Resumen

Ante el aumento de la demanda de viajes y los problemas del transporte público, es necesario ajustar dinámicamente los horarios o la programación de los autobuses basándose en una previsión precisa del flujo de pasajeros en tiempo real. Para obtener un flujo de pasajeros más preciso en el futuro, este artículo propone un nuevo modelo híbrido jerárquico basado en un modelo de series temporales, redes de creencia profunda (DBN) y una máquina de aprendizaje extremo incremental mejorada (Im-ELM) para predecir el flujo de pasajeros a corto plazo. El modelo propuesto se denomina HTSDBNE y consta de dos etapas de modelización. En primer lugar, siguiendo la idea de paralelización, el modelo híbrido, construido por un modelo de series temporales, una DBN y una Im-ELM, se utiliza para predecir el flujo de pasajeros a corto plazo en diferentes escalas temporales de forma jerárquica y paralela. En segundo lugar, se utiliza Im-ELM para analizar la relación de los resultados de la previsión del primer paso, y los resultados ponderados de Im-ELM son los resultados finales de la previsión. En comparación con los modelos de previsión simples y los modelos de previsión híbridos típicos, los resultados de las pruebas indican que HTSDBNE tiene mejores prestaciones. El error medio porcentual absoluto de los resultados de predicción se sitúa en torno al 10 y cumple plenamente los requisitos de aplicación de las empresas de autobuses.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:flujo de pasajeros a plazo, modelo de series temporales, elm, máquina de aprendizaje extremo incremental, error medio porcentual absoluto, modelo híbrido jerárquico novedoso, previsión del flujo de pasajeros a plazo, modelos de previsión híbridos típicos, flujo de pasajeros preciso, empresa de explotación de autobuses
• Keywords:term passenger flow, time series model, elm, incremental extreme learning machine, mean absolute percent error, novel hierarchical hybrid model, time passenger flow forecasting, typical hybrid forecasting models, accurate passenger flow, bus operation enterprise