CN102737504B - 一种基于驾驶特性的公交车到站时间实时估计方法 - Google Patents

Abstract

本发明公开了一种基于驾驶特性的公交车到站时间实时估计方法，包括以下步骤：首先对驾驶特性分析得到驾驶特性修正因子，其次利用车辆平均速度、平均行程时间和修正因子得到行程时间估计值；然后估计公交站点延误时间和信号灯延误时间；最后得到公交车到站估计时间。本发明将公交车在路网行驶时间分为路段行程时间和延误时间，对路段行程时间的准确估计和对公交车停站时间、信号灯延误时间的合理计算，是公交浮动车到达时间估计的决定性因素，两部分时间合在一起即是公交浮动车从当前位置到目标位置的到达时间。本方法针对路段数据量的不同分别采用不同算法计算，提高了路段平均行程时间的预测精度和公交车到站时间的预测精度。

Description

一种基于驾驶特性的公交车到站时间实时估计方法

技术领域

本发明涉及智能交通系统技术领域，特别涉及一种基于驾驶特性的公交车到站时间实时估计方法。

背景技术

在智能交通系统研究中，公交车到站时间的估计与交通流量、路段的区间平均速度、通行时段、道路路况及离站距离等因素相关。基于可用于公交车到站时间估计的公交车数据，该数据的实时信息包含：车辆瞬时速度（表征车辆当前时刻的速度）、行驶里程（表征车辆从安装GPS装置后行驶的总里程）、站间里程（表征车辆在一次运营过程中从起点站到当前GPS定位点的行驶里程）、行车方向（表征车辆发车方向，例如：起点站到终点站的行车方向定为“1”，终点站到起点站的行车方向定为“0”）、车辆状态（表征车辆的进站情况、出站情况、到站情况以及站点类型等）、经纬度位置、当前时间（表征当前GPS定位点的年月日、时分秒等信息）以及车辆限速值等，能较好的进行公交车到站时间的估计。

以往的公交车到站时间估计方法有静态预测和动态预测两种模式。静态的方法很难适应复杂多变的道路交通状态。而在动态方法中，一方面，车辆的瞬时速度受到道路环境影响而表现出较大的随意性和突变性，波动较大、较频繁的数据对预测有较大影响，将导致预测的不可靠性；另一方面，公交车行驶在固定路线上，道路固有条件比较稳定，而一天中道路状态变化会呈现一定规律性，如：早高峰和晚高峰，并且随着天气也会有一定的变化，这种规律会影响到驾驶员的驾驶特性，使其驾驶特性具有一定规律性，而针对不同驾驶员，这种规律也不尽相同，因此为提高估计的精度，这种规律也需要考虑。

同时，由于道路环境和车流的影响，公交车在行驶中存在着延误时间，延误时间主要包括两部分，一是公交车的到站停留时间，特别是高峰时段和非高峰时段存在着显著差异，因此需分别考虑；二是信号灯延误时间。

因此急需一种在不同数据样本量基础上的计算公交车到达时间的方法。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种在不同数据样本量基础上的计算公交车到达时间的方法。

本发明的实现过程如下：

本发明提供的基于驾驶特性的公交车到站时间实时估计方法，采用以下公式来计算公交车到站时间：

其中：T_ntk为t时刻公交车辆k从当前位置到达车站n的估计时间；T_t为t时刻公交车辆从当前位置到下游目标站点的平均行程时间；

为车辆x的停站延误时间；D_p为车辆在信号灯处停车延误时间。

进一步，所述t时刻公交车辆从当前位置到下游目标站点的平均行程时间T_t包括白班车的平均行程时间估计；

所述白班车的平均行程时间估计通过以下公式来计算：

$\stackrel{\‾}{T_{\mathrm{travel}}^b}={\mathrm{\α}}_{(j,x)}^k\frac{l}{\stackrel{\‾}{V_{(j,x)}}}+\underset{i=j+1}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{\α}}_{(j,x)}^k{L}_i}{\stackrel{\‾}{V_{(i,x)}}};$

其中，

为修正平均行程时间，为车辆与最近站点间的路段j的区间平均速度；

为路段i的区间平均速度；j为车辆当前所在路段；L_i为路段i的长度；n为目标车站前面一个路段；

为情况k下，对路段i上车辆x的驾驶特性修正因子。

所述路段的区间平均速度

是通过以下步骤来计算：

首先以站为单位划分路段，获取GPS数据里的站点信息和行车方向信息，然后获取在该时间段内该路段内与平均行程时间估计的方向相同的所有浮动车数据，最后通过浮动车数据求取该路段的区间平均速度

进一步，所述t时刻公交车辆从当前位置到下游目标站点的平均行程时间T_t还包括夜班车的平均行程时间估计；

所述夜班车的平均行程时间估计包括短距离目标站平均行程时间估计和长距离目标站平均行程时间估计；

所述短距离目标站平均行程时间估计通过以下公式来计算：

$\stackrel{\‾}{T_{\mathrm{travel}}^n}=\frac{L_d}{\stackrel{\‾}{V}};$

其中，为该夜班车到下游目标站点的平均行程时间，L_d表示利用GPS数据里的车辆里程信息来确定的车辆与目标站点间的距离，

表示该时间段内的平均速度；

所述长距离目标站平均行程时间估计通过以下公式来计算：

$\stackrel{\‾}{T_{\mathrm{travel}}^n}=\frac{1}{\stackrel{\‾}{V}}+\underset{i=j}{\overset{n}{\mathrm{\Σ}}}{t}_{(i,r)}^k;$

其中，n为目标站点的前一个路段；j为车辆将要到达的下一个路段；

为在情况k下，车辆经过路段i所需的平均站间行驶时间，l为车辆与最近站点间的距离。

所述平均速度

通过以下公式来计算：

$\stackrel{\‾}{V}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{v}_i;$

其中，M为采集到的该车辆的GPS有效数据个数，v_i为GPS数据中每个车辆对应的速度。

进一步，所述车辆x的停站延误时间

通过以下公式来计算：

$\stackrel{\‾}{D_x}=D_b+\underset{i=j}{\overset{n}{\mathrm{\Σ}}}{t}_{(i,s)}^k;$

其中，n为目标站点的前一个站；j为离车辆当前位置最近的下游车站；

为在情况k下，车辆在车站i的平均停留时间；

所述每个车站在不同时段的平均停站时间

通过以下公式来计算：

D_b＝αT₀+βT₁+γT₂；

其中：α，β，γ为时间修正系数；T₀为减速靠站驶入时间；T₁为停站上下客时间；T₂为加速离站驶出时间。

进一步，所述车辆在信号灯处停车延误时间D_p通过以下步骤来计算：

S51：利用GPS数据实时获取的公交车辆定位位置及瞬时速度；

S52：确定公交车辆是否已经处于信号灯区域；

S53：根据车辆的行驶状态，通过以下公式计算车辆在当前红绿灯位置的停留时间：

S54：当车辆遇红灯时，从当前位置到估计车站间所有信号灯的停车延误时间之和为 $D_p=\underset{p=1}{\overset{q}{\mathrm{\Σ}}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}P\left(x\right)T_{\mathrm{px}};$

S55：当车辆遇绿灯时，从当前位置的下一个信号灯开始到估计车站间所有信号灯的停车延误时间之和为 $D_p=\underset{p=2}{\overset{q}{\mathrm{\Σ}}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}P\left(x\right)T_{\mathrm{px}};$

S56：当车辆不在信号灯区域时，从当前位置到估计车站间所有信号灯的停车延误时间之和为 $D_p=\underset{p=1}{\overset{q}{\mathrm{\Σ}}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}P\left(x\right)T_{\mathrm{px}};$

其中，P(x)表示时间间隔长度为t的时间段内有x辆车到达信号灯区域的概率分布，T_px为信号灯p处的车辆停车随机延误时间，M为在信号灯p处一个周期内的车辆到达数。

进一步，所述驾驶特性修正因子

通过以下步骤获得：

S61：获取GPS数据中的车辆站点信息和进出站信息；

S62：计算站点的站间平均行驶时间；

S63：根据车辆所在聚类中心与平均站间行驶时间的比值，得出车辆的驾驶特性修正因子。

本发明的优点在于：本发明采用将公交车在路网行驶时间主要分为两部分：路段行程时间和延误时间，对当前时刻当前位置公交车到下游站点的路段平均行程时间的高精度估计和对公交车停站时间和信号灯延误时间的合理计算，两部分时间合在一起即是公交浮动车从当前位置到目标位置的到达时间，针对不同数据量的路段分别采用瞬时速度代替法、瞬时速度复合积分法、复合路段权重法等不同算法计算提高路段平均行程时间的预测精度，提高了公交车到站时间的预测精度。对当前时刻当前位置公交浮动车到下游站点的路段平均行程时间的高精度估计和对公交车停站时间和信号灯延误时间的合理计算，是决定公交浮动车到达时间估计的决定性因素。

公交浮动车的路段平均行程时间特性分析中主要考虑三个方面：①公交浮动车当前时段的路段行程时间必然与当前通行路段有关，公交浮动车站间行程时间随着当前路段交通通行状况的改变而不同，在具有不同地理特征的路段具有不同的行驶规律；②在深夜，夜班车的所面临的交通通行状况和白天有显著差异，深夜的交通通行状况比白天简单；③公交浮动车的路段行程时间也会和当前驾驶员自身的驾驶特性相联系，在同一时段，相同地理特征的路段，不同的驾驶员会有着不同的驾驶特性。

公交浮动车的延误时间特性分析中主要考虑两个方面：①公交浮动车路线中有着一定数量的红绿灯，在红绿灯区域的延误是具有一定的随机性的；②公交浮动车路线中有着一定数量的公交车站，车辆在公交车站的停留时间在不同天气条件和不同时段，特别是高峰时段和非高峰时段存在着显著差异，因此需分别考虑。

本发明的其它优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其它优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明实施例提供的公交车到站时间估计的方法图。

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

图1为本发明实施例提供的公交车到站时间估计的方法图，如图所示：本发明提供的基于驾驶特性的公交车到站时间实时估计方法，采用以下公式来计算公交车到站时间：

其中：T_ntk为t时刻公交车辆k从当前位置到达车站n的估计时间；T_t为t时刻公交车辆从当前位置到下游目标站点的平均行程时间；

为车辆x的停站延误时间；D_p为车辆在信号灯处停车延误时间。

所述t时刻公交车辆从当前位置到下游目标站点的平均行程时间T_t包括白班车的平均行程时间估计；

所述白班车的平均行程时间估计通过以下公式来计算：

$\stackrel{\‾}{T_{\mathrm{travel}}^b}={\mathrm{\α}}_{(j,x)}^k\frac{l}{\stackrel{\‾}{V_{(j,x)}}}+\underset{i=j+1}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{\α}}_{(j,x)}^k{L}_i}{\stackrel{\‾}{V_{(i,x)}}};$

其中，

为修正平均行程时间，

为车辆与最近站点间的路段j的区间平均速度；

为路段i的区间平均速度；j为车辆当前所在路段；L_i为路段i的长度；n为目标车站前面一个路段；

为情况k下，对路段i上车辆x的驾驶特性修正因子。

所述路段的区间平均速度是通过以下步骤来计算：

首先以站为单位划分路段，获取GPS数据里的站点信息和行车方向信息，然后获取在该时间段内该路段内与平均行程时间估计的方向相同的所有浮动车数据，最后通过浮动车数据求取该路段的区间平均速度

所述t时刻公交车辆从当前位置到下游目标站点的平均行程时间T_t还包括夜班车的平均行程时间估计；

所述夜班车的平均行程时间估计包括短距离目标站平均行程时间估计和长距离目标站平均行程时间估计；

所述短距离目标站平均行程时间估计通过以下公式来计算：

$\stackrel{\‾}{T_{\mathrm{travel}}^n}=\frac{L_d}{\stackrel{\‾}{V}};$

其中，

为该夜班车到下游目标站点的平均行程时间，L_d表示利用GPS数据里的车辆里程信息来确定的车辆与目标站点间的距离，

表示该时间段内的平均速度；

所述长距离目标站平均行程时间估计通过以下公式来计算：

$\stackrel{\‾}{T_{\mathrm{travel}}^n}=\frac{1}{\stackrel{\‾}{V}}+\underset{i=j}{\overset{n}{\mathrm{\Σ}}}{t}_{(i,r)}^k;$

其中，n为目标站点的前一个路段；j为车辆将要到达的下一个路段；

为在情况k下，车辆经过路段i所需的平均站间行驶时间，l为车辆与最近站点间的距离。

所述平均速度

通过以下公式来计算：

$\stackrel{\‾}{V}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{v}_i;$

其中，M为采集到的该车辆的GPS有效数据个数，v_i为GPS数据中每个车辆对应的速度。

所述车辆x的停站延误时间

通过以下公式来计算：

$\stackrel{\‾}{D_x}=D_b+\underset{i=j}{\overset{n}{\mathrm{\Σ}}}{t}_{(i,s)}^k;$

其中，n为目标站点的前一个站；j为离车辆当前位置最近的下游车站；

为在情况k下，车辆在车站i的平均停留时间；

所述车辆在当前车站b的车站区域停站延误时间D_b通过以下公式来计算：

D_b＝αT₀+βT₁+γT₂；

其中：α，β，γ为时间修正系数；T₀为减速靠站驶入时间；T₁为停站上下客时间；T₂为加速离站驶出时间。

车辆进出站时间，即T₀和T₂可用经验值代替。则

其中，

为在情况k下，车辆在车站b内停留的平均时间。

当车辆减速进站时，此时α∈(0,1)（表示α取0～1之间的随机值），β＝γ＝1；

当车辆在车站区域停留时，此时α＝0，β∈(0,1)（表示β取0～1之间的随机值），γ＝1；

当车辆加速离站时，此时α＝0，β＝0，γ∈(0,1)（表示γ取0～1之间的随机值）；

当车辆不在车站区域时，此时α＝β＝γ＝0。

所述每个车站在不同时段的平均停站时间

是根据新终端GPS数据中车辆的进出站信息，然后利用这些大量的历史数据，统计车辆的进出站数据，得到其时间信息，用同一站点的出站时间减去进站时间即得到该车在该站点的停站时间。然后分别得到晴天高峰时段、晴天非高峰时段、雨天高峰时段和雨天非高峰时段这4种情况下，各个站点的平均停站时间

（其中k表示上述4种情况，i表示车站号）。其分析方法与车辆站间平均行驶时间的分析方法相同，因此不再赘述。

所述车辆在信号灯处停车延误时间D_p通过以下步骤来计算：

假设一个信号周期内红灯时间为T_h，T_h可由实际调研得到。T_px定义为信号灯p处的车辆停车随机延误时间，可知T_px是一随机数且T_px∈(0,T_h)。

假设路段中车辆的到达服从泊松分布，故有：

$P\left(x\right)=\frac{{\left(\mathrm{\λt}\right)}^x{e}^{-\mathrm{\λt}}}{x!}=\frac{d^x{e}^{-d}}{x!},t>0,x=0,\mathrm{1,2},...M;$

上式表示时间间隔长度为t的时间段内有x辆车到达信号灯区域的概率；λ表示单位间隔的车辆平均到达率；d表示计数时间间隔t内车辆平均到达率。M定义为在信号灯p处一个周期内的车辆到达数。

S51：利用GPS数据实时获取的公交车辆定位位置及瞬时速度；

S52：确定公交车辆是否已经处于信号灯区域；

S53：根据车辆的行驶状态，通过以下公式计算车辆在当前红绿灯位置的停留时间：

S54：当车辆遇红灯时，从当前位置到估计车站间所有信号灯的停车延误时间之和为 $D_p=\underset{p=1}{\overset{q}{\mathrm{\Σ}}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}P\left(x\right)T_{\mathrm{px}};$

S55：当车辆遇绿灯时，从当前位置的下一个信号灯开始到估计车站间所有信号灯的停车延误时间之和为 $D_p=\underset{p=2}{\overset{q}{\mathrm{\Σ}}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}P\left(x\right)T_{\mathrm{px}};$

S56：当车辆不在信号灯区域时，从当前位置到估计车站间所有信号灯的停车延误时间之和为 $D_p=\underset{p=1}{\overset{q}{\mathrm{\Σ}}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}P\left(x\right)T_{\mathrm{px}};$

其中，P(x)表示时间间隔长度为t的时间段内有x辆车到达信号灯区域的概率分布，T_px为信号灯p处的车辆停车随机延误时间，M为在信号灯p处一个周期内的车辆到达数。

所述驾驶特性修正因子

通过以下步骤获得：

S61：获取GPS数据中的车辆站点信息和进出站信息；利用该相邻站点间GPS数据的进出站数据，通过后一个站的进站时间减去前一个站的出站时间即得到该相邻站点的站间行驶时间得到其时间信息。

S62：计算站点的站间平均行驶时间；站点的站间行驶时间包括单车站间平均行驶时间和多车站间平均行驶时间；将站间行驶时间原始数据通过层次聚类后得到的分类后的站间行驶时间数据，从而得到各区间站间行驶时间的权重，利用该权重叠加各区路段车辆在该路段的平均站间行驶时间，

以下例1为单车站间平均行驶时间的计算实施例：

例1：设非高峰时段，车辆x在路段i的一组晴天的站间行驶时间数据（单位：秒），如下表1所示为站间行驶时间原始数据，计算该车站间平均行驶时间，统计数据如表1所示：

表1

通过层次聚类后得到的分类后的站间行驶时间数据如表2所示：

表2

得各区间站间行驶时间的权重为：

$f_1=f_2=\frac{3^2}{3^2+3^2+5^2+2^2}=\frac{9}{47};$

$f_3=\frac{5^2}{3^2+3^2+5^2+2^2}=\frac{25}{47};$

$f_4=\frac{2^2}{3^2+3^2+5^2+2^2}=\frac{4}{47};$

则该车在该路段的平均站间行驶时间为：

$t_{(i,x,r)}^k=\frac{9}{47}\×\left(\frac{97+112+116}{3}\right)+\frac{9}{47}\×\left(\frac{120+133+139}{3}\right)$

$+\frac{25}{47}\×\left(\frac{140+145+147+149+149}{5}\right)+\frac{4}{47}\×\left(\frac{190+251}{2}\right)$

$=142.2$

以下例2为多车站间平均行驶时间的计算实施例：

由例1所示方法可以得到不同车辆在路段i上的站间平均行驶时间，在此基础上再通过一定的方法进行分析，求取路段i的平均站间行驶时间。方法如例2所示。

例2：设在晴天非高峰时段统计得到路段i的不同车辆平均站间行驶时间（单位：秒），如下表所示，计算路段i的平均站间行驶时间。统计数据如表3所示：

表3站间行驶时间统计数据

路段1的数据通过层次聚类对车辆分类后得到的分类结果如表4所示，括号内为对应车辆编号：

表4分类后结果

由例1所示方法可以得出，路段i的平均站间行驶时间为

秒。

最后分别针对晴天高峰时段、晴天非高峰时段、雨天高峰时段和雨天非高峰时段这4种情况，用上述方法分别得到这4种情况的各个路段的站间平均行驶时间

（其中k表示上述4种情况，i表示路段号）。

S63：根据层次聚类所得到的车辆平均站间行驶时间的类簇，采用平均值法计算每个类簇的中心，并将该值作为该类簇内所有车辆的平均站间行驶时间。然后根据车辆的平均站间行驶时间与路段的平均站间行驶时间的比值，得出车辆的驾驶特性修正因子。

根据车辆的站间平均行驶时间的统计结果，进行分析，分别得出车辆在上述4种情况下，即晴天高峰时段、晴天非高峰时段、雨天高峰时段和雨天非高峰时段，在不同路段上的驾驶特性的修正因子。分析方法如例3所示。

例3：设由历史数据统计得到的晴天非高峰时期的车辆平均站间行驶时间（单位：秒），如下表所示，计算车辆1在各个路段的驾驶特性修正因子

（其中，k表示上述4种情况，i表示路段编号，x表示车辆编号）。统计数据如表5所示：

表5站间平均行驶时间统计数据

由例2所示方法可以得出，路段1的平均站间行驶时间为261.4秒。此时类簇1的中心C₁等于类簇1中数据的平均值，即

秒。由车辆1所在聚类中心与平均站间行驶时间的比值，可以得出车辆1的一个修正因子分量为

同理分别对后面8个路段计算可以得到， ${\mathrm{\α}}_{\left(\mathrm{2,1}\right)}^2=0.641,$ ${\mathrm{\α}}_{\left(\mathrm{3,1}\right)}^2=0.839,$ ${\mathrm{\α}}_{\left(\mathrm{4,1}\right)}^2=0.907,$ ${\mathrm{\α}}_{\left(\mathrm{5,1}\right)}^2=1.013,$ ${\mathrm{\α}}_{\left(\mathrm{6,1}\right)}^2=0.664,$ ${\mathrm{\α}}_{\left(\mathrm{7,1}\right)}^2=1.087,$ ${\mathrm{\α}}_{\left(\mathrm{8,1}\right)}^2=0.908,$ ${\mathrm{\α}}_{\left(\mathrm{9,1}\right)}^2=0.875.$

因此，车辆1的驾驶特性修正因子取值，如表6所示。

表6车辆1在晴天非高峰情况下的修正因子

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种基于驾驶特性的公交车到站时间实时估计方法，其特征在于：采用以下公式来计算公交车到站时间：

其中：T_ntk为t时刻公交车辆k从当前位置到达车站n的估计时间；T_t为t时刻公交车辆从当前位置到下游目标站点的平均行程时间；

为车辆x的停站延误时间；D_p为车辆在信号灯处停车延误时间；

所述t时刻公交车辆从当前位置到下游目标站点的平均行程时间T_t包括白班车的平均行程时间估计；

所述白班车的平均行程时间估计通过以下公式来计算：

$\stackrel{\‾}{T_{\mathrm{travel}}^b}={\mathrm{\α}}_{(j,x)}^k\frac{l}{\stackrel{\‾}{V_{(j,x)}}}+\underset{i=j+1}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{\α}}_{(j,x)}^k{L}_i}{\stackrel{\‾}{V_{(i,x)}}};$

其中，

为修正平均行程时间，

为车辆与最近站点间的路段j的区间平均速度；

为路段i的区间平均速度；j为车辆当前所在路段；L_i为路段i的长度；n为目标车站前面一个路段；

为情况k下，对路段i上车辆x的驾驶特性修正因子；

所述路段的区间平均速度

是通过以下步骤来计算：

首先以站为单位划分路段，获取GPS数据里的站点信息和行车方向信息，然后获取在该时间段内该路段内与平均行程时间估计的方向相同的所有浮动车数据，最后通过浮动车数据求取该路段的区间平均速度

所述驾驶特性修正因子

通过以下步骤获得：

S61：获取GPS数据中的车辆站点信息和进出站信息；

S62：计算站点的站间平均行驶时间；

S63：按站间平均行驶时间分类后车辆所在的类簇的中心与站点的站间平均行驶时间的比值，即为车辆的驾驶特性修正因子。

2.根据权利要求1所述的基于驾驶特性的公交车到站时间实时估计方法，其特征在于：所述t时刻公交车辆从当前位置到下游目标站点的平均行程时间T_t还包括夜班车的平均行程时间估计；

所述夜班车的平均行程时间估计包括短距离目标站平均行程时间估计和长距离目标站平均行程时间估计；

所述短距离目标站平均行程时间估计通过以下公式来计算：

$\stackrel{\‾}{T_{\mathrm{travel}}^n}=\frac{L_d}{\stackrel{\‾}{V}};$

其中，

为该夜班车到下游目标站点的平均行程时间，L_d表示利用GPS数据里的车辆里程信息来确定的车辆与目标站点间的距离，

表示该时间段内的平均速度；

所述长距离目标站平均行程时间估计通过以下公式来计算：

$\stackrel{\‾}{T_{\mathrm{travel}}^n}=\frac{l}{\stackrel{\‾}{V}}+\underset{i=j}{\overset{n}{\mathrm{\Σ}}}{t}_{(i,r)}^k;$

其中，n为目标站点的前一个路段；j为车辆将要到达的下一个路段；为在情况k下，车辆经过路段i所需的平均站间行驶时间，l为车辆与最近站点间的距离；

所述平均速度

通过以下公式来计算：

$\stackrel{\‾}{V}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{v}_i;$

其中，M为采集到的该车辆的GPS有效数据个数，v_i为GPS数据中每个车辆对应的速度。

3.根据权利要求1所述的基于驾驶特性的公交车到站时间实时估计方法，其特征在于：所述车辆x的停站延误时间通过以下公式来计算：

$\stackrel{\‾}{D_x}=D_b+\underset{i=j}{\overset{n}{\mathrm{\Σ}}}{t}_{(i,s)}^k;$

其中，n为目标站点的前一个站；j为离车辆当前位置最近的下游车站；

为在情况k下，车辆在车站i的平均停留时间；

所述每个车站在不同时段的平均停站时间

通过以下公式来计算：

D_b＝αT₀+βT₁+γT₂；

其中：α，β，γ为时间修正系数；T₀为减速靠站驶入时间；T₁为停站上下客时间；T₂为加速离站驶出时间。

4.根据权利要求1所述的基于驾驶特性的公交车到站时间实时估计方法，其特征在于：所述车辆在信号灯处停车延误时间D_p通过以下步骤来计算：

S51：利用GPS数据实时获取的公交车辆定位位置及瞬时速度；

S52：确定公交车辆是否已经处于信号灯区域；

S53：根据车辆的行驶状态，通过以下公式计算车辆在当前红绿灯位置的停留时间：

S54：当车辆遇红灯时，从当前位置到估计车站间所有信号灯的停车延误时间之和为

$D_p=\underset{p=1}{\overset{q}{\mathrm{\Σ}}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}P\left(x\right)T_{\mathrm{px}};$

S55：当车辆遇绿灯时，从当前位置的下一个信号灯开始到估计车站间所有信号灯的停车延误时间之和为 $D_p=\underset{p=2}{\overset{q}{\mathrm{\Σ}}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}P\left(x\right)T_{\mathrm{px}};$

S56：当车辆不在信号灯区域时，从当前位置到估计车站间所有信号灯的停车延误时间之和为 $D_p=\underset{p=1}{\overset{q}{\mathrm{\Σ}}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}P\left(x\right)T_{\mathrm{px}};$

其中，P(x)表示时间间隔长度为t的时间段内有x辆车到达信号灯区域的概率分布，T_px为信号灯p处的车辆停车随机延误时间，M为在信号灯p处一个周期内的车辆到达数。

Images