Real-Time Bus Arrival Prediction: A Deep Learning Approach for Enhanced Urban Mobility

要約

都市環境では、バス交通が重要な公共交通手段として機能していますが、正確かつ信頼性の高い到着時刻を提供するというハードルに直面しています。
この不一致は、特にバス交通への依存度が高い地域では、遅延や乗客数の減少につながることがよくあります。
一般的な課題は、実際のバスの到着時刻と予定されているバスの到着時刻が一致せず、固定スケジュールの混乱につながることです。
ニューヨーク市のバス データを利用した私たちの調査では、バスの予定時刻と実際の到着時刻の間に平均約 8 分の遅れがあることが明らかになりました。
この研究では、さまざまな通過点 (駅) でのバスの到着時刻を予測するための、AI ベースのデータ駆動型の革新的な方法論を導入し、大都市圏内のすべてのバス路線の一括予測を提供します。
完全に接続されたニューラル ネットワークの展開を通じて、私たちの方法は公共バス交通システムの精度と効率を向上させます。
当社の包括的な評価は 200 以上のバス路線と 200 万のデータ ポイントを網羅しており、到着時間の推定誤差は 40 秒未満であることが示されています。
さらに、検証セット内の各データ ポイントの推論時間は 0.006 ミリ秒未満で記録されており、バス交通システムの定時性と信頼性を大幅に向上させるニューラルネット ベースのアプローチの可能性を示しています。

要約(オリジナル)

In urban settings, bus transit stands as a significant mode of public transportation, yet faces hurdles in delivering accurate and reliable arrival times. This discrepancy often culminates in delays and a decline in ridership, particularly in areas with a heavy reliance on bus transit. A prevalent challenge is the mismatch between actual bus arrival times and their scheduled counterparts, leading to disruptions in fixed schedules. Our study, utilizing New York City bus data, reveals an average delay of approximately eight minutes between scheduled and actual bus arrival times. This research introduces an innovative, AI-based, data-driven methodology for predicting bus arrival times at various transit points (stations), offering a collective prediction for all bus lines within large metropolitan areas. Through the deployment of a fully connected neural network, our method elevates the accuracy and efficiency of public bus transit systems. Our comprehensive evaluation encompasses over 200 bus lines and 2 million data points, showcasing an error margin of under 40 seconds for arrival time estimates. Additionally, the inference time for each data point in the validation set is recorded at below 0.006 ms, demonstrating the potential of our Neural-Net-based approach in substantially enhancing the punctuality and reliability of bus transit systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google