(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111293525.5 (22)申请日 2021.11.03 (71)申请人 厦门大学 地址 361000 福建省厦门市思明南路42 2号 (72)发明人 侯亮　郑正中　王少杰　卜祥建　 赖辉平　张文博　 (74)专利代理 机构 厦门市首创君 合专利事务所 有限公司 3 5204 代理人 连耀忠 (51)Int.Cl. G06F 30/27(2020.01) G06F 111/06(2020.01) G06F 111/08(2020.01) G06F 119/12(2020.01) (54)发明名称 基于多视图集成学习的公交车载重预测方 法及装置 (57)摘要 本发明公开了一种基于多视图集成学习的 公交车载重预测方法及装置， 该方法采集多种视 图数据集， 并分别根据载重视图数据集、 时间视 图数据集、 站点视图数据集和视频视图数据集训 练不同的基学习器， 根据不同的基学习器预测得 到多个载重预测值， 对多个载重预测值进行加权 平均处理， 采用遗传算法对加权平均处理的加权 系数进行优化， 根据最优加权系数计算得到最终 载重预测值。 本发明能够在公交车行驶前预测下 一站的整车载重， 将预测值输入到整车控制系统 中， 为能量管理和安全驾驶提供依据， 为公交车 控制策略的计算 提供足够时间。 权利要求书3页 说明书9页 附图4页 CN 114036830 A 2022.02.11 CN 114036830 A 1.一种基于多视图集成学习的公交车 载重预测方法， 其特 征在于， 包括以下步骤： S1， 获取公交车在所有站点的历史运行数据， 所述历史运行数据包括历史时间段内所 有站点的载重数据、 时间数据、 站点数据、 视频数据和车门开关数据， 根据所述历史运行数 据构建视图数据集， 所述视图数据集包括载重视图数据集、 时间视图数据集、 站 点视图数据 集和视频视图数据集； S2， 基于所述视 图数据集分别训练不同的基学习器， 所述基学习器包括基于所述载重 视图数据集构建的站间载重状态转移矩阵、 基于所述时间视图数据集构建的载重识别神经 网络模型、 基于所述站 点视图数据集构建的各个站 点的载重分布模型以及基于所述视频视 图数据集构建的乘客人 数识别模型； S3， 根据第n ‑1个站点的数据或第n个站点的数据分别采用不同的所述基学习器预测得 到第n个站点的载重预测值 其中n＝1,2 …k， k为所述视图数据集中包含的所有站点数， m为1、 2、 3、 4； S4， 基于所述第n个站点的载重 预测值 优化计算得到 所述第n个站点的最终载重预测 值。 2.根据权利要求1所述的基于多视图集成学习的公交车载重预测方法， 其特征在于， 所 述步骤S1 中的所述历史运行数据经过数据预 处理得到， 所述视频数据为车门打开时刻至车 门关闭时刻之 间的车门监控视频数据， 提取每个站 点的所述视频数据作为所述视频视图数 据集。 3.根据权利要求1所述的基于多视图集成学习的公交车载重预测方法， 其特征在于， 所 述步骤S2的所述站间载重状态转移 矩阵的建立具体包括： 将所述载重视 图数据集中的载重分为h个状态， 并统计所述载重视 图数据集中的连续 两个站点的载重数据， 得到站间载重状态转移概 率： 其中， Nij代表当前站点载重状态为i和下一站点载重状态为j的连续两个站点 的个数， pij代表由载重状态i转移至载重状态j的状态转移概率， 根据pij建立h×h的站间载重状态 转移矩阵P。 4.根据权利要求1所述的基于多视图集成学习的公交车载重预测方法， 其特征在于， 所 述步骤S2的所述载重识别神经网络模 型的建立具体包括： 以每一站 点的启动时刻作为所述 时间数据， 将所述时间数据是否为法定节假日作为第一特征， 将所述时间数据转化为每天 运营时刻值作为第二特征， 对所述第一特征和第二特征进行标准化处理， 将所述第一特征、 第二特征和载重分别作为前馈神经网络的输入和标签， 训练得到所述载重识别神经网络模 型。 5.根据权利要求1所述的基于多视图集成学习的公交车载重预测方法， 其特征在于， 所 述步骤S2的所述载重 分布模型的建立具体包括： 根据所述站 点视图数据集中的所述载重数 据和站点数据统计各个站点的载重的概率分布规律， 并采用正态分布拟合得到各个站点的 载重分布模型。 6.根据权利要求1所述的基于多视图集成学习的公交车载重预测方法， 其特征在于， 所权　利　要　求　书 1/3 页 2 CN 114036830 A 2述步骤S2的所述乘客人 数识别模型的建立基于公交上 下车乘客检测统计算法。 7.根据权利要求1所述的基于多视图集成学习的公交车载重预测方法， 其特征在于， 所 述步骤S3具体包括： S31， 将第n ‑1个站点的载重输入到所述站间载重状态转移矩阵， 并结合蒙特卡洛算法， 预测第n个站点的载重预测值 S32， 将第n个站点的启动时间输入到所述载重识别神经网络模型中， 预测出第n个站点 的载重预测值 S33， 根据第n个站点的名称和第n个站点的载重分布模型， 利用蒙特卡洛算法， 预测第n 个站点的载重预测值 S34， 提取第n个站点有车门开启的时间段内的乘客上下车的视频数据， 将该时间段的 乘客上下车 的视频数据作为所述乘客人数识别模型 的输入， 统计第n个站点的乘客上下车 人数， 以每人 70kg的重量预测第n个站点的载重预测值 8.根据权利要求1所述的基于多视图集成学习的公交车载重预测方法， 其特征在于， 所 述步骤S4具体包括： S41， 根据所述第n个站点的载重预测值 计算第n个站点的预测载重加权平均值： 其中， a1,a2,a3,a4分别为载重预测值 的加权系数， 设置优化目标函数为： 其中， 为第n个站 点的载重的真实值， 以a1， a2， a3， a4为设计变量， a1+a2+a3+a4＝1为约 束条件， L为 目标函数， 采用遗传算法对a1， a2， a3， a4为进行优化设计， 使得L最小， 得到最优 加权系数 S42， 根据所述 最优加权系数 计算得到所述 最终载重预测值： 9.一种基于多视图集成学习的公交车 载重预测装置， 其特 征在于， 包括： 视图数据集构建模块， 被配置为获取公交车在所有站点的历史运行数据， 所述历史运 行数据包括历史时间段内所有站点的载重数据、 时间数据、 站 点数据、 视频数据和车门开关 数据， 根据所述历史运行数据构建视图数据集， 所述视图数据集包括载重视图数据集、 时间 视图数据集、 站点视图数据集和视频视图数据集； 基学习器训练模块， 被配置为基于所述视 图数据集分别训练不同的基学习器， 所述基 学习器包括基于所述载重视图数据集构建的站间载重状态转移矩阵、 基于所述时间视图数 据集构建的载重识别神经网络模型、 基于所述站 点视图数据集构建的各个站 点的载重 分布 模型以及基于所述视频视图数据集构建的乘客人 数识别模型； 载重预测模块， 被配置为根据第n ‑1个站点的数据或第n个站点的数据分别采用不同的 所述基学习器预测得到第n个站点 的载重预测值 其中n＝1,2 …k， k为所述视图数据集权　利　要　求　书 2/3 页 3 CN 114036830 A 3