1.基于公交网络的乘客需求预测系统和方法，具体步骤为：

1）从实际公交网络的应用出发，给出乘客需求预测方法的概要描述；

2）综合考虑非均匀性、突发性和周期性等因素，分别提出三种不同的乘客需求预测模型；

3）提出一种基于滑动窗口的框架来整合三种预测模型。

2.如权利要求1所述的公交网络中的乘客需求预测系统和方法，其特

征在于，步骤1）中的实际公交网络表示如下：假设某条公交线路包含N（N

2）个公交站点S ={S1,S2,…,SN}；其中第一个站点为出发站点，最后一个为终结站点；公交车在站点间的通行遵循特定的路线和特定的时刻表；Db ={d1,d2,…,dj}表示在站点s上车的、乘坐b路公交车的j个乘客的目的地集合；根据公交车的换班时间将运行时间分为4个时间段（早晨5点到上午9点，上午9点到中午1点，中午1点到下午5点，下午5点到晚上9点）；本发明要解决的问题就是预测t时刻在公交站点s要乘坐b路公交车的乘客的数目。

3.如权利要求1所述的公交网络中的乘客需求预测系统和方法，其特征在于，步骤2）中对乘客需求的预测模型包括随时间变化的泊松模型，加权时间变化的泊松模型和综合自回归移动平均模型。

4.如权利要求3所述的公交网络中的乘客需求预测系统和方法，其特征在于，随时间变化的泊松模型包括以下步骤：给定时间内某公交站点有n辆公交车停靠的概率P(n)满足泊松分布，定义为 ，式中 表示在固定时间段内乘客对公交服务的平均需求的比率，本发明中 的值不是常量，而是随时间变化的；因此我们把它看做一个时间函数 ，从而将泊松分布变换成非齐次的； 定义为 ，式中d(t)表示工作日{1=周日,2=周一,…}，h(t)是时间t所属的时间段（例如，若每30分钟作为一个时间段，则时间00:31包含于第二个时间段）；另外需要满足下面两个等式 和，式中D是一天中时间段的数目，是一周泊松过程的平均比率，表示第i天的相对变化（如周六的比率低于周二）， 表示第j天第i时间段的相对变化（如高峰期），是一个离散函数，用来表示公交站点s上随时间变化的乘客需求。

5.如权利要求3所述的公交网络中的乘客需求预测系统和方法，其特征在于，加权时间变化的泊松模型包括以下步骤：增加上周乘客需求量与之前几周乘客需求量的相关度；相关度的权值w用有名的时间序列方法-指数平滑法-来计算，其定义为，式中 是以往时间段中乘客需求的平均值，是平滑因子，其值是由用户定义的，其大小范围为0< <1。

6.如权利要求3所述的公交网络中的乘客需求预测系统和方法，其特征在于，综合自回归移动平均模型包括以下步骤：模拟和预测不同类型的单变量时间序列数据，变量的预测值可以看做是历史观测和随机误差的线性函数；本发明中我们将某特定公交站点s上随时间变化的乘客需求量看做时间序列，因此预测过程可以表示如下，式中和 分别是在时刻t乘客需求量的实际值和随机误差， 和

是模型的参数和权值，其中p和q是表示模型的阶的正整数；模型的阶和权值都可以利用自相关函数和偏自相关函数从历史时间序列中得到；这些值可以用来检测是否存在周期性，以及其周期性的频率。

7.如权利要求1所述的公交网络中的乘客需求预测系统和方法，其特征在于，步骤

3）中基于滑动窗口的整合框架包括以下步骤：将权利要求3中的三种模型结合起来实现更好的预测； 表示对一个给定时间序列进行建模的z个模型的集合；

表示这些模型在时刻t对下一时间段的预测值的集合；整合预测

值 可以由下式计算得到 ， ，其中 是模型 在时间窗口[t - H,

t]内的某个时间段做出的预测值，H是由用户定义的滑动窗口的大小；因为在后续的时间段中公交数据信息是连续不断到来的，因此时间窗口也要不断滑动，从而保证这些模型在下一个H时间段内正常运行；为了更好地评价预测的准确性，我们采用的是著名的时间序列预测误差度量机制-对称平均百分比误差（sMAPE）。

8.一种采用如权利要求1-7任一项所述的公交网络中乘客需求预测系统，其特征在于，包括数据存储层和数据分析层，数据存储层用来存储公交数据；数据分析层用于根据数据存储层储存的公交数据，通过数据分析层中的随时间变化的泊松模型，加权时间变化的泊松模型，综合自回归移动平均模型和基于滑动窗口的整合框架进行处理得到公交网络中的乘客需求量。

9.如权利要求8所述的系统，其特征在于，所述公交数据包括五个属性值： 1）公交状态值，其中busy表示乘客的数量大于公交车的容量，free表示乘客的数量小于公交车的容量，park表示公交车正停靠在起始或终结站点上；2）公交站点的ID；3）数据产生的时间；

4）公交车牌号；5）GPS数据对应位置的经纬度。

10.如权利要求8所述的系统，其特征在于，随时间变化的泊松模型，加权时间变化的泊松模型和综合自回归移动平均模型分别可以解决非均匀性、突发性和周期性等问题。