基于加性模型的公交车行程时间预测
机器学习
2016-11-15 v1 应用统计
摘要
交通、天气和本地活动等诸多因素会影响公共交通服务的可预测性。星期几或一天中的时刻等其他方面也可能直接或间接地与其他变量共同影响公交车行程时间。然而，在大多数情况下，行程时间与预测变量之间关系的确切性质尚不清楚。本文开发了一个框架，利用加性模型（Additive Models）对公交车行程时间进行灵活建模。具体而言，我们将行程时间建模为线性项与非线性项之和，其中非线性项被建模为预测变量的平滑函数。所提出的模型类提供了一个原则性的统计框架，在模型构建方面具有高度灵活性。实验结果表明，当应用于从里约热内卢市运营的公交车获取的超大规模 GPS 数据集时，我们最佳模型的表现一致优于以往的预测方法。
引用
@article{arxiv.1411.7973,
title = {Bus Travel Time Predictions Using Additive Models},
author = {Matthias Kormaksson and Luciano Barbosa and Marcos R. Vieira and Bianca Zadrozny},
journal= {arXiv preprint arXiv:1411.7973},
year = {2016}
}
备注
11 pages, this is the technical report supporting the IEEE 2014 International Conference on Data Mining (ICDM) submission with the same title