Het nauwkeurig voorspellen van de aankomsttijden van bussen is van groot belang, vooral in hectische stedelijke omgevingen. Mensen voorzien van efficiënt en tijdig vervoer kan hen ontmoedigen om privévoertuigen te gebruiken, waardoor zowel het brandstofverbruik als de verkeersopstoppingen worden verminderd.

Onderzoekers van de Lovely Professional University (LPU) in Jalandhar, Indië, hebben onlangs een op kunstmatig neuraal netwerk (ANN) gebaseerd model ontwikkeld dat de aankomsttijden van bussen kan voorspellen door historische GPS-gegevens te analyseren. hun methode, geschetst in een paper gepubliceerd in Springer's Pervasive Computing:een netwerkperspectief en toekomstige richtingen maakt gebruik van ANN's en radiale basisfunctie (RBF) technieken om de aankomst- en vertrektijden van bussen te voorspellen door gegevens te analyseren die zijn verzameld met behulp van GPS-technologie.

"In dit werk, kunstmatige neurale netwerken (ANN's) en radiale basisfunctie (RBF) zijn toegepast op gegevens die zijn verzameld via GPS, " schreven de onderzoekers in hun paper. "Real-time voorspelling van de aankomsttijd van de bus heeft een aantal toepassingen voor vrachtbezorging, transitdiensten en logistiek."

Op ANN gebaseerde modellen kunnen de prestaties en efficiëntie van de huidige transportsystemen aanzienlijk verbeteren, waardoor nauwkeurigere voorspellingen van aankomsttijden mogelijk zijn. In hun studie hebben Aditya Khamparia en Rubina Choudhary, twee onderzoekers van LPU, uiteengezet om een ​​model te ontwikkelen dat busaankomsttijden kan voorspellen met minimale fouten, waardoor de wachttijden voor passagiers aanzienlijk kunnen worden verkort.

Hun onderzoek werd uitgevoerd in zeven belangrijke stappen. Eerst, de onderzoekers identificeerden factoren die van invloed zijn op de aankomsttijden van de bus, zoals snelheid, staat van de weg, verkeer, afstand tussen verschillende haltes, tijd besteed aan het in- en uitstappen van passagiers en weersomstandigheden. Vervolgens brachten ze de route van de bus en de organisatie ervan in kaart.

Bijgevolg, de onderzoekers verzamelden regelmatig historische busgegevens met behulp van automatische voertuiglocatie (AVL)-systemen. Ze gebruikten specifiek GPS-ontvangers die waren gekoppeld aan GSM-modems die in de universiteitsbussen waren geplaatst.

Khamparia en Choudhary voedden de verzamelde gegevens met zowel een feed-forward back-propagation-algoritme (BPA) als RBF, hen te trainen om voorspellingen te doen over toekomstige busaankomsttijden. Eindelijk, ze gebruikten deze twee modellen om de aankomsttijden van de bus te voorspellen en hun prestaties te vergelijken.

De onderzoekers trainden en evalueerden deze methoden op twee specifieke busroutes, die van Amritsar naar de LPU-campus en vice versa. Voor elk model, ze berekenden de gemiddelde absolute fout (MAE), die in wezen het verschil meet tussen de doeltijd en de voorspelde tijd, en root-mean-square error (RMSE), die de gemiddelde grootte van de fout meet.

Ze merkten op dat het RBF-model veel lagere MAE- en RMSE-waarden had dan het BPA-model. Deze bevindingen suggereren dat RBF-technieken effectiever zijn dan BPA's bij het berekenen van busaankomsttijden in aanwezigheid van onvoorspelbare factoren.

"Hoewel de resultaten bemoedigend zijn, er zijn nog een aantal uitbreidingen van het model die bestudeerd moeten worden, " schreven de onderzoekers in hun paper. "In toekomstig werk, onderzoekers zouden een nieuw schema kunnen voorstellen dat de realtime voorspellingen van de aankomst- of vertrektijd van de bus kan berekenen, zoals variabiliteit in de vraag van passagiers bij een bepaalde bushalte, maatregelen voor verkeersopstoppingen, signalen inclusief progressie, vertraging als gevolg van verkeersopstoppingen of een ongeval, incidentinformatie enz."

© 2019 Wetenschap X Netwerk