Resumen

En los últimos años, con la mejora continua de la capacidad de transporte público urbano, los desplazamientos de los ciudadanos se han vuelto cada vez más convenientes, pero aún existen algunos problemas potenciales, como la congestión en las horas pico de la mañana y la tarde, el desequilibrio entre la oferta y la demanda de vehículos y flujo de pasajeros, emergencias y el aumento del flujo de pasajeros locales debido a circunstancias especiales como actividades y mal tiempo. Si se desea guiar adecuadamente el flujo de pasajeros locales y realizar una distribución razonable de los autobuses en operación, es necesario comprender la ley cambiante del flujo de pasajeros a corto plazo en el transporte público. Este artículo construye un modelo de predicción de flujo de pasajeros a corto plazo para el transporte público urbano basado en la idea de aprendizaje integrado. El objetivo es utilizar el modelo integrado para predecir con precisión el flujo de pasajeros a corto plazo del transporte público urbano, utilizando Regresión Lineal Multivariable (MLR

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Mejora continua; Transporte público urbano; Flujo de pasajeros a corto plazo; Modelo de predicción; Aprendizaje integrado; Regresión Lineal Multivariable
• Keywords:Continuous improvement; Urban public transportation; Short-term passenger flow; Prediction model; Integrated learning; Multivariable Linear Regression