Traveling time prediction in scheduled transportation with journey segments

تحرک شهری تا حد زیادی به زندگی شهری منجر می شود. برای افزایش تحرک شهری، تحقیقات زیادی در پیش بینی زمان سفر سرمایه گذاری شده است: با توجه به مبدأ و مقصد، یک مسافر را با ارزیابی دقیق از مدت زمانی که سفر طول می کشد، ارائه می دهد. در این کار، ما یک روش جدید از روش های نظریه صف بندی و یادگیری ماشین در فرآیند پیش بینی را بررسی می کنیم. ما یک موتور پیش بینی پیشنهاد می کنیم که با توجه به یک سفر اتوبوس (مسیر) و یک جفت "منبع / مقصد" برنامه ریزی شده، برآوردی برای زمان سفر ارائه می دهد، در حالی که با توجه به داده های تاریخی و جریان های واقعی اطلاعات که توسط اتوبوس ها منتقل می شود. ما یک مدل ارائه می دهیم که از تقسیم بندی طبیعی داده ها بر اساس ایستگاه های اتوبوس و مجموعه ای از پیش بینی کننده ها استفاده می کند، بعضی از یادگیری استفاده می کنند در حالی که دیگران بدون یادگیری برای محاسبه زمان سفر می کنند. ارزیابی تجربی ما، با استفاده از داده های اتوبوس که از شبکه اتوبوس در شهر دوبلین می آید، نشان می دهد که اصل عکس فوری، که از نظریه صف بندی گرفته شده، به خوبی کار می کند و هنوز هم از ریزشگران رنج می برد. برای غلبه بر مشکل فراگیر، ما از تکنیک های یادگیری ماشین به عنوان یک تنظیم کننده ای استفاده می کنیم که در تشخیص پراکنده ها و ارائه پیش بینی براساس داده های تاریخی کمک می کند.