基于卷积LSTM神经网络的多输出公交行程时间预测
机器学习
2021-04-15 v1 机器学习
摘要
公共交通网络中准确可靠的行程时间预测对于提供具有吸引力、能与城市地区其他交通方式竞争的服务至关重要。这些信息的传统应用是在数字牌上显示到达和出发预测，这在大多数现代大都市的城市景观中非常显眼。最近，同样的信息作为智能手机出行规划器的输入变得关键，用于提醒乘客不可达的换乘、替代路线选择和延长的行程时间。更复杂的智能交通系统（ITS）包括换乘保障预测，即在换乘服务延误时拦住后车。为了运行此类系统并保障乘客对系统的信心，所提供的信息必须准确可靠。传统方法在此方面存在困难，因为城市中的拥堵及由此产生的行程时间波动性增加，使得城市地区的行程时间预测成为一项非平凡任务。本文提出一种公交行程时间预测系统，利用城市公交网络中存在的非静态时空相关性，从而发现传统方法未能捕捉的复杂模式。底层模型是一个多输出、多时间步的深度神经网络，使用卷积层与长短期记忆（LSTM）层组合。该方法经实证评估，并与其他流行的链路行程时间预测方法及现有可用服务（包括丹麦哥本哈根当前部署的模型）比较。我们发现所提模型显著优于所有其他对比方法，并能非常快速地检测公交行程时间中的微小不规则峰值。
引用
@article{arxiv.1903.02791,
title = {Multi-output Bus Travel Time Prediction with Convolutional LSTM Neural Network},
author = {Niklas Christoffer Petersen and Filipe Rodrigues and Francisco Camara Pereira},
journal= {arXiv preprint arXiv:1903.02791},
year = {2021}
}