技术摘要：
本发明涉及一种公交车到站时间的动态预测方法及系统。所述动态预测方法，包括：获取公交车的离散数据以及连续数据；利用嵌入层Embedding对所述离散数据进行特征提取，确定离散特征向量；利用深度神经网络DNN对所述连续数据进行特征提取，确定连续特征向量；对所述加权  全部
背景技术：
行程时间数据是衡量运输系统性能的重要因素。就时间和空间而言，公共交通工 具的旅行时间是动态的。然而，海量交通数据与其浅层特征之间的矛盾，以及全连接和丰富 特征之间的矛盾使得难以从具有丰富特征的数据集中获得代表性特征。由于潜在的交通状 态和交通事件属于隐藏模式，因此进行时间预测是智能交通系统(ITS)中一个具有挑战性 的问题，开发能够充分反映公共交通出行时间特征的深层结构尤为重要。
技术实现要素：
本发明的目的是提供一种公交车到站时间的动态预测方法及系统，以解决现有的 公交车到站的时间预测方法预测的到站时间精准度低的问题。 为实现上述目的，本发明提供了如下方案： 一种公交车到站时间的动态预测方法，所述动态预测方法应用于一种公交车到站 时间的动态预测系统，所述动态预测系统包括多源异构时空数据、特征提取框架以及行程 时间预测架构；所述多源异构时空数据包括离散数据以及连续数据获取模块；所述特征提 取框架包括Wide&Deep模块以及Attention模块；所述Wide&Deep模块包括Embedding模块以 及连续数据特征提取模块；所述Attention模块包括注意力特征加权模块；所述行程时间预 测架构包括特征融合模块； 所述动态预测方法包括： 获取公交车的离散数据以及连续数据；所述离散数据包括站点编号、一周内的任 一天以及一天内的任一小时；所述连续数据包括30分钟内公交车的平均停留时间、上周30 分钟内公交车平均停留时间、上周同一天30分钟内公共汽车平均停留时间、30分钟内公共 汽车平均行程时间、上周30分钟内的公交车平均行程时间、上周同一天30分钟内公交车平 均行程时间、出租车在5分钟内的平均速度、上周5分钟内出租车的平均速度、上周同日5分 钟内出租车平均速度、公交专用道上公交车的实时速度以及站点之间的距离除以公交车的 实时速度获得的行程时间； 利用嵌入层Embedding对所述离散数据进行特征提取，确定离散特征向量； 利用深度神经网络DNN对所述连续数据进行特征提取，确定连续特征向量； 基于wide&deep机制，将所述离散特征向量和所述连续特征向量进行拼接，形成新 的特征向量集； 基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权 后的特征向量； 对所述加权后的特征向量进行融合处理，确定融合后的特征向量； 5 CN 111554118 A 说　明　书 2/9 页 根据所述融合后的特征向量建立公交车到站时间动态预测模型； 根据所述公交车到站时间动态预测模型预测公交车的到站时间。 可选的，所述基于wide&deep机制，将所述离散特征向量和所述连续特征向量进行 拼接，形成新的特征向量集，具体包括： 利用公式 将所述离散特征向量和所述连 续特征向量进行拼接，形成新的特征向量集；其中，featuret为新的特征向量集；featured为 离散特征向量；featurec为连续特征向量。 可选的，所述基于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处 理，确定加权后的特征向量，具体包括： 利用 利用RNN隐含层对所述新的特征向 量集进行加权处理，确定加权后的特征向量；其中，attn_featuret为加权后的特征向量；σ 为激活函数；b为RNN中的偏置；WT为循环神经网络RNN学习参数；ht为循环神经网络RNN中t时 刻的隐层状态；ft为t时刻融合后的特征向量featuret。 可选的，所述根据所述融合后的特征向量建立公交车到站时间动态预测模型，具 体包括： 利用 建立公交车到站时间 动态预测模型；其中， 为公交车到站时间动态预测模型；Wm为深度神经网络DNN学 习参数；outputt为t时刻RNN输出的特征向量；bm为DNN中的偏置。 可选的，所述根据所述公交车到站时间动态预测模型预测公交车的到站时间之 后，还包括： 利用损失函数优化所述公交车到站时间动态预测模型。 一种公交车到站时间的动态预测系统，包括：多源异构时空数据、特征提取框架以 及行程时间预测架构； 所述多源异构时空数据包括离散数据以及连续数据获取模块；所述离散数据以及 连续数据获取模块用于获取公交车的离散数据以及连续数据；所述离散数据包括站点编 号、一周内的任一天以及一天内的任一小时；所述连续数据包括30分钟内公交车的平均停 留时间、上周30分钟内公交车平均停留时间、上周同一天30分钟内公共汽车平均停留时间、 30分钟内公共汽车平均行程时间、上周30分钟内的公交车平均行程时间、上周同一天30分 钟内公交车平均行程时间、出租车在5分钟内的平均速度、上周5分钟内出租车的平均速度、 上周同日5分钟内出租车平均速度、公交专用道上公交车的实时速度以及站点之间的距离 除以公交车的实时速度获得的行程时间； 所述特征提取框架包括Wide&Deep模块以及Attention模块；所述Wide&Deep模块 包括Embedding模块以及连续数据特征提取模块；所述Embedding模块用于利用嵌入层 Embedding对所述离散数据进行特征提取，确定离散特征向量；所述连续数据特征提取模块 用于利用深度神经网络DNN对所述连续数据进行特征提取，确定连续特征向量； 特征拼接模块，用于基于wide&deep机制，将所述离散特征向量和所述连续特征向 量进行拼接，形成新的特征向量集； 所述Attention模块包括注意力特征加权模块，所述注意力特征加权模块，用于基 6 CN 111554118 A 说　明　书 3/9 页 于注意力机制，利用RNN隐含层对所述新的特征向量集进行加权处理，确定加权后的特征向 量； 所述行程时间预测架构包括特征融合模块，所述特征融合模块用于对所述加权后 的特征向量进行融合处理，确定融合后的特征向量； 公交车到站时间动态预测模型建立模块，用于根据所述融合后的特征向量建立公 交车到站时间动态预测模型； 预测模块，用于根据所述公交车到站时间动态预测模型预测公交车的到站时间。 可选的，所述特征拼接模块具体包括： 特征拼接单元，用于利用公式 将所述离散 特征向量和所述连续特征向量进行拼接，形成新的特征向量集；其中，featuret为新的特征 向量集；featured为离散特征向量；featurec为连续特征向量。 可选的，所述注意力特征加权模块具体包括： 特征加权单元，用于利用 利用RNN隐含层 对所述新的特征向量集进行加权处理，确定加权后的特征向量；其中，attn_featuret为加 权后的特征向量；σ为激活函数；b为RNN中的偏置；WT为循环神经网络RNN学习参数；ht为循环 神经网络RNN中t时刻的隐层状态；ft为t时刻融合后的特征向量featuret。 可选的，所述公交车到站时间动态预测模型建立模块具体包括： 公交车到站时间动态预测模型建立单元， 用于利用 建立公交车到站 时间动态预测模型；其中， 为公交车到站时间动态预测模型；Wm为深度神经网络 DNN学习参数；outputt为t时刻RNN输出的特征向量；bm为DNN中的偏置。 可选的，还包括： 优化模块，用于利用损失函数优化所述公交车到站时间动态预测模型。 根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种 公交车到站时间的动态预测方法及系统，通过利用多个连续数据以及离散数据构建公交车 到站时间动态预测模型，其中，将公交车的实时速度信息添加到公交车到站时间动态预测 模型中，不完全依赖于历史到站时间，利用公交车到站时间动态预测模型，根据公交车的实 时信息对公交车到站时间进行实时调整，从而提高了公交车到站时间的预测准确率，便于 公交管理中的公交调度和候车人员合理安排候车时间。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所 需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施 例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图 获得其他的附图。 图1为本发明所提供的公交车到站时间的动态预测方法流程图； 图2为本发明所提供的公交车到站时间动态预测模型构建框图； 图3为本发明所提供的注意力特征加权模块示意图； 7 CN 111554118 A 说　明　书 4/9 页 图4为本发明所提供的公交车到站时间的动态预测系统结构图； 图5为本发明所提供的具有公交停车时间，行驶时间，公交车速度和出租车速度的 公交车行驶时间预测的示意图； 图6为本发明所提供的Embedding模块示意图； 图7为本发明所提供的Attention模块示意图。