机器学习在公交运输分析中的优势
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 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
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
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
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
本文介绍了智能交通系统(ITS)的关键技术挑战及其现代化的应对之道,涵盖了从经典统计方法到现代机器学习和深度学习方法。特别介绍了基于图的机器学习方法以及其与 ITS 应用的关系,并详细阐述了两个最新颖的基于图的 ITS 应用示例。
Jun, 2023
本研究利用多种模型,探索基于用户偏好和行程特征(如成本、时间、出行目的和距离)的最佳交通方式,在实际生活中得到的数据支持下,研究发现使用梯度加速树模型结合少数类过采样技术(SMOTE)的表现最为突出,而在对数模型中可以看出:(1)交通成本增加会降低各种交通方式的效用;(2)对于地铁或多模式选项(包含地铁)人们对于出行距离有较高的容忍度,说明地铁线路可能是大城市最佳候选方案。
Oct, 2019