公交到站预测：一种 Seq2Seq RNN 方法
机器学习
2024-09-04 v2 人工智能
摘要
公交等公共交通的到达/行程时间会因季节性、站点停靠时间、交通信号、出行需求波动等因素而呈现波动性。特别是发展中国家还受到缺乏车道规范、车辆过剩、交通方式多样等额外因素的困扰。这使得公交到站时间预测（BATP）成为一个具有挑战性的问题，在发展中国家尤为突出。本文提出了一种基于循环神经网络（RNNs）的数据驱动模型，用于实时 BATP。该模型以区别于现有方法的独特（非线性）方式智能地融合了空间与时间相关性。具体而言，我们提出了一种基于门控循环单元（GRU）的编码器-解码器（ED）即 Seq2Seq RNN 模型（最初用于语言翻译）来进行 BATP。动态实时 BATP 问题的结构特征使其能很好地契合基于编码器-解码器的 RNN 结构。我们在解码器的每一步输入相关的附加同步信息（来自先前行程），这一特征在机器翻译应用中历来未被探索。进一步出于精确建模拥堵对行程时间预测的影响的动机，我们额外提出在解码器中使用双向层（在其他基于时间序列的 ED 应用情境中亦属未见）。所提算法的有效性在采集自极具挑战性交通状况的真实现场数据上得到了验证。我们的实验表明，该方法优于针对同一问题提出的多种现有 SOTA 数据驱动方法。
引用
@article{arxiv.2210.01655,
title = {Public Transit Arrival Prediction: a Seq2Seq RNN Approach},
author = {Nancy Bhutani and Soumen Pachal and Avinash Achar},
journal= {arXiv preprint arXiv:2210.01655},
year = {2024}
}