Jan, 2024

自主班车服务实际世界中的到达时间预测：来自五个城市的证据

PDF
TL;DR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。
urban mobilityautonomous shuttlesarrival time predictiongraph neural networksdwell time prediction
发现论文，激发创造
  • 基于空间模式的公交到站时间估计动态模型（机器学习）

    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

  • 公共交通到站预测：使用 Seq2Seq RNN 方法

    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

  • 公共交通网络中 ETA 预测方法调查

    该研究综述了公交模式下预测到站时间算法的发展，强调对公共数据标准的需求以解决报道标准的不一致性和算法预测精度的测量统一性，推进社会公共交通的规范化发展。

    Apr, 2019

  • Google Maps 中使用图神经网络进行 ETA 预测

    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

  • 基于道路网络的大规模实时拼车服务和服务保障

    本文介绍了在道路网络上提供实时拼车服务，并保证等待时间和服务时限的大规模实时拼车问题。作者提出了分支限界算法和整数规划算法，并且提出了一种更适应动态请求的动态调度算法，从而在上海出租车数据集上进行实验，并证明了此算法比其他算法响应时间更快。

    Feb, 2013

  • 基于上下文无关聚类的可靠、快速、准确的轨迹预测

    提出多阶段概率预测路径的自主系统的新方法，包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议，使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率，从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型，同时当比较最可能的轨迹时与点估计器表现相似。

    Jul, 2023

  • 机器学习能否从我们的建筑环境中揭示车辆出行需求的洞察？

    本文提出了一种基于机器学习的方法，以解决设计师在优化城市土地利用规划方面缺乏优化交通出行需求能力的问题。研究表明，我们的计算模型可以帮助设计师快速获得有关交通出行需求的反馈，包括总量和时间分布，这是基于设计师设计的城市功能分布。它还有助于从交通出行的角度进行设计优化和评估城市功能分布。我们通过收集城市兴趣点（POI）数据和在线车辆数据获取城市功能分布信息和车辆行驶时间（VHT）信息。选择了预测性能最好的人工神经网络（ANNs）。通过使用不同地区收集的数据集进行相互预测，并将预测结果重新映射到地图上进行可视化，我们评估了计算模型在不同地区的使用程度，以减轻未来城市研究人员的工作负担。最后，我们展示了计算模型在帮助设计师获取建筑环境中交通出行需求的反馈方面的应用，并与遗传算法相结合来优化当前城市环境的状态，为设计师提供建议。

    Nov, 2023

  • 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

    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

  • 机器学习增强的飞机降落调度在不确定情况下

    本研究论文探讨了飞机延误问题，重点关注其对安全和经济损失的影响。为了缓解这些问题，提出了一种创新的机器学习增强的降落调度方法，旨在提高自动化和安全性。通过分析飞行到达延误的情景，发现了到达飞行时间持续的多峰分布和聚类。一种多阶段条件机器学习预测器增强了基于飞行事件的分离时间预测。机器学习预测结果被整合为安全约束，并在时间约束下使用整数线性规划求解旅行推销员问题。通过历史飞行记录和模型预测来处理连续飞行之间的不确定性，确保可靠性。所提出的方法使用来自亚特兰大空中交通管制中心（ARTCC ZTL）的实际数据进行验证。案例研究表明，与先到先服务（FCFS）规则相比，总降落时间平均减少了 17.2％。与 FCFS 不同，所提出的方法考虑了不确定性，增强了调度的可信度。研究总结并提出了未来的研究方向。

    Nov, 2023

  • 基于深度学习加权图的短途公交路线规划决策支持系统

    利用深度学习方法构建决策支持系统，通过调整公共交通特定时间段的路线以提高运输效率和可靠性。

    Aug, 2023