面向换乘协同且具有智能不确定性处理的短时公交行程时间预测
机器学习
2021-04-15 v1 机器学习
摘要
本文提出两种新颖的不确定性估计方法，针对多路段公交行程时间问题进行了适配与扩展。不确定性被直接建模为循环人工神经网络的一部分，但采用两种根本不同的方法：一种基于深度分位数回归（DQR），另一种基于贝叶斯循环神经网络（BRNN）。两种模型均预测未来多个时间步，但对时变不确定性估计的处理方式不同。我们提出一种采样技术，以聚合路段级行程时间的分位数估计，从而得到车辆从当前位置到特定下游站点或换乘点所需的多路段行程时间分布。为说明不确定性感知模型在该领域的相关性，我们聚焦于衔接保证应用作为案例研究：一个专家系统用于判断公交驾驶员应否停车等待换乘服务，或断开衔接以减少自身延误。结果表明，DQR模型在80%、90%和95%预测区间上总体表现最佳，无论是未来15分钟时间范围（t + 1），还是30和45分钟时间范围（t + 2和t + 3），均存在恒定但非常小的不确定性区间低估（1-4个百分点）。然而，我们也显示在特定情形下BRNN模型仍可能优于DQR。最后，我们展示了简单决策支持系统如何利用我们的不确定性感知行程时间模型，在战略点公交驻留中优先考虑行程时间不确定性差异，从而为衔接保证应用减少引入的延误。
引用
@article{arxiv.2104.06819,
title = {Short-term bus travel time prediction for transfer synchronization with intelligent uncertainty handling},
author = {Niklas Christoffer Petersen and Anders Parslov and Filipe Rodrigues},
journal= {arXiv preprint arXiv:2104.06819},
year = {2021}
}