考虑时间区间、天气和乘客数量趋势的多重 LSTM 公交车乘客量预测
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
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
本研究旨在开发一种精确的模型,通过捕捉旅行数据中的序列模式和依赖关系,实现对个体旅行者未来目的地的准确预测,为现代交通运输行业带来多重益处,并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公司提供个性化推荐和优化客户体验在动态旅行领域起到了积极作用。
Jan, 2024
使用基于 LSTM 的神经网络模型,该研究探讨了在不同预测和时间序列研究中应用神经网络的可行性,并展示了对菲律宾两个港口的渡轮客流量进行预测的 72% 至 74% 的准确度。
May, 2024
通过引入数据驱动的统计与机器学习模型以及有效的随机化局部搜索算法,我们的研究在公共交通的积极干预和管理方面取得了有希望的结果,为交通管理机构提供了一种实用且易于实施的解决方案,以增强其服务的可靠性,进而促进更具弹性和可获得性的公共交通,使最依赖公共交通的社区受益。
Mar, 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
通过深度学习技术在考虑时空相关性的情况下,提出了融合卷积长短时记忆网络的方法,用于预测中国杭州地区共享出行平台的短期客流需求,通过实验证实了该方法相较于传统方法的更高预测精度。
Jun, 2017