ArrivalNet：基于二维时序变化建模的城市范围内公交/轨道车到达时间预测
机器学习
2024-12-10 v3
摘要
准确预测公交车和轨道车的到达时间（ATP）在公共交通运营中发挥着关键作用。当前方法关注一维时序信息，但忽略了时间序列中潜在的周期性信息。此外，大多数研究基于单条或少数几条路线开发ATP算法，这降低了预测模型的可迁移性及其在公共交通管理系统中的适用性。为此，本文提出了ArrivalNet，这是一种基于二维时序变化的多步公交车和轨道车到达时间预测方法。它将一维时序序列分解为周期内变化和周期间变化，分别可转化为二维张量（2D块）。每个块的行包含一个周期内的时间点，每个列涉及跨越不同周期的相同周期内索引的时间点。不同频率下的转换后2D块具有类似图像的特征表示，能够有效地利用计算机视觉骨干网络（如卷积神经网络）进行学习。借助残差神经网络的概念，2D块模块被设计为灵活聚合的基本模块。同时，也利用了工作日、峰时段和交叉口等情境因素，以增强特征表示，提高预测性能。我们收集了德累斯顿125天的公共交通数据用于模型训练和验证。实验结果表明，本文预测器的均方根误差、平均绝对误差和平均绝对百分比误差分别比当前最先进的基线方法降低至少6.1%、14.7%和34.2%。
引用
@article{arxiv.2410.14742,
title = {ArrivalNet: Predicting City-wide Bus/Tram Arrival Time with Two-dimensional Temporal Variation Modeling},
author = {Zirui Li and Patrick Wolf and Meng Wang},
journal= {arXiv preprint arXiv:2410.14742},
year = {2024}
}