مدل پیش‌بینی زمان سفر اتوبوس بر اساس شباهت پروفایل

عنوان فارسی مقاله:مدل پیش‌بینی زمان سفر اتوبوس بر اساس شباهت پروفایل

چکیده

در سیستم‌های حمل و نقل انبوه مبتنی بر جاده، زمان سفر یک عامل کلیدی در ارائه کیفیت خدمات است. این مقاله روشی را برای پیش‌بینی زمان سفر برای این نوع سیستم حمل‌ونقل پیشنهاد می‌کند. این روش زمان سفر را با در نظر گرفتن رفتار تاریخی آن، نشان‌داده‌شده توسط پروفایل‌های تاریخی، و رفتار فعلی ثبت‌شده در وسیله نقلیه عمومی که قرار است پیش‌بینی برای آن انجام شود، تخمین می‌زند. این مدل از الگوریتم خوشه‌بندی k-medoids برای بدست آوردن پروفایل‌های زمان سفر تاریخی استفاده می‌کند. یکی از ویژگی‌های مرتبط این مدل این است که به داده‌های زمان سفر اخیر از سایر وسایل نقلیه نیاز ندارد. به همین دلیل، مدل پیشنهادی ممکن است در زمینه‌های حمل و نقل بین شهری که در آن برنامه ریزی خدمات بر اساس جدول زمانی انجام می‌شود، استفاده شود. مدل پیشنهادی با دو مورد واقعی از مسیرهای حمل‌ونقل عمومی بین‌شهری آزمایش شده است و از نتایج به‌دست‌آمده می‌توان نتیجه گرفت که به طور کلی میانگین خطای پیش‌بینی‌ها در مقایسه با مقادیر زمان سفر مشاهده‌شده حدود ۱۳ درصد است.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Bus Travel Time Prediction Model Based on Profile Similarity

Abstract

In road-based mass transit systems, travel time is a key factor in providing quality of service. This article proposes a method of predicting travel time for this type of transport system. This method estimates travel time by taking into account its historical behaviour, represented by historical profiles, and the current behaviour recorded on the public transport vehicle for which the prediction is to be made. The model uses the k-medoids clustering algorithm to obtain historical travel time profiles. A relevant feature of the model is that it does not require recent travel time data from other vehicles. For this reason, the proposed model may be used in intercity transport contexts in which service planning is carried out according to timetables. The proposed model has been tested with two real cases of intercity public transport routes and from the results obtained we may conclude that, in general, the average error of the predictions is around 13% compared to the observed travel time values.