Mar, 2024

公交运输服务的预测和应对中断

PDF
TL;DR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。
public transportationfluctuationsdisruptionssubstitute vehiclesproactive disruption management
发现论文，激发创造
  • 公共交通系统中重大延迟变化的流式检测

    公共交通系统延迟问题的探测方法和流处理引擎的参考架构可以在线计算显著和重复延迟，以及对有限的位置数据质量具有弹性。

    Apr, 2024

  • 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

  • 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

  • 机器学习在公交运输分析中的优势

    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

  • BusTr：从实时交通预测公交车行驶时间

    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

  • 高动态条件下的公共交通需求预测：最先进模型和开源基准基础设施的元分析

    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

  • 探索交通系统中多模态需求动态的研究

    本文采用数据驱动方法，研究交通运输系统中各种形式的干扰对城市移动性的不同影响，并通过对历史性小时出行需求数据进行异常检测和聚类，分类各种干扰情况下的多模式需求动态，为衡量不同干扰情景下的方式转移范围提供了参考。

    Jul, 2023

  • 使用移动数据的实时需求响应铁路重调度的深度强化学习方法以缓解车站拥挤问题

    通过推断来自移动数据（MD）的现实乘客移动性以促进行时重新调整列车时刻表、路线站点和滚动库存分配的深度强化学习（DRL）框架

    Aug, 2023

  • 解决城市接送服务中随机请求动态车辆路径问题的在线方法

    本文提出了一种解决动态车辆路径问题（DVRP）的方法，该方法适用于时间窗口和随机旅行请求，并针对局部交通服务应用。此外，该方法利用了问题的结构设计了启发式算法以便搜索具有很好前景的行动。实验表明，该方法在性能和鲁棒性方面均优于现有最先进的方法。

    Mar, 2022

  • 应用强化学习优化地铁系统在不确定扰动下的能源效率

    在城市交通领域，地铁系统是重要和可持续的公共交通方式。该研究利用基于策略的强化学习方法，通过调整列车停站时间和巡航速度等方式，优化地铁系统的能效，以应对干扰问题，实验结果表明该方法与基准方法相比性能更佳，最高可实现牵引能耗降低达 10.9％、再生制动能量利用率提高 47.9％，提供了一种有效的城市铁路交通节能解决方案。

    Apr, 2023