Resumen

En este estudio, se propone un método híbrido que combina la máquina de aprendizaje extremo (ELM) y la optimización por enjambre de partículas (PSO) para predecir los retrasos en la llegada de los trenes, que puede utilizarse para la posterior gestión de los retrasos y la optimización de los horarios. En primer lugar, se eligen nueve características (p. ej., el tiempo de amortiguación, el número de tren y el código de estación) asociadas a los retrasos en la llegada de los trenes y se analizan mediante un clasificador de árboles extra. A continuación, se desarrolla un ELM con una capa oculta para predecir los retrasos en la llegada de los trenes teniendo en cuenta las características mencionadas anteriormente. Además, se elige el algoritmo PSO para optimizar el hiperparámetro del ELM en comparación con la optimización bayesiana y el algoritmo genético para resolver el arduo problema de la regulación manual. Por último, se estudia un caso para confirmar la ventaja del modelo propuesto. En comparación con cuatro modelos de referencia (k-nearest neighbor, categorical boosting, Lasso y gradient boosting decision tree) en diferentes métricas, se demuestra que el modelo propuesto es competente y alcanza la mayor precisión de predicción. Además, mediante un análisis detallado del error de predicción, se comprueba que nuestro modelo posee una buena robustez y corrección.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:retrasos en la llegada de trenes, elm, modelo, clasificador de árboles extra, máquina de aprendizaje extremo, mayor precisión de predicción, optimización por enjambre de partículas, características, optimización bayesiana, algoritmo pso
• Keywords:train arrival delays, elm, model, extra trees classifier, extreme learning machine, highest prediction accuracy, particle swarm optimization, characteristics, bayesian optimization, pso algorithm