Brug af kunstige neurale netværk (ANN'er) til at forudsige busankomsttider

Nøjagtig forudsigelse af bussernes ankomsttider er af afgørende betydning, især i hektiske bymiljøer. At give folk effektiv og rettidig transport kan afskrække dem fra at bruge private køretøjer, som følge heraf reducerer både brændstofforbrug og trafikpropper.

Forskere ved Lovely Professional University (LPU) i Jalandhar, Indien, har for nylig udviklet en kunstig neuralt netværk (ANN)-baseret model, der kan forudsige busankomsttider ved at analysere historiske GPS-data. Deres metode, skitseret i et papir offentliggjort i Springer's Pervasive Computing:Et netværksperspektiv og fremtidige retninger anvender ANN'er og teknikker med radial basisfunktion (RBF) til at forudsige bussens ankomst- og afgangstider ved at analysere data indsamlet ved hjælp af GPS-teknologi.

"I dette arbejde, kunstige neurale netværk (ANN'er) og radial basisfunktion (RBF) er blevet anvendt på data indsamlet via GPS, " skrev forskerne i deres papir. "Realtidsforudsigelse af busankomsttid har en række applikationer til levering af last, transittjenester og logistikområder."

ANN-baserede modeller kunne i høj grad forbedre ydeevnen og effektiviteten af ​​nuværende transportsystemer, muliggør mere præcise ankomsttidspunkter. I deres undersøgelse, Aditya Khamparia og Rubina Choudhary, to forskere ved LPU, satte sig for at udvikle en model, der kan forudsige busankomsttider med minimal fejl, hvilket kan reducere passagerernes ventetid betydeligt.

Deres forskning blev udført i syv nøgletrin. Først, forskerne identificerede faktorer, der påvirker bussernes ankomsttider, såsom hastighed, vejforhold, Trafik, afstand mellem forskellige stop, tid brugt på at lade passagerer komme på/af bussen og vejrforhold. De kortlagde derefter bussens rute og dens organisation.

Følgelig, forskerne indsamlede historiske busdata på regelmæssig basis ved hjælp af automatiske køretøjslokaliseringssystemer (AVL). De brugte specifikt GPS-modtagere, der var forbundet med GSM-modemmer placeret inde i universitetets busser.

Khamparia og Choudhary fodrede de indsamlede data til både en feed-forward back-propagation algoritme (BPA) og RBF, træne dem til at komme med forudsigelser om fremtidige busankomsttider. Endelig, de brugte disse to modeller til at forudsige busankomsttider og sammenlignede deres præstationer.

Forskerne trænede og evaluerede disse metoder på to specifikke busruter, det fra Amritsar til LPU-campus og omvendt. For hver model, de beregnede den gennemsnitlige absolutte fejl (MAE), som i det væsentlige måler forskellen mellem måltiden og den forudsagte tid, og root-mean-square error (RMSE), som måler den gennemsnitlige størrelse af fejlen.

De observerede, at RBF-modellen havde langt lavere MAE- og RMSE-værdier end BPA-modellen. Disse resultater tyder på, at RBF-teknikker er mere effektive end BPA'er til at beregne busankomsttider i nærvær af uforudsigelige faktorer.

"Selvom resultaterne er opmuntrende, der er stadig en række udvidelser til modellen, der bør undersøges, " skrev forskerne i deres papir. "I fremtidigt arbejde, forskere kunne foreslå en ny ordning, der kan beregne realtids forudsigelser af bus ankomst eller afgangstid, såsom variation i passagerefterspørgsel ved et givet busstoppested, trafikpropper, signaler, herunder progression, forsinkelse på grund af trafikpropper eller ulykke, hændelsesoplysninger osv."

© 2019 Science X Network