Resumen

Una prediccin precisa de las horas de llegada de los autobuses ayuda a los pasajeros a organizar sus viajes de forma fcil y flexible y mejora la eficiencia de los desplazamientos. As pues, es importante gestionar y programar las horas de llegada de los autobuses para un despliegue eficiente de los mismos y para aliviar la congestin del trfico, lo que mejora la calidad del servicio del sistema de transporte pblico. Sin embargo, debido a las muchas variables que perturban el transporte programado, la prediccin precisa es un reto. Para predecir con exactitud la hora de llegada de un autobs, esta investigacin adopt una red neuronal recurrente (RNN). Para la prediccin, se investigaron las variables que afectan a la hora de llegada del autobs a partir del conjunto de datos que contiene la ruta, un conductor, el tiempo y el horario. A continuacin, se cre un modelo RNN multicapa apilado con las variables clasificadas en cuatro grupos. El modelo RNN con un modelo de secuencia espaciotemporal y multientrada independiente se aplic a los datos de las horas de llegada y salida de un autobs de toda una ruta de autobuses de Shandong Linyi. El resultado de la simulacin del modelo revel que el modelo de memoria convolucional a largo plazo (ConvLSTM) mostraba la mayor precisin entre los modelos probados. La propagacin del error y el nmero de pasos de prediccin influyeron en la precisin de la prediccin.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Predicciones; Tiempos de llegada de los autobuses; Despliegue eficiente; Congestión del tráfico; Red neuronal recurrente; Variables
• Keywords:Predictions; Bus arrival times; Efficient deployment; Traffic congestion; Recurrent neural network; Variables