Forecasting Ferry Passenger Flow Using Long-Short Term Memory Neural Networks

要約

ニューラルネットワークに関連する最近の研究は、さまざまな予測や時系列調査に使用されており、本研究は、これらの文脈をフェリー旅客輸送に拡大することを目的としている。本研究の主な目的は、フィリピンの2つの港のフェリー旅客を予測するためのLSTMベースのニューラルネットワークの能力を調査・評価することである。提案モデルの2港の旅客流動予測の適合と評価は、フィリピン港湾庁（PPA）から取得した2016年から2022年までの月次旅客輸送量データに基づいている。この研究では、モデルの予測能力を評価するための主要な指標として、平均絶対パーセント誤差（MAPE）を用いる。提案されたLSTMベースのニューラルネットワーク・モデルは、バタンガス港フェリー旅客データに対して72%の予測精度を達成し、ミンドロ港フェリー旅客データに対しては74%の予測精度を達成した。KerasとScikit-learnのPythonライブラリを使用することで、本研究は提示されたLSTMモデルの妥当な予測性能を結論づけた。これらの注目すべき発見はさておき、本研究はまた、フェリー旅客流量の予測に他の統計的、機械学習、およびディープラーニング手法を採用することに関するさらなる調査と研究を推奨する。

要約(オリジナル)

With recent studies related to Neural Networks being used on different forecasting and time series investigations, this study aims to expand these contexts to ferry passenger traffic. The primary objective of the study is to investigate and evaluate an LSTM-based Neural Networks’ capability to forecast ferry passengers of two ports in the Philippines. The proposed model’s fitting and evaluation of the passenger flow forecasting of the two ports is based on monthly passenger traffic from 2016 to 2022 data that was acquired from the Philippine Ports Authority (PPA). This work uses Mean Absolute Percentage Error (MAPE) as its primary metric to evaluate the model’s forecasting capability. The proposed LSTM-based Neural Networks model achieved 72% forecasting accuracy to the Batangas port ferry passenger data and 74% forecasting accuracy to the Mindoro port ferry passenger data. Using Keras and Scikit-learn Python libraries, this work concludes a reasonable forecasting performance of the presented LSTM model. Aside from these notable findings, this study also recommends further investigation and studies on employing other statistical, machine learning, and deep learning methods on forecasting ferry passenger flows.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL