online demand data can be used to e

online demand data can be used to enrich predictions.
Under this scheme, the events are triggered when a bus arrives at a bus stop, which determines a variable time-step. Hereafter, we denote t as the continuous time, k as the event, and tk as the continuous time at which event k occurs. Note that an event k is always associated with the arrival of a specific bus to a specific bus stop.
Sáez et al. (2007, 2009) define two state space variables in order to check the bus status and consequently trigger the events. These are the position of the bus at any continuous instant t, xi, and the expected remaining time for the bus to reach
the next stop, T^i . Specifically, the manipulated variables are the holding hi(k) and the station skipping Sui(k) actions associated
with bus i and event k. Thus, hi(k) is the lapse during which bus i is held at the stop associated with event k, while Sui(k) is a binary variable that is equal to one if passengers at allowed to board bus i at the stop associated with event k, zero otherwise.
The output variables correspond to the estimated passenger load ^L ðk þ 1Þ and the estimated departure time T^d ðk þ 1Þ
i i
once the bus departs from its current stop, associated with the bus i that triggered event k.
The analytical expressions for such a dynamic model associated with bus i that triggered event k can be summarized as follows (Sáez et al., 2007, 2009):

ผลลัพธ์ (ไทย) 1:

สามารถใช้ข้อมูลอุปสงค์ออนไลน์แก่คาดคะเนภายใต้โครงร่างนี้ เหตุการณ์จะถูกทริกเกอร์เมื่อรถบัสมาถึงที่หยุดรถประจำทาง ซึ่งกำหนดตัวแปรเวลาขั้นตอนการ โดย เราแสดง t เป็นเวลาต่อเนื่อง k เป็นเหตุการณ์ และทีเคเป็นเวลาต่อเนื่องในเหตุการณ์ที่เกิด k หมายเหตุ k มีเหตุการณ์อยู่เสมอเกี่ยวกับการมาถึงของรถ specific ไปหยุดรถ specificSáez et al. (2007, 2009) define สองตัวแปรพื้นที่รัฐเพื่อตรวจสอบสถานะรถ และทริกเกอร์เหตุการณ์ดัง นี้ นี่คือตำแหน่งของรถที่ t ใด ๆ ทันทีอย่างต่อเนื่อง ซี และเวลาที่เหลือที่คาดสำหรับรถถึงหยุดถัดไป T ^ ฉัน Specifically ตัวแปรที่แรก ๆ มี hi(k) ถือและสถานีข้าม Sui(k) การดำเนินการที่เกี่ยวข้องมีรถผมและเหตุการณ์ k , Hi(k) จึงล่วงเลยในระหว่างที่รถผมจะจัดที่ต้องเกี่ยวข้องกับเหตุการณ์ k, Sui(k) เป็น ตัวแปรฐานสองเท่ากับถ้าผู้โดยสารที่ได้รับอนุญาตให้คณะกรรมการรถผมที่ต้องเกี่ยวข้องกับเหตุการณ์ k ศูนย์อื่นตัวแปรผลลัพธ์สอดคล้องกับปริมาณผู้โดยสารประมาณ ^ L ðk þ 1Þ และเวลาเดินทางประมาณ T ^ 1Þ d ðk þฉันฉันเมื่อรถออกจากหยุดปัจจุบัน เชื่อมโยง ด้วยรถผม k ที่ทริกเกอร์เหตุการณ์นิพจน์สำหรับเช่นไดนามิกแบบเกี่ยวข้องกับรถที่ทริกเกอร์เหตุการณ์ k ได้วิเคราะห์สรุปดังนี้ (Sáez et al., 2007, 2009):

ผลลัพธ์ (ไทย) 2:

ความต้องการข้อมูลออนไลน์สามารถนำมาใช้เพื่อเพิ่มการคาดการณ์.
ภายใต้โครงการนี้เหตุการณ์ที่เกิดขึ้นจะถูกเรียกเมื่อรถมาถึงที่ป้ายรถเมล์ซึ่งกำหนดขั้นตอนเวลาตัวแปร ต่อจากนี้เราหมายถึงเสื้อเป็นเวลาต่อเนื่อง k เป็นเหตุการณ์และ tk เป็นเวลาอย่างต่อเนื่องที่เกิดขึ้นเหตุการณ์ k ทราบว่า k เหตุการณ์เกี่ยวข้องกับการมาถึงของรถบัสคระบุไว้ไปยังระบุไว้คป้ายรถเมล์.
Sáez et al, (2007, 2009) สายตะวันออกเฉียงเหนือของสองตัวแปรสภาพพื้นที่เพื่อตรวจสอบสถานะรถบัสและจึงเรียกเหตุการณ์ที่เกิดขึ้น เหล่านี้เป็นตำแหน่งของรถบัสที่ t ทันทีอย่างต่อเนื่องใด ๆ
ซีอานและเวลาที่เหลือคาดว่ารถบัสที่จะไปถึงสถานีถัดไปที่T ^ ฉัน ระบุไว้ถอนรากถอนโคนตัวแปรจัดการเป็นไฮถือครอง (k) และสถานีข้ามซุย (k)
การดำเนินการที่เกี่ยวข้องกับรถบัสฉันและเหตุการณ์k ดังนั้นไฮ (k) คือพ้นในระหว่างที่รถผมจะจัดขึ้นที่ป้ายที่เกี่ยวข้องกับเหตุการณ์ k ในขณะที่หมี่ (k) เป็นตัวแปรไบนารีที่มีค่าเท่ากับหนึ่งถ้าผู้โดยสารที่ได้รับอนุญาตให้ขึ้นรถบัสฉันที่ป้ายที่เกี่ยวข้องกับ เหตุการณ์ k, ศูนย์อื่น.
ตัวแปรที่ส่งออกสอดคล้องกับผู้โดยสารประมาณ ^ L DK þ 1th และเวลาเดินทางประมาณ T ^ d DK þ 1th
ii
ครั้งเดียวรถบัสออกเดินทางจากป้ายในปัจจุบันที่เกี่ยวข้องกับรถบัสฉันที่เรียกเหตุการณ์ k .
นิพจน์วิเคราะห์เช่นแบบไดนามิกที่เกี่ยวข้องกับรถบัสผมว่าเหตุการณ์ที่เรียก k สามารถสรุปได้ดังต่อไปนี้ (Sáez et al, 2007, 2009.)

ผลลัพธ์ (ไทย) 3:

ข้อมูลความต้องการของออนไลน์สามารถใช้เพื่อเพิ่มการคาดการณ์ .
ภายใต้โครงการนี้ เหตุการณ์จะถูกเรียกเมื่อรถบัสมาถึงที่ป้ายรถเมล์ ซึ่งกำหนดเวลาตามขั้นตอน ต่อจากนี้ เราแสดง t เป็นเวลาต่อเนื่อง , K เป็นเหตุการณ์และ TK เป็นเวลาต่อเนื่องที่เหตุการณ์ K เกิดขึ้น ทราบว่าเหตุการณ์ K มักเกี่ยวข้องกับการมาถึงของกาจึง ซี รถ ไป ประเภท C
จึงป้ายรถเมล์S . kgm คือ et al . ( 2007 , 2009 ) เดอจึงเน่สองปริภูมิสถานะตัวแปร เพื่อตรวจสอบสถานะและรถบัสจึงเรียกเหตุการณ์ เหล่านี้เป็นตำแหน่งของรถบัสที่ t ใด ๆได้ทันทีต่อเนื่อง Xi และคาดว่าเวลาที่เหลือสำหรับรถบัสถึง

ผมหยุดถัดไป , T . กาจึงคอลลี่ , ควบคุมตัวแปรเป็นถือครับ ( k ) และสถานีข้ามซุ่ย การกระทำที่เกี่ยวข้อง
( K )กับรถผม และ เหตุการณ์ คุณปาน ค่ะ ( k ) คือ lapse ในรถซึ่งจะจัดขึ้นที่เลิกเกี่ยวข้องกับเหตุการณ์ K ในขณะที่ซุ่ย ( K ) คือตัวแปรไบนารีที่เท่ากับหนึ่งหากผู้โดยสารที่อนุญาตให้คณะกรรมการที่เกี่ยวข้องกับรถบัสหยุดเหตุการณ์ K ,
ศูนย์อื่น ผลผลิตตัวแปรสอดคล้องกับประมาณการโหลดผู้โดยสาร
L ð K þ 1 Þและเวลาออกเดินทาง T
D ð K þ 1 Þ

ฉันเมื่อรถบัสออกเดินทางจากหยุดปัจจุบันของ ที่เกี่ยวข้องกับรถผมที่เรียกเหตุการณ์ K .
การแสดงออกการวิเคราะห์แบบไดนามิกรูปแบบดังกล่าวเกี่ยวข้องกับรถบัสที่ทริกเกอร์เหตุการณ์ K สามารถสรุปได้ดังต่อไปนี้ ( s . kgm คือ et al . , 2007 , 2009 ) :