Att noggrant förutsäga bussarnas ankomsttider är av avgörande betydelse, särskilt i hektiska stadsmiljöer. Att ge människor effektiv och snabb transport kan avskräcka dem från att använda privata fordon, vilket minskar både bränsleförbrukningen och trafikstockningarna.

Forskare vid Lovely Professional University (LPU) i Jalandhar, Indien, har nyligen utvecklat en artificiellt neuralt nätverk (ANN)-baserad modell som kan förutsäga bussankomsttider genom att analysera historisk GPS-data. Deras metod, beskrivs i en tidning publicerad i Springer's Pervasive Computing:Ett nätverksperspektiv och framtida riktningar använder ANNs och radial basis function (RBF)-tekniker för att förutsäga bussens ankomst- och avgångstider genom att analysera data som samlats in med GPS-teknik.

"I det här arbetet, artificiella neurala nätverk (ANN) och radiell basfunktion (RBF) har tillämpats på data som samlats in via GPS, " skrev forskarna i sin uppsats. "Realtidsförutsägelse av bussens ankomsttid har ett antal tillämpningar för lastleverans, transittjänster och logistikområden."

ANN-baserade modeller kan avsevärt förbättra prestandan och effektiviteten hos nuvarande transportsystem, möjliggör mer exakta ankomsttider. I deras studie, Aditya Khamparia och Rubina Choudhary, två forskare vid LPU, planerade att utveckla en modell som kan förutsäga bussankomsttider med minsta möjliga fel, vilket skulle kunna minska passagerarnas väntetider avsevärt.

Deras forskning utfördes i sju nyckelsteg. Först, forskarna identifierade faktorer som påverkar bussens ankomsttider, såsom hastighet, vägförhållanden, trafik, avstånd mellan olika hållplatser, tid som ägnas åt att släppa passagerare på/av bussen och väderförhållanden. De kartlade sedan bussens rutt och dess organisation.

Följaktligen, forskarna samlade in historisk bussdata regelbundet med hjälp av automatiska fordonslokaliseringssystem (AVL). De använde specifikt GPS-mottagare som var kopplade till GSM-modem placerade inuti universitetsbussarna.

Khamparia och Choudhary matade de insamlade data till både en feed-forward back-propagation-algoritm (BPA) och RBF, träna dem att göra förutsägelser om framtida bussankomsttider. Till sist, de använde dessa två modeller för att förutse bussankomsttider och jämförde deras prestanda.

Forskarna tränade och utvärderade dessa metoder på två specifika busslinjer, det från Amritsar till LPU-campus och vice versa. För varje modell, de beräknade det genomsnittliga absoluta felet (MAE), som i huvudsak mäter skillnaden mellan måltiden och förutspådd tid, och root-mean-square error (RMSE), som mäter den genomsnittliga storleken på felet.

De observerade att RBF-modellen hade mycket lägre MAE- och RMSE-värden än BPA-modellen. Dessa fynd tyder på att RBF-tekniker är mer effektiva än BPA:er vid beräkning av bussankomsttider i närvaro av oförutsägbara faktorer.

"Medan resultaten är uppmuntrande, det finns fortfarande ett antal förlängningar av modellen som bör studeras, " skrev forskarna i sin uppsats. "I framtida arbete, forskare skulle kunna föreslå ett nytt system som kan beräkna realtidsförutsägelser av bussens ankomst- eller avgångstid, såsom variationer i efterfrågan på passagerare vid en given busshållplats, trafikstockningsåtgärder, signaler inklusive progression, förseningar på grund av trafikstockningar eller olycka, incidentinformation etc."

© 2019 Science X Network