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

本研究使用波兰华沙的公交车定位数据，探讨了建立公交车行为模型及预测公交车延误的问题，并给出了初步的研究结果。

Apr, 2022

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

通过设计 LSTM-based 架构和输入过去的巴士乘客、星期几、时间段、天气情况和降雨量等所有相关数据作为特征，本研究提出了一种巴士乘客高度准确的预测模型，以提高服务质量。结果表明，该模型平均和最高准确率分别提高了 23% 和 27%。

Apr, 2023

开发了一个开源代码基础架构，使用五种常见的方法评估了稳定和高度动态的情况下的短期乘客预测模型（包括计量经济学和深度学习方法），并使用智能卡数据的时间序列来预测哥伦比亚波哥大的 BRT 系统的未来一天的乘客需求，结果表明，在 COVID-19 疫情期间，使用 LSTM 模型的适应性训练和多输出设计优于其他模型，适应比其他模型更快。

Jun, 2023

本文提出了一种基于循环神经网络的数据驱动模型，用于实时预测公共交通系统的公交车到达时间，该模型智能地以一种独特的 (非线性) 方式结合了空间和时间相关性，在正确建模拥堵影响方面具有优越性。

Oct, 2022

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

该研究提出了一种基于人工智能的手机应用程序，利用交通密度数据，通过 LSTM、Transformer 和 XGBoost 等时间序列方法预测伊斯坦布尔的交通拥堵情况，并根据 MAPE、MAE 和 RMSE 等性能指标分析模拟结果，发现 Transformer 模型具有最准确的交通预测能力。该研究为未来定制适合市民日常使用的手机应用程序奠定了基础。

Dec, 2022

本文介绍了影响城市流量的四个主要因素，将多源空间时间数据的准备过程分为三组，选择了空间 - 时间动态数据作为案例研究城市流量预测任务，并详细分析比较了一些著名的和最先进的流量预测方法，最后提出了城市空间 - 时间流预测的挑战和未来的展望。

Aug, 2019

决策行为是交通规划中的关键问题，传统的统计学习方法在预测性能方面存在局限性，机器学习模型在交通规划者中备受关注。然而，机器学习模型的黑箱特性限制了其在决策和政策制定中的实际应用。本研究使用了低收入和低中等收入家庭的数据集，采用了多项式逻辑模型和机器学习分类器，通过特征重要性和个体条件期望图解释了决策行为。研究结果表明，机器学习模型中的随机森林模型具有最佳的准确性，而旅行成本的增加会显著降低公交出行的概率，而旅行时间的减少则增加对地铁的偏好。这项研究扩展了使用机器学习技术进行模式选择分析的研究，并有助于提高对这些模型在真实数据方面的理解，包括准确性和可解释性。

Jan, 2024