1.采用OBD数据融合的公交车到达时间预测方法,包括如下步骤:步骤1.获取OBD数据;
通过车载OBD采取t时刻车辆n行驶数据:On(tn,vn,an,Gn,pn,nn),式中的tn,vn,an,Gn,pn,nn分别表示车辆的时刻、速度、加速度、位置、发动机工况、启停次数;
步骤2.获取视频卡口数据;
通过上下游视频卡口抓拍数据得到当前路段车流量,即同时被上下游卡口拍摄且行程时间在有效范围内的车辆数:N(tABmin≤tB-tA≤tABmax) (1)tB-tA为被上下游卡口拍到的时间差,tABmin为以路段限速通过的时间,tABmax为以20%路段限速通过的时间;
步骤3.数据融合处理;
利用OBD采集的数据、视频卡口数据结合实际道路信息,通过时间序列和空间序列的匹配,得到同一时间序列、采样频率的融合数据;
步骤4.构建预测模型(DS-GPR);
模型中,输入数据为车辆历史行驶状态信息,输出为之后某一点的到达时间,具体描述如下:输入数据:最新20个动态数据,包括路径、交叉口位置、公交站位置、车流量、发车时段、发车日期、车辆经纬度、速度、加速度、方向角;
输出数据:之后某一点的到达时间;
算法目标:得到实时更新的、可靠的到达时间信息;
样本点y的先验分布如式(2)所示;
X为输入训练集;
进一步可得到样本值y与预测值 的分布为:其中K(X,X)为N阶正定协方差矩阵,如式(7)所示;
为测试集 与训练集X的协方差矩阵,如式(5)所示;
为测试集自身协方差矩阵,In为N阶单位矩阵;
由此得到到达时间 的后验分布为:
为测试点对应的到达时间的预测分布均值,如式(7)所示;
为对应的到达时间预测分布方差,如式(8)所示;
将样本Γ={τ1,τ2,…,τi}作为认知框架,其每一个样本数据视为认知框架上的一个证据,根据预测分布取得预测值集合为 令数据源可信度为1,预测值信任度向量为M={m1,m2,…mi};
假设各样本值提供错误预测的概率符合均匀分布,如式(9)所示;
并且认为各样本对预测值的信任度相互独立,用后验概率最大值作为标准值,得到预测值成立的后验概率为:由于各样本点独立提供预测成立后验概率,即则基于式(12)可以建立该预测值在认知框架Γ中的基本信任分配函数:由式可知mi(Γ)∈[0,1], 且 满足D-S信任分配函数的特征;
预测分布中全局信任分配函数最优值点表示认知框架中所有数据对其值支持度最大,即认为该点预测值最接近真实值;输出该点的取值,即为预测的公交车到达时间。