，送些体系结构包括但不限于工业标准体系结构（ISA)总线，微通道体系结构（MAC) 总线，增强型ISA总线、视频电子标准协会（VESA)局域总线W及外围组件互连（PCI)总线。
[0034] 计算机系统/服务器12典型地包括多种计算机系统可读介质。送些介质可W是 任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动 的和不可移动的介质。
[0035] 系统存储器28可W包括易失性存储器形式的计算机系统可读介质，例如随机存 取存储器（RAM) 30和/或高速缓存存储器32。计算机系统/服务器12可W进一步包括其 它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34 可W用于读写不可移动的、非易失性磁介质（图1未显示，通常称为"硬盘驱动器"）。尽管 图1中未示出，可W提供用于对可移动非易失性磁盘（例如"软盘"）读写的磁盘驱动器， W及对可移动非易失性光盘（例如CD-ROM,DVD-ROM或者其它光介质）读写的光盘驱动器。 在送些情况下，每个驱动器可W通过一个或者多个数据介质接口与总线18相连。存储器28 可W包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，送些程序模 块被配置W执行本发明各实施例的功能。
[0036] 具有一组（至少一个）程序模块42的程序/实用工具40,可W存储在例如存储器 28中，送样的程序模块42包括一但不限于一操作系统、一个或者多个应用程序、其它 程序模块W及程序数据，送些示例中的每一个或某种组合中可能包括网络环境的实现。程 序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0037] 计算机系统/服务器12也可W与一个或多个外部设备14 (例如键盘、指向设备、 显示器24等）通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的 设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信 的任何设备（例如网卡，调制解调器等等）通信。送种通信可W通过输入/输出（I/O)接 口 22进行。并且，计算机系统/服务器12还可W通过网络适配器20与一个或者多个网络 (例如局域网（LAN),广域网（WAN)和/或公共网络，例如因特网）通信。如图所示，网络适 配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示 出，可W结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于；微代 码、设备驱动器、兀余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器W及数据备份存 储系统等。
[0038] 现在参看图4,图4是示出根据本发明的实施例的用于对等待乘客数进行预测的 方法400的流程图。该方法400包括到站时间预测步骤410和等待乘客数预测步骤420。
[0039] 在到站时间预测步骤410中，基于公共汽车的历史行驶数据W及当前车辆运行数 据对公共汽车到达一个车站的到站时间进行预测。在送里，历史行驶数据包括历史上对应 于一天中的不同时间的公共汽车的速度、位置中的至少一个，当前车辆运行数据包括公共 汽车当前的速度、位置中的至少一个。此外，所述公共汽车指的是同一公交线路的公共汽 车。当前车辆运行数据例如可W通过GI^S获得，或者通过安装在公共汽车上的其他传感器 (诸如巧螺仪或RFID等）获得。
[0040] 在本发明的一个实施例中，在步骤410中，首先，基于公共汽车的历史行驶数据 (例如车速），通过统计或数据挖掘等方法使用历史行驶数据来训练车速模型，然后基于当 前车辆运行数据通过滤波方法（例如，卡尔曼滤波化almanFilter)来减小预测的车速的误 差。
[0041] 然后，基于预测的未来时段（例如15分钟、半小时等）的车速，得到一段路程的预 测行驶时间。图5示出了预测的一段路程的行驶时间的例子。在图5中，图5的左侧示出 了在周末一天中的不同时间开始完成该段路程要花费的时间，图5的右侧示出了在平日一 天中的不同时间开始完成该段路程要花费的时间。在图5中，把实必点连接起来的线表示 观测的行驶时间，把空必点连接起来的线表示预测的行驶时间。从图5中可见，平日的早高 峰时段的预测行驶时间最长。
[0042] 然后，通过使用预测的行驶时间W及公共汽车的当前位置，可W预测公共汽车的 到站时间。例如，已知公共汽车的当前位置W及从当前位置行驶到下一个车站的预测行驶 时间，可W容易地得出预测的到站时间。
[004引在于滨、杨忠振、曾庆成的"基于SVM和Kalman滤波的公交车到站时间预测模 型"（《中国公路学报》2008年第2期第89-92页）中详细记载了一种公交车到站时间预测 模型。
[0044] 然后，处理进行到等待乘客数预测步骤420,在步骤420中，基于历史乘客流数据 W及当前等待乘客数，并且在考虑所述到站时间的预测结果的情况下，对所述车站下一时 段的等待乘客数进行预测。
[0045] 图6是示出了根据本发明的一个实施例的等待乘客数预测步骤中的处理600的 流程图。在该实施例中，等待乘客数预测步骤包括；针对一车站，基于历史乘客流数据，进 行到达乘客数APC(ArrivalPassengerCount)的预测（步骤610);基于历史乘客流数据， 进行公共汽车的空座数ESC(EmptySeatCount)的预测（步骤620);基于所述到站时间的 预测结果、所述到达乘客数APC的预测结果和所述空座数ESC的预测结果，进行登车乘客数 DPC值eparture化ssengerCount)的预测（步骤630) 及基于所述到达乘客数APC、所述 登车乘客数DPCW及当前等待乘客数，预测所述车站下一时段的等待乘客数WPC(Waiting PassengerCount)(步骤 640)。
[0046] 在送里，历史乘客流数据包括各车站的历史上对应于一天中的不同时间的登车乘 客数W及公共汽车的空座数中的至少一个，并且当前等待乘客数是通过所述车站的摄像机 拍摄并识别的。在本发明的一个实施例中，利用安装在站台的照相机或摄像机，通过模式识 别技术，对站台或站台的划定区域内的所有人类对象进行计数，可W得到该车站的当前等 待乘客数。在本发明的一个实施例中，对于不允许乘客在公共汽车上站立的国家，所述空座 数是车上的实际空座位的数目。在另一个实施例中，对于允许乘客在公共汽车上站立的国 家，所述空座数可W是根据拍摄的车内情况估计的公共汽车上还能容纳的乘客的数目。在 本发明的一个实施例中，历史乘客流数据中包括的登车乘客数可由安装在公共汽车上的自 动乘客计数器获得，或者通过安装在公共汽车上的摄像机的拍摄和识别而获得。
[0047] 尽管图6中的步骤610和620被示出为先后执行，但是本领域技术人员应该理解， 步骤610和620的执行顺序可W颠倒或者并行执行。下面具体描述图6的流程图中的各步 骤的处理。
[0048] 在步骤610中，针对一车站（例如，车站讶，针对每个时段（例如但不限于5-15分 钟），从历史乘客流数据中的登车乘客数获得到达乘客数APC。在本发明的一个实施例中， 在到达乘客数的预测中，在同一车站登上同一辆公共汽车的乘客被假定是按照特定分布到 达该车站且每辆公共汽车的到站对应于一个分布，并且一个时段内的到达乘客数等于各个 所述分布在该时段内的积分之和。
[0049] 图7是示出根据本发明的一个实施例的从历史乘客流数据中的登车乘客数获得 到达乘客数APC的示图。在图7中示出了公共汽车分别于时刻Ti、12、T3到达车站X，从 而发生公共汽车到达事件BAEUBAE2和BAE3。在事件BAEUBAE2和BAE3中的登车乘客数 分别对应于横轴下方的矩形的长度。在事件BAE1中登车的乘客被假定是按照特定分布（例 女口，泊松分布）到达车站X的，该分布对应于横轴上方与BAE1事件的登车乘客数矩形具有 同样图案（点状图案）的形状。类似地，BAE2事件中登车的乘客的到达对应于具有格子图 案的分布形状，BAE3事件中登车的乘客的到达对应于具有斜纹图案的分布形状。
[0050] 对于图7中的关注时段（t-1，t)，在该时段内的到达乘客数APC等于具有格子图 案的分布（对应于BAE2)与具有斜纹图案的分布（对应于BAE3)落在该时段内的部分的面 积之和。可W使用下面的式子计算到达乘客数APC;
[0051]
[005引其中，APC(t)表示（t-1，t)时段到达车站的乘客数，Bhu(X1)表示第i辆公交车 的登车乘客数，T1表示第i辆公交车的到站时刻，f(x)表示到站乘客数的概