Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/1465| Τύπος: | Κεφάλαιο σε πρακτικά συνεδρίου |
| Τίτλος: | Public transport arrival time prediction based on 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: | Οκτ-2021 |
| Περίληψη: | Public transport (PT) systems are essential to human mobility. PT investments continue to grow, in order to improve PT services. Accurate PT arrival time prediction (PT-ATP) is vital for PT systems delivering an attractive service, since the waiting experience for urban residents is an urgent problem to be solved. However, accurate PT-ATP is a challenging task due to the fact that urban traffic conditions are complex and changeable. Nowadays thousands of PT agencies publish their public transportation route and timetable information with the General Transit Feed Specification (GTFS) as the standard open format. Such data provide new opportunities for using the data-driven approaches to provide effective bus information system. This paper proposes a new framework to address the PT-ATP problem by using GTFS data. Also, an overview of various ML models for PT-ATP purposes is presented, along with the insightful findings through the comparison procedure based on real GTFS datasets. The results showed that the neural network -based method outperforms its rivals in terms of prediction accuracy. |
| Γλώσσα: | Αγγλικά |
| Τόπος δημοσίευσης: | Grasmere, UK |
| Σελίδες: | 15 |
| DOI: | 10.1007/978-3-030-95470-3_36 |
| ISBN: | 978-3-030-95470-3 |
| EISSN: | 1611-3349 |
| Θεματική κατηγορία: | [EL] Επιστήμη ηλεκτρονικών υπολογιστών και Πληροφορική, άλλοι τομείς[EN] Computer and Information sciences, miscellaneous |
| Λέξεις-κλειδιά: | Estimated time of arrival; GTFS; GTFS-RT; GTFS validation; Machine learning methods; Mobility data mining; Neural Networks; Public transport |
| Κάτοχος πνευματικών δικαιωμάτων: | © 2022 Springer Nature Switzerland AG |
| Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη: | https://link.springer.com/chapter/10.1007/978-3-030-95470-3_36 |
| Ηλεκτρονική διεύθυνση περιοδικού: | https://link.springer.com/conference/mod |
| Τίτλος πηγής δημοσίευσης: | Machine Learning, Optimization, and Data Science-7th International Conference, LOD 2021 Conference proceedings |
| Τόμος: | 2 |
| Σελίδες τεκμηρίου (στην πηγή): | 481–495 |
| Όνομα εκδήλωσης: | Machine Learning, Optimization, and Data Science 7th International Conference, LOD 2021 |
| Τοποθεσία εκδήλωσης: | Grasmere, UK |
| Ημ/νία έναρξης εκδήλωσης: | 04/10/2021 |
| Ημ/νία λήξης εκδήλωσης: | 08/10/2021 |
| 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:
Το πλήρες κείμενο αυτού του τεκμηρίου δεν διατίθεται προς το παρόν από το αποθετήριο