公共交通系统中重大延迟变化的流式检测
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
通过去中心化的深度学习方法,基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况,避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡,引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验,成果表明该方法成功预测了交通拥堵。
Mar, 2017
该研究分析了城市交通通量与污染之间的相关性,并开发了一个警报系统来预测未来 30 分钟内某条街道是否会遇到异常高的交通流量,使用每 10 分钟更新的交通数据和长短期记忆(LSTM)神经网络进行预测。
Sep, 2023
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
本文介绍了一种使用出租车 GPS 数据定量测量交通系统弹性的方法,通过计算城市各个区域之间的历史速度分布并测量异常事件期间的速度偏差,该方法应用于纽约市近 7 亿辆出租车的数据集,可用于分析与飓风桑迪相关的交通基础设施弹性,该分析表明飓风桑迪影响交通状况超过 5 天,每英里最高时延为 2 分钟,并可潜在地用作在线监测工具。
Jul, 2015
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
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
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