In this paper, the time series mode

In this paper, the time series model, Autoregressive Integrated Moving Average (ARIMA) is used to predict bus travel time.
ARIMA model is simpler used for predicting bus travel time based on travel time series data (historic data) compared
to regression method as the factors affecting bus travel time are not available in detail such as delay at link, bus stop,
intersection, etc. Bus travel time prediction is an important aspect to bus operator in providing timetable for bus operation
management and user information. The study aims at finding appropriate time series model for predicting bus travel time by
evaluating the minimum of mean absolute relative error (MARE) and mean absolute percentage prediction error (MAPPE).

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ เวลาชุดโมเดล Autoregressive รวมย้ายเฉลี่ย (ARIMA) ถูกใช้เพื่อทำนายระยะเวลาเดินทางรถบัส แบบจำลอง ARIMA จะง่ายกว่าใช้ทำนายรถเวลาเดินทางตามที่ท่องเที่ยวข้อมูลอนุกรมเวลา (ข้อมูลทางประวัติศาสตร์) เมื่อเทียบ วิธีถดถอยไป ตามปัจจัยที่มีผลต่อรถบัสเดินทาง เวลาไม่มีในรายละเอียดเช่นหน่วงเวลาการเชื่อมโยง บัส แยก ฯลฯ รถบัสท่องเที่ยวทำนายเวลาเป็นสิ่งสำคัญที่ผู้ประกอบการรถบัสให้ตารางเวลาสำหรับการดำเนินการของรถ ข้อมูลผู้ใช้และการจัดการ การศึกษามีวัตถุประสงค์เพื่อค้นหาเวลาที่เหมาะสมซีรีส์รุ่นทำนายรถเวลาเดินทางโดย ประเมินต่ำสุดหมายถึง ข้อผิดพลาดสัมพัทธ์สัมบูรณ์ (MARE) และหมายถึง เปอร์เซ็นต์แน่นอนคาดคะเนผิดพลาด (MAPPE)

ผลลัพธ์ (ไทย) 2:

ในบทความนี้ชุดรูปแบบเวลาอัตแบบบูรณาการ Moving Average (ARIMA) ถูกนำมาใช้ในการทำนายเวลาในการเดินทางรถบัส.
รูปแบบ ARIMA ง่ายใช้ในการทำนายเวลาในการเดินทางรถโดยสารอยู่บนพื้นฐานของข้อมูลอนุกรมเวลาในการเดินทาง (ข้อมูลทางประวัติศาสตร์) เมื่อเทียบ
กับวิธีการถดถอยเป็น ปัจจัยที่มีผลเวลาในการเดินทางรถบัสไม่สามารถใช้ได้ในรายละเอียดเช่นความล่าช้าในการเชื่อมโยงป้ายรถเมล์
สี่แยก ฯลฯ ทำนายเวลาในการเดินทางรถประจำทางเป็นสิ่งสำคัญที่จะต้องดำเนินการในการให้บริการรถบัสตารางเวลาสำหรับการดำเนินงานรถบัส
การบริหารจัดการและข้อมูลของผู้ใช้ การศึกษานี้มีจุดมุ่งหมายในการหารูปแบบอนุกรมเวลาที่เหมาะสมในการทำนายเวลาในการเดินทางรถบัสโดย
การประเมินขั้นต่ำเฉลี่ยแน่นอนญาติข้อผิดพลาด (MARE) และหมายถึงข้อผิดพลาดร้อยละทำนายแน่นอน (MAPPE)

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เวลาชุดรูปแบบ , ตัวเองรวมค่าเฉลี่ยเคลื่อนที่ ( ARIMA ) จะใช้ทำนายเวลาเดินทางรถบัสแบบจำลองที่ใช้ทำนายได้ง่ายกว่าเวลารถบัสเดินทางจากการเดินทางข้อมูลอนุกรมเวลา ( ข้อมูลประวัติศาสตร์เปรียบเทียบวิธีการถดถอยเป็นปัจจัยเวลารถบัสเดินทางไม่ได้มีอยู่ในรายละเอียด เช่น หน่วงเวลาที่ลิงค์ ป้ายรถเมล์สี่แยก ฯลฯ เดินทางรถเวลาการพยากรณ์คือ กว้างยาวสำคัญไปยังผู้ประกอบการในการให้บริการรถบัสรถบัสตารางเวลาสำหรับการดำเนินงานการจัดการข้อมูลผู้ใช้ การศึกษาในครั้งนี้มีจุดมุ่งหมายเพื่อหาแบบจำลองอนุกรมเวลาที่เหมาะสมสำหรับทำนายเวลาเดินทางโดยรถบัสการประเมินต่ำสุดสัมบูรณ์เฉลี่ยของความคลาดเคลื่อนสัมพัทธ์ ( ตัวเมีย ) และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย ( ทำนาย MAPPE )