Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/1076| Τύπος: | Άρθρο σε επιστημονικό περιοδικό |
| Τίτλος: | Particle swarm optimization and RBF neural networks for public transport arrival time prediction using GTFS data |
| Συγγραφέας: | [EL] Χονδροδήμα, Ευαγγελία[EN] Chondrodima, Evangelia [EL] Γεωργίου, Χαρίλαος[EN] Georgiou, Harilaos [EL] Πελέκης, Νίκος[EN] Pelekis, Nikos [EL] Θεοδωρίδης, Ιωάννης[EN] Theodoridis, Yannis |
| Ημερομηνία: | 13/06/2022 |
| Περίληψη: | Accurate prediction of Public Transport (PT) mobility is important for intelligent transportation. Nowadays, mobility data have become increasingly available with the General Transit Feed Specification (GTFS) being the format for PT agencies to disseminate such data. Estimated Time of Arrival (ETA) of PT is crucial for the public, as well as the PT agency for logistics, route-optimization, maintenance, etc. However, prediction of PT-ETA is a challenging task, due to the complex and non-stationary urban traffic. This work introduces a novel data-driven approach for predicting PT-ETA based on RBF neural networks, using a modified version of the successful PSO-NSFM algorithm for training. Additionally, a novel pre-processing pipeline (CR-GTFS) is designed for cleansing and reconstructing the GTFS data. The combination of PSO-NSFM and CR-GTFS introduces a complete framework for predicting PT-ETA accurately with real-world data feeds. Experiments on GTFS data verify the proposed approach, outperforming state-of-the-art in prediction accuracy and computational times. |
| Γλώσσα: | Αγγλικά |
| Σελίδες: | 15 |
| DOI: | 10.1016/j.jjimei.2022.100086 |
| ISSN: | 2667-0968 |
| Θεματική κατηγορία: | [EL] Επιστήμη ηλεκτρονικών υπολογιστών και Πληροφορική, άλλοι τομείς[EN] Computer and Information sciences, miscellaneous |
| Λέξεις-κλειδιά: | Neural Networks; Fuzzy means; Optimization; Particle swarm optimization; Estimated time of arrival; Intelligent transportation systems; Public transport; General transit feed specification |
| Κάτοχος πνευματικών δικαιωμάτων: | © 2022 The Author(s). Published by Elsevier |
| Όροι και προϋποθέσεις δικαιωμάτων: | This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/) |
| Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη: | https://www.sciencedirect.com/science/article/pii/S2667096822000295 |
| Ηλεκτρονική διεύθυνση περιοδικού: | https://www.sciencedirect.com/journal/international-journal-of-information-management-data-insights |
| Τίτλος πηγής δημοσίευσης: | International Journal of Information Management Data Insights |
| Τεύχος: | 2 |
| Τόμος: | 2 |
| Σελίδες τεκμηρίου (στην πηγή): | Article no 100086 |
| Σημειώσεις: | This paper is one of the deliverables of the project with MIS 5050503 of the Call entitled ‘Support for researchers with emphasis on young researchers - cycle B’ (Code: EDBM103) which is part of the Operational Program ‘Human Resources Development, Education and Lifelong Learning’ which is Co-financed by Greece and the European Union (European Social Fund) |
| Εμφανίζεται στις συλλογές: | Ερευνητικές ομάδες |
Αρχεία σε αυτό το τεκμήριο:
| Αρχείο | Περιγραφή | Σελίδες | Μέγεθος | Μορφότυπος | Έκδοση | Άδεια | |
|---|---|---|---|---|---|---|---|
| 1-s2.0-S2667096822000295-main.pdf | 2 MB | Adobe PDF | Δημοσιευμένη/του Εκδότη |  | Δείτε/ανοίξτε |