基于贝叶斯高斯混合模型的公交行程时间概率预测
应用统计
2022-06-15 v1
摘要
准确预测公交行程时间及其不确定性对公交系统的服务质量和运营至关重要；例如，它可以帮助乘客更好地决定出发时间、路线选择甚至交通方式选择，并支持公交运营商在排班和时刻表编制等任务上做出明智决策。然而，现有大多数公交行程时间预测方法基于确定性模型，仅提供点估计。为此，我们在本文中开发了一个贝叶斯概率预测模型用于公交行程时间。为刻画连续公交车之间强烈的依赖/相互作用，我们将一对相邻公交车的路段行程时间向量与车头时距向量拼接为一个新的增广变量，并用带约束的多元高斯混合分布对其建模。该方法可自然捕获相邻公交车之间的相互作用（例如相关的速度和车头时距的平滑变化）、处理数据中的缺失值，并刻画公交行程时间分布中的多模态。接下来，我们假设一天中不同时段共享同一组高斯分量但具有不同的混合系数，以刻画公交运营中的系统性时间变化。对于模型推断，我们开发了高效的马尔可夫链蒙特卡罗（MCMC）采样算法以获得模型参数的后验分布并进行概率预测。我们使用来自中国广州一条二十路段公交线路的数据测试了所提模型。结果表明，在预测均值和分布方面，我们的方法显著优于忽略公交车间相互作用的基线模型。除预测外，所提模型的参数包含丰富信息，可用于理解/改进公交服务。
引用
@article{arxiv.2206.06915,
title = {Probabilistic forecasting of bus travel time with a Bayesian Gaussian mixture model},
author = {Xiaoxu Chen and Zhanhong Cheng and Jian Gang Jin and Martin Trepanier and Lijun Sun},
journal= {arXiv preprint arXiv:2206.06915},
year = {2022}
}