Arrival Time Prediction for Autonomous Shuttle Services in the Real World: Evidence from Five Cities

要約

都市のモビリティは、共有され、接続され、協調的に動作する自動運転車の出現により、変革の真っ只中にあります。
しかし、顧客に受け入れられるためには、時間厳守に対する信頼が不可欠です。
多くの試験的取り組みは固定スケジュールなしで実施されるため、信頼性の高い到着時間 (AT) 予測の重要性が高まります。
この研究では、5 つの都市の実世界データで検証された、滞留時間と走行時間の予測に別個のモデルを利用した、自動運転シャトル用の AT 予測システムを紹介します。
XGBoost などの確立された手法と並行して、グラフ ニューラル ネットワーク (GNN) を使用して空間データを統合する利点を探ります。
シャトルが停留所を迂回するケースを正確に処理するために、ランダム フォレスト分類器と GNN を組み合わせた階層モデルを提案します。
最終的な AT 予測の結果は有望であり、数ストップ先を予測する場合でも誤差が少ないことが示されています。
しかし、単一のモデルが普遍的に優れているということはなく、モデルの選択プロセスに影響を与えるパイロット サイトの特性についての洞察を提供します。
最後に、自律型シャトルが交通量の少ないエリアや規制速度制限下で配備される場合、全体的な AT 予測精度の主要な決定要因として滞留時間予測が重要であると特定しました。
この研究は、自律型公共交通機関の予測モデルの現状についての洞察を提供し、この分野の進歩に応じて、よりデータに基づいた意思決定への道を開きます。

要約(オリジナル)

Urban mobility is on the cusp of transformation with the emergence of shared, connected, and cooperative automated vehicles. Yet, for them to be accepted by customers, trust in their punctuality is vital. Many pilot initiatives operate without a fixed schedule, thus enhancing the importance of reliable arrival time (AT) predictions. This study presents an AT prediction system for autonomous shuttles, utilizing separate models for dwell and running time predictions, validated on real-world data from five cities. Alongside established methods such as XGBoost, we explore the benefits of integrating spatial data using graph neural networks (GNN). To accurately handle the case of a shuttle bypassing a stop, we propose a hierarchical model combining a random forest classifier and a GNN. The results for the final AT prediction are promising, showing low errors even when predicting several stops ahead. Yet, no single model emerges as universally superior, and we provide insights into the characteristics of pilot sites that influence the model selection process. Finally, we identify dwell time prediction as the key determinant in overall AT prediction accuracy when autonomous shuttles are deployed in low-traffic areas or under regulatory speed limits. This research provides insights into the current state of autonomous public transport prediction models and paves the way for more data-informed decision-making as the field advances.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google