利用多模态上下文感知刻画城市公交停留位置：迈向亚 60 秒精准到站时间预测

智能城市交通系统是智慧城市的核心基础设施之一。此类基础设施的真正巧妙之处在于向通勤者提供关于全市交通（如公共巴士）的实时信息，使其得以预先规划行程。然而，由于公共巴士停靠的各类停留位置性质多样，为公共巴士等交通系统实时提供先验信息 inherently 具有挑战性。尽管从这些位置提取的由 GPS 等单模态源得到的直接因素（停留时长）看似杂乱无章，但对印度半城市城市杜尔加普尔市 720 公里公交行程的 GPS 轨迹的深入分析表明，若干其他细粒度上下文特征能够准确刻画这些位置。据此，我们开发了 BuStop，一个利用通勤者智能手机通过多模态感知提取并刻画停留位置的系统。利用该多模态信息，BuStop 提取一组细粒度上下文特征，使系统得以区分不同停留位置类型。使用所收集数据集对 BuStop 的深入分析表明，该系统在识别不同停留位置（如常规公交站、随机临时停靠、交通拥堵停靠、信号灯前停靠以及急转弯处停靠）方面具有高准确性。此外，我们还在 BuStop 之上开发了概念验证装置，以分析该框架在预测任意给定公交站的预期到站时间（预先规划行程所需的关键信息）方面的潜力。通过对测试数据集的仿真，该 PoC 框架的后续分析表明，刻画停留位置确实有助于做出更精准的到站时间预测，与真实到站时间的偏差小于 60 秒。