کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4968670 1449676 2016 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Headway-based bus bunching prediction using transit smart card data
ترجمه فارسی عنوان
با استفاده از اطلاعات کارت هوشمند حمل و نقل، پیش بینی باندینگ مبتنی بر سرآیند
کلمات کلیدی
پیش بینی باندینگ اتوبوس، بی نظمی ریسندگی، کمترین مربعات از ماشین بردار پشتیبانی می کند، کارت هوشمند ترانزیت،
ترجمه چکیده
مقابله با اتوبوس به شدت کیفیت خدمات حمل و نقل را با عملکرد ضعیف در زمان و زمان انتظار بیش از حد کاهش می دهد. برای کاهش باندینگ اتوبوس، این مقاله چارچوبی پیش بینی را برای برآورده شدن بی نظمی پیشرفت سطح توقف براساس اطلاعات کارت هوشمند حمل و نقل ارائه می دهد. پیشرفت های تاریخی، تقاضای مسافران و زمان سفر برای مدل سازی نوسانات پیشرو در توقف های زیر استفاده می شود. یک مدل رگرسیون ماشین با پشتیبانی از مربع کم برای شناسایی دسته بندی اتوبوس با پیش بینی الگوی پیشرفت ایجاد شده است. آزمایش تجربی با دو مسیر اتوبوس در پکن انجام شده است تا اثربخشی رویکرد پیشنهادی را نشان دهد. روش پیش بینی می تواند بیش از 95 درصد از رویدادهای دسته بندی اتوبوس را در مقایسه با سایر الگوریتم های پیش بینی شده ثابت کند. علاوه بر این، دقت تشخیص به طور قابل توجهی بدتر نمی شود به عنوان زمان پیش بینی پیش بینی افزایش می یابد. چارچوب پیشنهادی به جای تصحیح سرعتی با تمام هزینه ها با اتخاذ اقدامات اصلاحی خاص، می تواند اطلاعات به موقع و دقیق را برای پیشگیری از حملات احتمالی اتوبوس و اطلاع رسانی به مسافران در هنگام اتوبوس بعدی ارائه دهد. این ویژگی باعث افزایش حمل و نقل عمومی و کاهش هزینه های عملیاتی برای مقامات حمل و نقل خواهد شد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
با استفاده از اطلاعات کارت هوشمند حمل و نقل، پیش بینی باندینگ مبتنی بر سرآیند
چکیده انگلیسی
Bus bunching severely deteriorates the quality of transit service with poor on-time performance and excessive waiting time. To mitigate bus bunching, this paper presents a predictive framework to capture the stop-level headway irregularity based on transit smart card data. Historical headway, passenger demands, and travel time are utilized to model the headway fluctuation at the following stops. A Least Squares Support Vector Machine regression is established to detect bus bunching with the predicted headway pattern. An empirical experiment with two bus routes in Beijing is conducted to demonstrate the effectiveness of the proposed approach. The predictive method can successfully identify more than 95% of bus bunching occurrences in comparison with other well-established prediction algorithms. Moreover, the detection accuracy does not significantly deteriorate as the prediction lead time increases. Instead of regularizing the headways at all costs by adopting certain correction actions, the proposed framework can provide timely and accurate information for potential bus bunching prevention and inform passengers when the next bus will arrive. This feature will greatly increase transit ridership and reduce operating costs for transit authorities.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Part C: Emerging Technologies - Volume 72, November 2016, Pages 45-59
نویسندگان
, , , , ,