150.
[13]	王元卓, 江旭晖, 陆源. 漫威电影中的深度学习[J]. 大数据, 2022, 8(3): 161-163.
[14]	黄新波. 十四运会信息化系统大数据统一平台的设计与应用[J]. 大数据, 2022, 8(2): 158-167.
[15]	王金予, 魏欣然, 石文磊, 张佳. 强化学习在资源优化领域的应用[J]. 大数据, 2021, 7(5): 131-149.

字段名	含义
weekdayid	星期几
time_group	时间分组
week_runtime_2	第2站1周内同时段平均站间行驶
week_runtime_6	第6站1周内同时段平均站间行驶
week_runtime_9	第9站1周内同时段平均站间行驶
week_runtime_20	第20站1周内同时段平均站间行驶
thrday_runtime_1	第1站3天内同时段平均站间行驶
thrday_runtime_2	第2站3天内同时段平均站间行驶
thrday_runtime_4	第4站3天内同时段平均站间行驶
thrday_runtime_17	第17站3天内同时段平均站间行驶
thrday_runtime_23	第23站3天内同时段平均站间行驶
current_every_runtime_8	第8站最新的行驶时长
current_every_runtime_21	第21站最新的行驶时长
sum_week_runtime	1周同时段平均行驶时长
sum_thrday_runtime	3天同时段平均行驶时长
sum_current_runtime	最新行驶时长