1.一种公交到站时间预测方法,其特征在于,包括:获取公交班次、对应公交班次在各个站点之间的运行距离以及对应的行走时间作为公交到站GPS数据集,将公交到站GPS数据集分为训练集和测试集;
通过海鸥算法对LSTM神经网络的模型参数进行调优,并通过公交到站GPS数据集对调优后的LSTM神经网络进行训练,获得能够预测公交到站时间的LSTM神经网络;
将实时公交到站GPS数据输入能够预测公交到站时间的LSTM神经网络中,获得公交到站时间;
其中,所述通过海鸥算法对LSTM神经网络的模型参数进行调优,具体包括:随机生成一组LSTM神经网络的初始模型参数;
将LSTM神经网络的初始模型参数作为海鸥算法中海鸥的位置参数;
将每一只海鸥的位置参数作为LSTM神经网络的模型参数输入LSTM神经网络中;
将训练集输入LSTM神经网络对LSTM神经网络进行训练,当LSTM神经网络输出的结果与预期值的均方差M1最小时,得到第一LSTM神经网络;将测试集输入第一LSTM神经网络中,求出第一LSTM神经网络的输出值与期望值的均方差M2;将M2作为海鸥算法中海鸥的适应度;
如果海鸥中最小的适应度大于阈值,调整海鸥的位置参数,直到海鸥中最小的适应度小于阈值;将海鸥中最小的适应度所对应的海鸥的位置参数作为LSTM神经网络的最优模型参数;
所述将LSTM神经网络的初始模型参数作为海鸥算法中海鸥的位置参数包括:将初始模型参数中,LSTM神经网络的学习率作为不与相邻海鸥冲突的新位置;
将初始模型参数中,LSTM神经网络的迭代次数作为最佳海鸥位置所在的方向;
将初始模型参数中,LSTM神经网络的第一隐藏层的节点数作为海鸥与最佳海鸥之间的距离;
将初始模型参数中,LSTM神经网络的第二隐藏层的节点数作为海鸥的最优位置;
所述调整海鸥的位置参数;包括:
根据海鸥的适应度P
计算其余海鸥的位置
其中,k表示当前迭代次数;f
计算海鸥新的攻击位置
r
其中,r是海鸥进行攻击行为时螺旋飞行的半径;θ为[0,2π]区间内的随机角度值;u和v是常数;e是自然对数的底数;a是常数,取值为2;r更新海鸥的最优位置和适应值;
对最优位置进行扰动,并确定新的海鸥的最优位置:其中,TD(z)表示自由度参数为z的t分布;ω为自适应参数;c=0.1,b=1;K
2.根据权利要求1所述的一种公交到站时间预测方法,其特征在于,所述公交到站GPS数据集还包括:公交运行方向、运行时间、天气的温度、天气的相对湿度、1小时降水量。
3.根据权利要求1所述的一种公交到站时间预测方法,其特征在于,所述公交班次在各个站点之间的运行距离为:其中,Δd为两个GPS数据点之间的距离;R为地球半径,取6371km;
4.根据权利要求2所述的一种公交到站时间预测方法,其特征在于,还包括:将输入变量中各站公交到站时间与天气影响因素通过时间同步进行对应,输入变量为:式中:x
5.根据权利要求1所述的一种公交到站时间预测方法,其特征在于,所述获取公交班次、对应公交班次在各个站点之间的运行距离以及对应的行走时间作为公交到站GPS数据集后,将公交到站GPS数据集分为两个不同的运行方向,将每个运行方向的运行时间分为早高峰、平峰及晚高峰。
6.根据权利要求5所述的一种公交到站时间预测方法,其特征在于,所述早高峰、平峰及晚高峰的影响因素包括:人数、车辆数、道路环境、公交所经交叉口数量、各站台形式、天气。