Un método novedoso de predicción de tiempo de llegada de autobuses basado en análisis de centralidad de flujo espacio-temporal y aprendizaje profundo
Autores: Lee, Chanjae; Yoon, Young
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un método novedoso de predicción de tiempo de llegada de autobuses basado en análisis de centralidad de flujo espacio-temporal y aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Predicción de tiempos de llegada de paradas de autobús
Análisis de Centralidad del Flujo de Autobuses
Redes neuronales recurrentes
LSTM
GRU
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Este documento presenta un método para predecir los tiempos de llegada a las paradas de autobús basado en un enfoque único que extrae la dinámica espacio-temporal de los flujos de autobuses. Utilizando una nueva técnica llamada Análisis de Centralidad del Flujo de Autobuses (BFC), obtenemos la incrustación de baja dimensionalidad de los patrones de flujo de autobuses a corto plazo en forma de IID (Grado de Entrada Individual) e IOD (Grado de Salida Individual) y TOD (Grado de Salida Total) en cada estación de la red de autobuses. La incrustación utilizando el análisis de BFC captura bien las características de cada flujo individual y patrón agregado. El vector latente devuelto por el análisis de BFC se combina con otra información esencial como la velocidad del autobús, el tiempo de viaje, el tiempo de espera, los intervalos de despacho, la distancia entre estaciones, la estacionalidad, el estado de vacaciones e información climática. Empleamos una familia de redes neuronales recurrentes como LSTM, GRU y ALSTM para modelar cómo cambian estas características con el tiempo y predecir el tiempo que el autobús tarda en llegar a la siguiente parada en ventanas de tiempo posteriores. Experimentamos con nuestra solución utilizando registros de operaciones de autobuses en el área metropolitana de Seúl ofrecidos por el Sistema de Gestión de Autobuses (BMS) y el Sistema de Información de Autobuses (BIS) de Corea. Predijimos los tiempos de llegada para más de 100 rutas de autobús con un MAPE del 1,19%. Este margen de error es un 74% menor que el trabajo más reciente basado en ALSTM. También aprendimos que LSTM funciona mejor que GRU con un MAPE un 40,5% menor. Este resultado es aún más notable considerando la irregularidad en los patrones de flujo de autobuses y el hecho de que no nos basamos en información de GPS en tiempo real. Además, nuestro enfoque escala a nivel de toda la ciudad al analizar más de 100 rutas de autobús, mientras que estudios anteriores mostraron experimentos limitados en muchas menos rutas de autobús.
Descripción
Este documento presenta un método para predecir los tiempos de llegada a las paradas de autobús basado en un enfoque único que extrae la dinámica espacio-temporal de los flujos de autobuses. Utilizando una nueva técnica llamada Análisis de Centralidad del Flujo de Autobuses (BFC), obtenemos la incrustación de baja dimensionalidad de los patrones de flujo de autobuses a corto plazo en forma de IID (Grado de Entrada Individual) e IOD (Grado de Salida Individual) y TOD (Grado de Salida Total) en cada estación de la red de autobuses. La incrustación utilizando el análisis de BFC captura bien las características de cada flujo individual y patrón agregado. El vector latente devuelto por el análisis de BFC se combina con otra información esencial como la velocidad del autobús, el tiempo de viaje, el tiempo de espera, los intervalos de despacho, la distancia entre estaciones, la estacionalidad, el estado de vacaciones e información climática. Empleamos una familia de redes neuronales recurrentes como LSTM, GRU y ALSTM para modelar cómo cambian estas características con el tiempo y predecir el tiempo que el autobús tarda en llegar a la siguiente parada en ventanas de tiempo posteriores. Experimentamos con nuestra solución utilizando registros de operaciones de autobuses en el área metropolitana de Seúl ofrecidos por el Sistema de Gestión de Autobuses (BMS) y el Sistema de Información de Autobuses (BIS) de Corea. Predijimos los tiempos de llegada para más de 100 rutas de autobús con un MAPE del 1,19%. Este margen de error es un 74% menor que el trabajo más reciente basado en ALSTM. También aprendimos que LSTM funciona mejor que GRU con un MAPE un 40,5% menor. Este resultado es aún más notable considerando la irregularidad en los patrones de flujo de autobuses y el hecho de que no nos basamos en información de GPS en tiempo real. Además, nuestro enfoque escala a nivel de toda la ciudad al analizar más de 100 rutas de autobús, mientras que estudios anteriores mostraron experimentos limitados en muchas menos rutas de autobús.