公共交通网络中 ETA 预测方法调查
本研究论文提出了一种基于树模型和神经网络集成的新型 ETA(预计到达时间)估计方法,并在 SIGSPATIAL 2021 GISCUP 比赛中凭借其准确性和鲁棒性而获得第一名。
Jul, 2024
城市交通正在发生转变,通过共享、连接和协作的自动驾驶车辆的出现。然而,为了被顾客接受,对它们的准时性的信任至关重要。本研究提出了一种用于自主穿梭车的到达时间预测系统,利用分别针对停留时间和行驶时间的模型,并通过现实世界五个城市的数据进行验证。除了传统方法如 XGBoost 外,我们还探索了使用图神经网络(GNN)集成空间数据的好处。为了准确处理穿梭车跳过站点的情况,我们提出了一个分层模型,组合了随机森林分类器和 GNN。最终的到达时间预测结果是令人满意的,在预测多站点时也显示出较低的错误率。然而,并无一种单一模型在各方面都表现出优势,我们提供了影响模型选择过程的试点站点特征的见解。最后,我们确定停留时间预测是在低交通地区或受到监管限速时自动穿梭车整体到达时间预测准确性的关键决定因素。本研究为自主公共交通预测模型的现状提供了见解,并为领域的进一步发展铺平了道路。
Jan, 2024
本文提出了一种实用的 ETA 预测框架 DuETA,通过构建基于相关性的拥堵感知图和路线感知图转换器,可以捕捉空间上相距较远但与交通状况高度相关的路段对之间的交互作用,从而显著提高预测性能并已在百度地图中投入生产。
Aug, 2022
本文提出了一种基于概率密度的轨迹构建方法,并通过一个典型应用 —— 根据起讫点预测到达时间(ETA),进行验证。ETA 预测基于概率密度轨迹提取的物理和数学规律。该方法在所选新加坡和澳大利亚港口间的整体轨迹预测误差平均约为 0.106 天(即 2.544 小时),标准偏差为 0.549 天(即 13.176 小时)。而该方法的准确率为 92.08%,R-Squared 值为 0.959。
May, 2022
本文提出了一种基于 XGBoost 机器学习算法的公共交通到站时间预测模型,能够利用公交车的位置信息和空间特征预测其到站时间,针对有交叉口和无交叉口两种空间情境下的公交路线进行预测,结果表明该模型比其他模型表现更优,可在以及其他交通基础设施有限的类似城市中推广。
Oct, 2022
本文介绍了一种用于运输网络中估算出发时间的图神经网络模型,该模型使用了 MetaGradients 等算法优化方法,经过实际生产和现实情景分析的验证,在 Sydney 等城市的应用中相较之前的基础模型获得了显著的预测值准确度提高(最高达 40%)。
Aug, 2021
本文介绍了 BusTr,一个基于机器学习的模型,将交通预测转化为公交车延误预测,现已被 Google 地图用于为大部分世界公共交通系统提供服务,在没有官方实时公交跟踪的情况下。我们演示了我们的神经序列模型提高了训练稳定性和性能(MAPE 低 30%),并证明了在纵向数据上评估的更简单模型的显著泛化增益以应对不断发展的世界。
Jul, 2020
利用监督机器学习算法分析德黑兰 BRT 巴士系统准时性的影响因素,并构建准确的预测模型,研究各算法的决策过程,揭示影响巴士线路效果的关键因素,为提高其性能提供有价值的见解。
Oct, 2023
本文介绍了基于集成学习和行程匹配的实时出租车目的地和车程时间预测方法。该方法利用约 1.7 百万出租车行程数据集中的模式,有效地预测了正在进行的出租车行程的相应最终目的地和旅行时间,是 ECML/PKDD Discovery Challenge 2015 竞赛中最强大的解决方案之一。
Sep, 2015
自主车辆与行人共享空间时,规划行驶路径需要考虑行人的未来轨迹。本文系统地回顾了文献中用于在存在车辆的情况下建模行人轨迹预测的不同方法,研究了与行人 - 车辆交互作用相关的特定考虑因素,并回顾了先前提出的预测模型中如何考虑预测不确定性和行为差异等不同变量。同时,文章也提供了包含行人和车辆轨迹数据的数据集概述,讨论了未来工作的研究空白和方向,如在深度学习方法中更有效地定义交互主体以及在无结构环境中收集更多混合交通数据集的需求。
Aug, 2023