融合时间时段、天气与客流趋势感知的多 LSTM 公交载客量预测
机器学习
2023-04-18 v1 人工智能
摘要
近年来，公共交通在人们生活中已不可或缺。公交载客量是人们选择搭乘公交的一个因素。因此，从提升服务质量的角度出发，向尚未登车的乘客告知未来公交载客量十分重要。然而，提供不准确的信息可能造成负面体验，这一问题令人担忧。在此背景下，有必要为尚未登车的公交乘客提供高精度的预测。许多研究者正致力于相关研究。然而，相关研究可归纳为两个问题。其一是预测时应考虑连续公交站点间载客量的相关性。其二是尚未利用各相关研究中已证明有用的全部特征进行预测。本研究提出一种解决上述两个问题的预测方法。针对第一个问题，我们为每个公交站点设计基于 LSTM 的架构，并为全部公交站点建立单一模型。针对第二个问题，我们将所有有用数据——历史载客量、星期几、时间时段、天气与降水量——作为输入特征。使用日本兵库县神户市 Minato Kanko Bus Inc 运营的公交车在 2021 年 10 月 1 日至 2022 年 9 月 30 日期间各站点收集的载客量进行精度比较。相较现有方法，所提方法平均降低 RMSE 23%，最高达 27%。
引用
@article{arxiv.2304.08233,
title = {Bus Ridership Prediction with Time Section, Weather, and Ridership Trend Aware Multiple LSTM},
author = {Tatsuya Yamamura and Ismail Arai and Masatoshi Kakiuchi and Arata Endo and Kazutoshi Fujikawa},
journal= {arXiv preprint arXiv:2304.08233},
year = {2023}
}