Mapping Bus and Stream Travel Time Using Machine Learning Approaches
Notice bibliographique
Résumé
Collection of travel time data has always been a strenuous task, especially on Indian roads, due to the highly mixed traffic conditions and the absence of rigid driving characteristics. Travel time data collection methods such as on-board GPS devices and Wi-Fi scanners have their own feasibility issues. The GPS devices cannot be installed on all private vehicles, and Wi-Fi scanners cannot be set up at each and every road corridor. However, many transit agencies of Indian cities are installing GPS units in their public transport buses, making them a rich source of data. These buses travel all over the network and record the travel time and location information of vehicles at a certain interval, which can become the best and reliable source of traffic data under such conditions. The only limitation with this data is that the buses differ greatly from the rest of the vehicles in terms of vehicle characteristics, freedom of driving, effect of bus-stops, etc. So, a viable solution is to model and link the stream and bus travel times. Based on this, the present study proposes a method to map bus travel times with stream travel times using machine learning techniques, namely, Gradient Boosting Method and Support Vector Machines. Preliminary analysis showed that a nonlinear relationship exists between the travel times, and other factors like peak/off-peak hours, day of the week, etc. Results show that the proposed methods can efficiently map bus travel times with stream travel times with an average MAPE of 20% and perform better than existing approaches such as linear regression and artificial neural networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».