Predicting arrival times of buses i

Predicting arrival times of buses is a key challenge in the context of building intelligent public transportation systems. In this paper, we describe an efficient non-parametric algorithm which provides highly accurate predictions based on real-time GPS measurements. The key idea is to use a Kernel Regression model to represent the dependencies between position updates and the arrival times at bus stops. The performance of the proposed algorithm is evaluated on real data from the public bus transportation system in Dublin, Ireland. For a time horizon of 50 minutes, the prediction error of the algorithm is less than 10 percent on average. It clearly outperforms parametric methods which use a Linear Regression model, predictions based on the K-Nearest Neighbor algorithm, and a system which computes predictions of arrival times based on the current delay of buses. A study investigating the selection of interpolation points to reduce the size of the training set concludes the paper.

ผลลัพธ์ (ไทย) 1:

ทำนายเวลาของรถบัสเป็นความท้าทายที่สำคัญในบริบทของการสร้างระบบขนส่งอัจฉริยะ ในกระดาษนี้ เรากล่าวถึงอัลกอริทึมไม่ใช่พาราเมตริกประสิทธิภาพซึ่งทำให้คาดคะเนแม่นยำสูงบนการวัดจีพีเอสแบบเรียลไทม์ ความคิดที่สำคัญคือการ ใช้แบบจำลองการถดถอยของเคอร์เนลเพื่อแสดงความสัมพันธ์ระหว่างการปรับปรุงตำแหน่งและเวลาหยุดรถ ประเมินประสิทธิภาพของวิธีการนำเสนอข้อมูลจริงจากระบบขนส่งรถโดยสารสาธารณะในดับลิน ไอร์แลนด์ ขอบฟ้าเวลา 50 นาที ข้อผิดพลาดการคาดเดาของอัลกอริทึมได้น้อยกว่า 10 เปอร์เซ็นต์โดยเฉลี่ย มันชัดเจนมีประสิทธิภาพสูงกว่าพาราเมตริกวิธีซึ่งใช้แบบจำลองถดถอยเชิงเส้น คาดคะเนตามอัลกอริทึม K-Nearest เพื่อนบ้าน และระบบซึ่งคำนวณคาดการณ์เวลาที่อิงการหน่วงเวลาปัจจุบันของรถ การศึกษาการตรวจสอบการเลือกจุดการแก้ไขเพื่อลดขนาดของชุดการฝึกอบรมสรุปกระดาษ

ผลลัพธ์ (ไทย) 2:

การคาดการณ์ครั้งการมาถึงของรถโดยสารเป็นความท้าทายที่สำคัญในบริบทของการสร้างระบบขนส่งสาธารณะที่ชาญฉลาด ในบทความนี้เราจะอธิบายขั้นตอนวิธีการที่ไม่ใช่ตัวแปรที่มีประสิทธิภาพซึ่งมีการคาดการณ์อย่างถูกต้องอยู่บนพื้นฐานของการวัดจีพีเอสแบบ real-time ความคิดที่สำคัญคือการใช้รูปแบบการถดถอย Kernel เพื่อเป็นตัวแทนของการพึ่งพาระหว่างการปรับปรุงตำแหน่งและเวลาเดินทางมาถึงที่ป้ายรถเมล์ ประสิทธิภาพการทำงานของอัลกอริทึมที่นำเสนอได้รับการประเมินกับข้อมูลจริงจากระบบการขนส่งรถโดยสารสาธารณะในดับลินไอร์แลนด์ สำหรับระยะเวลา 50 นาทีข้อผิดพลาดการคาดการณ์ของอัลกอริทึมน้อยกว่าร้อยละ 10 โดยเฉลี่ย มันชัดเจนมีประสิทธิภาพดีกว่าวิธีพาราซึ่งใช้รูปแบบการถดถอยเชิงเส้นการคาดการณ์บนพื้นฐานของอัลกอริทึมเพื่อนบ้าน K-ที่ใกล้ที่สุดและระบบซึ่งคำนวณการคาดการณ์ของเวลาที่เดินทางถึงขึ้นอยู่กับความล่าช้าในปัจจุบันของรถเมล์ การศึกษาตรวจสอบการเลือกจุดการแก้ไขเพื่อลดขนาดของชุดการฝึกอบรมสรุปกระดาษ

ผลลัพธ์ (ไทย) 3:

ทำนายการมาถึงเท่ารถบัสเป็นความท้าทายที่สำคัญในบริบทของระบบการขนส่งสาธารณะอัจฉริยะอาคาร . ในบทความนี้เราจะอธิบายขั้นตอนวิธีที่มีประสิทธิภาพที่ไม่ใช้พารามิเตอร์ ซึ่งมีการคาดการณ์ที่ถูกต้องสูงตาม GPS แบบวัด ความคิดหลักคือการใช้เคอร์เนลถดถอยแบบจำลองแสดง dependencies ระหว่างการปรับปรุงตำแหน่งและมาถึงครั้งที่ป้ายรถเมล์ สมรรถนะของวิธีที่เสนอประเมินผลข้อมูลที่แท้จริงจากรถขนส่งสาธารณะระบบในดับลิน , ไอร์แลนด์ สำหรับกรอบเวลา 50 นาที ค่าความคลาดเคลื่อนของขั้นตอนวิธีน้อยกว่า 10 เปอร์เซ็นต์โดยเฉลี่ย มันมีประสิทธิภาพดีกว่าวิธีที่ใช้พารามิเตอร์การถดถอยแบบเชิงเส้น , คาดคะเนตามขั้นตอนวิธีการเพื่อนบ้านละ และระบบซึ่งคำนวณตามการคาดการณ์ของเวลามาถึงล่าช้าปัจจุบันของรถ การศึกษาตรวจสอบการเลือกจุดการแก้ไขเพื่อลดขนาดของชุดฝึกอบรมสำหรับกระดาษ