BusTime：何种预测模型适用于我的公交到达时间？
信号处理
2020-03-24 v1 机器学习
机器学习
摘要
随着大数据技术的兴起，近年来许多智能交通应用被快速发展，包括公交到达时间预测。此类应用帮助乘客更高效规划行程，而不在公交站浪费不可预测的等待时间。许多研究聚焦于提升各种机器学习和统计模型的预测精度，而甚少有工作展示它们在真实城市场景中部署和使用的适用性。本文试图通过提出一个通用且实用的评估框架来填补这一空白，该框架用于分析各种广泛使用的公交到达时间预测模型（即延迟模型、k-近邻、核回归、加性模型，以及使用长短期记忆的循环神经网络）。特别地，该框架包含一种原始公交 GPS 数据预处理方法，其所需输入数据点少得多，同时仍保持令人满意的预测结果。该预处理方法利用基于 KD-tree 的最近点搜索方法，使各种模型仅能在公交站处预测到达时间。基于该框架，利用来自爱尔兰都柏林市不同规模的原始公交 GPS 数据集，我们还通过分析常用预测模型在训练和预测阶段的实用优缺点，为城市管理者呈现初步结果。
引用
@article{arxiv.2003.10373,
title = {BusTime: Which is the Right Prediction Model for My Bus Arrival Time?},
author = {Dairui Liu and Jingxiang Sun and Shen Wang},
journal= {arXiv preprint arXiv:2003.10373},
year = {2020}
}