《厦门大学学报（自然科学版）》

为分析公交到站数据的混沌特征及可预测性,选用运行在非公交专用道上连续6日的单线公交到站实测数据,利用能够应用于工程实践的混沌判别手段和预测方法对数据进行分析.结果表明:公交单日到站数据均具有混沌特性,且在工作日和休息日均具有该特性,同时公交多日到站数据同样具有一定的混沌特性证实了混沌特征在公交到站数据中的存在.可见基于混沌理论的预测方法能够对公交到站延误和站点停靠时间的多日数据进行有效预测.

To analyze chaotic characteristics and the predictability of bus arriving data at a single station,we choose measured data of six consecutive days and use the chaotic discriminant analysis and forecasting method that can be applied in engineering practice.Results show that the single day's data of these vehicles exhibit chaotic characteristics.Furthermore,data on both weekdays and weekends as well as on multi-days all exhibit certain chaotic behaviors.The prediction method based on chaos theory can effectively predict the multi-day data of bus arriving delay and dwell times.These results confirm the existence of chaotic characteristics in the bus arrival data,and the chaos theory can be used to predict bus arrival data with better results.

引言
1 混沌理论
2 到站数据的混沌特性分析
3 到站混沌数据的可预测性
4 预测结果分析
5 结论

图1 数据波动曲线
Fig.1 Wave curves of data

表1 公交到站数据统计量描述<br/>Tab.1 Description of bus arrival data statisticss

表1 公交到站数据统计量描述
Tab.1 Description of bus arrival data statisticss

表2 各指标的最大Lyapunov指数<br/>Tab.2 The largest Lyapunov exponent of each indicator

表2 各指标的最大Lyapunov指数
Tab.2 The largest Lyapunov exponent of each indicator

图2 公交到站延误时间预测<br/>Fig.2 Bus arrival deviation prediction

图2 公交到站延误时间预测
Fig.2 Bus arrival deviation prediction

图3 公交站点停靠时间预测<br/>Fig.3 Bus dwell time prediction

图3 公交站点停靠时间预测
Fig.3 Bus dwell time prediction

表3 预测效果
Tab.3 Predicting Effect

[1] 楚彭子,杨京帅,李青霞,等.公交车发车频率的博弈分析[J].武汉理工大学学报(交通科学与工程版),2017,41(4):708-712.
[2] 金宁,隽志才.基于顾客满意度的城市公交服务水平[J].吉林大学学报(工学版),2008,38(1):63-66.
[3] 武荣桢,翟栋栋,郗恩崇,等.城市公共交通服务满意度评价模型[J].交通运输工程学报,2009,9(4):65-70.
[4] 于滨,杨忠振,曾庆成.基于SVM和Kalman滤波的公交车到站时间预测模型[J].中国公路学报,2008,21(2):89-93.
[5] 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.
[6] 董超俊,刘智勇,邱祖廉.基于混沌理论的交通量实时预测[J].信息与控制,2004,33(5):518-522.
[7] 胡华,高云峰,刘志钢.基于AVL数据的公交到站时间实时预测模型[J].重庆交通大学学报(自然科学版),2012,31(5):1014-1017,1041.
[8] 马书红,张勐豪.镇村公交下一种新型智能公交到站时间预测算法[J].计算机应用研究,2016,33(4):1044-1046,1061.
[9] 胡继华,李国源,程智锋.基于马尔科夫链的公交站间行程时间预测算法[J].交通信息与安全,2014,32(2):17-22.
[10] 李大铭,赵新,林永杰,等.基于模糊神经网络的短时公交到站时间预测[J].东北大学学报(自然科学版),2011,32(3):443-446.
[11] 杨敏,丁剑,王炜.基于ARIMA-SVM模型的快速公交停站时间组合预测方法[J].东南大学学报(自然科学版),2016,46(3):651-656.
[12] 王旭,陈旭梅,寇伟彬,等.公交站点停靠时间预测模型研究[J].交通信息与安全,2016,34(2):55-61.
[13] 王建,邓卫.基于贝叶斯网络组合模型的公交驻站时间预测[J].城市交通,2012,10(5):78-83,5.
[14] 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.
[15] MENG Q,QU X.Bus dwell time estimation at bus bays:a probabilistic approach[J].Transportation Research Part C:Emerging Technologies,2013,36:61-71.
[16] 杨永锋,仵敏娟,高喆,等.小数据量法计算最大Lyapunov指数的参数选择[J].振动、测试与诊断,2012,32(3):371-374.
[17] 王文霞,梁展东.一类非线性算子的不动点定理及其应用[J].数学学报,2005,48(4):789-800.
[18] 张海龙,闵富红,王恩荣.关于 Lyapunov 指数计算方法的比较[J].南京师范大学学报(工程技术版),2012,12(1):5-9.
[19] KIM H S,EYKHOLT R,SALAS J D.Nonlinear dynamics,delay times,and embedding windows[J].Physica D:Nonlinear Phenomena,1999,127(112):48-60.
[20] 陶诏灵,陈国华.基于C-C方法的Lyapunov指数计算[J].南京气象学院学报,2002,25(4):555-559.
[21] 龚祝平.混沌时间序列的平均周期计算方法[J].系统工程,2010,28(12):111-113.
[22] 朱子虎,翁振松.基于混沌理论的铁路客货运量预测研究[J].铁道学报,2011,33(6):1-7.
[23] 陈继光.基于Lyapunov指数的观测数据短期预测[J].水利学报,2001,32(9):64-67.
[24] 叶青,王全凤.基于BP神经网络的工程估价模型及其应用[J].厦门大学学报(自然科学版),2008,47(6):828-831.
[25] 张永杰.灰色系统理论在道路货运量、货运周转量预测中的应用[J].交通运输系统工程与信息,2003,3(1):75-79.

备注

引言

1 混沌理论

2 到站数据的混沌特性分析

3 到站混沌数据的可预测性

4 预测结果分析

5 结论

学报简介

备注