1.一种基于RFID数据考虑货车混入率的公交行程时间预测方法，其特征在于：该方法包括以下步骤：

1)根据RFID数据，获取城市道路中公交车通过上、下游RFID基站的路段行程时间和路段行程时间数据样本T；

2)根据公交车通过上、下游RFID基站所确定的时间域，实时计算并更新路段货车混入率；

3)考虑路段货车混入率对公交车路段行程时间的相关影响，重构公交车路段行程时间数据样本；

4)分别构建考虑货车混入率的LSTM公交行程时间预测模型和考虑货车混入率的SVR公交行程时间预测模型，并在测试集数据样本中完成公交行程时间的预测；

5)根据两类模型的预测值与实际值，建立LSTM-SVR组合预测模型进行公交行程时间预测。

2.根据权利要求1所述的一种基于RFID数据考虑货车混入率的公交行程时间预测方法，其特征在于，所述步骤1)的具体过程如下：在储存有RFID数据的数据库中选取路段上游基站和下游基站的全部公交车过车数据，再利用数据库查询语句查找具有相同EID的数据，判断具有相同EID的汽车电子标识数据的车辆通过上、下游RFID基站的时间是否符合实际车辆行驶方向。若符合，则保留该项数据；否则，将其删除，完成车牌匹配；

公交车通过上、下游RFID基站的路段行程时间的计算公式如下：

T＝tdownstream-tupstream

式中，T代表公交车通过上、下游RFID基站的路段行程时间；tdowmstream代表公交车通过路段下游RFID基站的过车时间戳；tupstream代表公交车通过路段上游RFID基站的过车时间戳；

进行必要的数据预处理操作，获得可靠的公交车通过上、下游RFID基站的路段行程时间数据样本T；

T＝{t1,t2,...,tk,tk+1,...,tn}

其中，tk代表第k辆公交车的路段行程时间；n为样本容量。

3.根据权利要求2所述的一种基于RFID数据考虑货车混入率的公交行程时间预测方法，其特征在于，所述步骤2)的具体过程如下：在储存有RFID数据的数据库中选取上游基站所有车辆数据C和所有货车数据H，并将其按Passtime升序排列，将步骤1)中获得的数据样本T按tupstream升序排列，获取每辆公交车通过路段产生的行程Tripkij以及该行程对应的上游基站过车时间戳tki和下游基站过车时间戳tkj，并确定出时间域(tki,tkj)，以时间域(tki,tkj)为单位，记录不同时间域内通过上游基站i的货车数量qki和车辆数目vki，得到所有时间域内通过上游基站i的货车数量Q＝{q1,q2,...,qk,qk+1,...,qn}和车辆数目V＝{v1,v2,...,vk,vk+1,...,vn}；从而计算出路段不同时间域内的货车混入率ski，公式如下：可获得该路段所有时间域内的路段货车混入率数据样本S：

S＝{s1,s2,...,sk,sk+1,...,sn}

其中，sk代表第k个时间域内的路段货车混入率。

4.根据权利要求3所述的一种基于RFID数据考虑货车混入率的公交行程时间预测方法，其特征在于，所述步骤3)的具体过程如下：将路段行程时间数据样本T中的样本值tk以及路段货车混入率数据样本S中的样本值sk标准化，计算公式如下：式中，tk代表未标准化的行程时间样本值；sk代表未标准化的货车混入率样本值；tmin和tmax分别代表T中最小样本值和最大样本值；smin和smax分别代表S中最小样本值和最大样本值。

计算标准化后的路段行程时间数据样本 和路段货车混入率数

据样本 之间的相关系数ρ，并考虑路段货车混入率对公交车路段

行程时间的相关影响对数据样本T*进行数据重构，公式如下：

式中，ρ代表相关系数；t′k代表数据重构后的第k辆公交车路段行程时间；代表标准化后的第k辆公交车路段行程时间； 代表标准化后的第k个时间域内路段货车混入率；代表数据样本T*的样本均值；代表数据样本S*的样本均值；n为样本容量。

获取考虑路段货车混入率的重构公交车路段行程时间数据样本T′：

T′＝{t′1,t′2,...,t′k,t′k+1,...,t′n}其中，t′k代表数据重构后的第k辆公交车路段行程时间；n为样本容量。

5.根据权利要求4所述的一种基于RFID数据考虑货车混入率的公交行程时间预测方法，其特征在于，所述步骤4)的具体过程如下：将步骤3)获得的数据样本T′作为训练集数据样本x，建立LSTM神经网络模型。利用训练好的LSTM神经网络对测试集数据样本Tt＝{tt1,tt2,...,ttk,tt(k+1),...,tkm}进行公交行程时间预测，模型预测结果记为TLp＝{tLp1,tLp2,...,tLpk,tLp(k+1),...,tLpm}；其中，ttk表示第k辆公交车的路段行程时间实际值；tLpk表示第k辆公交车的LSTM神经网络模型路段行程时间预测值；m为样本容量；

根据步骤3)获得的数据样本T′构造SVR模型的训练集样本X，建立SVR模型并求解模型参数；利用训练好的SVR模型对测试集数据样本Tt＝{tt1,tt2,...,ttk,tt(k+1),...,tkm}进行公交行程时间预测，模型预测结果记为TSp＝{tSp1,tSp2,...,tSpk,tSp(k+1),...,tSpm}；其中，tSpk表示第k辆公交车的SVR模型路段行程时间预测值，m为样本容量。

6.根据权利要求5所述的一种基于RFID数据考虑货车混入率的公交行程时间预测方法，其特征在于，所述步骤5)的具体过程如下：通过分析预测目标班次k的前l个班次的公交车路段行程时间实际值

与LSTM神经网络模型预测值 和SVR模

型预测值 之间的误差平方和大小关系，采用平均绝对误差线性

加权的方法建立LSTM-SVR组合预测模型；

根据所述模型得出最终公交行程时间预测结果：

TFp＝{tFp1,tFp2,...,tFpk,tFp(k+1),...,tFpm}其中，tFpk表示第k辆公交车最终的路段行程时间预测值；m为样本容量。