公交车的定位方式以及预测公交到站的数学模型

来源:用户上传      作者:

　　【摘要】通过固定型RFID技术和移动的GPS芯片进行定位，将数据传送至数据库进行存储和处理，在服务器相关软件上显示车辆的实时位置。并对于获取的数据拟建立模型，进一步实现公交到站时间的预测。
　　【关键词】RFID技术 GPS定位 状态空间模型
　　0引言
　　由于互联网的快速发展，大数据技术已在智能交通领域广泛应用，本论文通过固定型RFID技术和移动的GPS芯片进行公交位置定位，将海量大数据传送至数据库进行存储和处理，在服务器相关软件上显示车辆的实时位置，实现预测实时到站。
　　1数据采集方式
　　公交的地点定位就是要定位它当前所处的位置，同时在电子地图上显示出来，可以通过公交车中的GPS定位芯片实现。GPS定位是通过芯片与GPS全球定位卫星的通讯，经过相应计算得到当前位置的经纬度信息。公交车GPS技术采集的数据类型包括数据间隔和坐标数据，在GPS采集数据的时间间隔内，需要采集不同线路公交车在路段上的坐标数据。需要对原始GPS数据要预先进行处理，其中包括对采集到残缺数据的处理，对数据稳健性方面的处理。在定位信号较弱，干扰源较多时采集的数据可信度不高，会影响正常的定位。
　　所以我们增加了固定型RFID定位的方式，用于辅助定位。RFID由三部分组成：应答器（RFD電子标签），阅读器和应用层软件。公交车进站时，车载RFID阅读器模块通过射频技术与公交站台的RFID电子标签建立连接，读取RFID标签内的站牌信息，进行预处理后传送到数据库，进行数据存储和应用。通过固定型RFID技术和移动的GPS芯片进行定位，将数据传送至数据库进行存储和处理，在服务器相关软件上显示车辆的实时位置。
　　为了更好的服务市民，我们对于获取的数据拟建立模型，进一步实现公交到站时间的预测。前期在使用虚拟设备进行开发测试时，由于虚拟设备没有GPS模块，我们需要通过DDMS调试工具（提供端口传输服务，在当前连接的调试设备上可以模拟虚拟地理坐标位置数据）将模拟的地址信息发送给设备。真机测试不需要该步骤。对于我们获取的数据，我们通过建立数学模型对公交到站时间的预测。
　　2公交到站时间的预测模型的选取及简述
　　通过相关文献的综述研究，状态空间模型在动态变量的特性描述应用广泛，状态空间模型最初由卡尔曼在现代控制理论中提出，该模型建立了可观测量与系统内部状态的关系，从而可以通过估计各种不同的状态向量分析和观测的系统内部状态的变化趋势。空间状态模型常用于在时间变量的预测，所以本文将此模型应用于公交线路客流的短时预测中，构建公交客流短时预测的状态空间模型和递推关系式，在模型构建过程中选取卡尔曼滤波状态空间模型根据对公交线路和时间分析，预测公交到站时间的规律。利用状态空间形式表示动态系统主要有两个优点：
　　第一，状态空间模型将不可观测的变量（状态变量）并入可观测模型并与其一起得到估计结果;
　　第二，状态空间模型是利用强有效的递归算法一一卡尔曼滤波来估计的。卡尔曼滤波可以用来估计单变量和多变量的ARMA模型、MIMIc（多指标和多因果）模型、马尔可夫转换模型以及变参数模型。
　　状态空间模型表述
　　模型的状态方程定义如下：
　　若使上面的状态空间模型成立，还需满足下面两个假定：
　　（1）初始状态向量的均值为，协方差矩阵为，即
　　（2）在所有的时间区间上，扰动项ut和相互独立，而且他们和初始状态也不相关，即
　　3公交到站时间的预测状态空间模型的构建
　　用于单程路公交动态调度到站预测基本步骤如下：
　　第一步：通过历史公交客流数据的分析得到一个初始的载客量，以初始载客量为依据确定前两班公交车辆发车计划;
　　第二步：根据GPS和RFID技术定位分析公交的实时客流和交通状况，对观测向量及系统的状态向量进行更新，根据前面时段的数据分析结合状态空间模型预测公交到站时间;
　　第三步，对预测得到的到站时间与实际到站时间进行数据处理，重复进行第二步，不断进行迭代操作直到完成整个公交运行时段的车辆到站短时预测。
　　基于上述步骤，构建公交客流短时预测的状态空间模型和递推关系式：
　　4结语
　　用户通过我们的小助手可获得相关线路的精准实时信息，包括公交车的实时定位和提示公交车进站，通知乘客做好上车准备。帮助用户节约时间、合理规划出行。同时系统后台将各种数据进行统计分析，在降低运营成本的同时，更有效地提高了工作.效率和数据的准确性，进而达到科学管理的目的。
转载注明来源:https://www.xzbu.com/2/view-14839257.htm