Predecir con precisión las horas de llegada de los autobuses es de vital importancia, particularmente en entornos urbanos agitados. Proporcionar a las personas un transporte eficiente y oportuno puede disuadirlas de utilizar vehículos privados. en consecuencia, reduciendo tanto el consumo de combustible como la congestión del tráfico.

Investigadores de Lovely Professional University (LPU) en Jalandhar, India, Recientemente, han desarrollado un modelo basado en una red neuronal artificial (ANN) que puede predecir los tiempos de llegada de los autobuses mediante el análisis de datos históricos de GPS. Su método, esbozado en un artículo publicado en Springer's Computación generalizada:una perspectiva de trabajo en red y direcciones futuras emplea ANN y técnicas de función de base radial (RBF) para predecir las horas de llegada y salida de los autobuses mediante el análisis de los datos recopilados mediante tecnología GPS.

"En este trabajo, Las redes neuronales artificiales (ANN) y la función de base radial (RBF) se han aplicado a los datos recopilados a través del GPS. "escribieron los investigadores en su artículo." La predicción en tiempo real de la hora de llegada del autobús tiene varias aplicaciones para la entrega de carga, Servicios de tránsito y áreas de logística ".

Los modelos basados ​​en ANN podrían mejorar en gran medida el rendimiento y la eficiencia de los sistemas de transporte actuales, permitiendo predicciones más precisas de la hora de llegada. En su estudio, Aditya Khamparia y Rubina Choudhary, dos investigadores de LPU, se propuso desarrollar un modelo que pueda predecir los tiempos de llegada de los autobuses con un error mínimo, lo que podría reducir significativamente los tiempos de espera de los pasajeros.

Su investigación se llevó a cabo en siete pasos clave. Primero, los investigadores identificaron factores que afectan los tiempos de llegada de los autobuses, como la velocidad, condiciones del camino, tráfico, distancia entre diferentes paradas, tiempo empleado para permitir que los pasajeros suban y bajen del autobús y las condiciones climáticas. Luego trazaron un mapa de la ruta del autobús y su organización.

Como consecuencia, Los investigadores recopilaron datos históricos de autobuses de forma regular utilizando sistemas de localización automática de vehículos (AVL). Usaron específicamente receptores GPS que estaban interconectados con módems GSM ubicados dentro de los autobuses universitarios.

Khamparia y Choudhary alimentaron los datos recopilados tanto a un algoritmo de retropropagación (BPA) como a RBF, capacitándolos para hacer predicciones sobre los tiempos de llegada de los autobuses en el futuro. Finalmente, utilizaron estos dos modelos para pronosticar los tiempos de llegada de los autobuses y compararon su desempeño.

Los investigadores capacitaron y evaluaron estos métodos en dos rutas de autobús específicas, el de Amritsar al campus de la LPU y viceversa. Para cada modelo, calcularon el error absoluto medio (MAE), que básicamente mide la diferencia entre el tiempo objetivo y el tiempo previsto, y error cuadrático medio (RMSE), que mide la magnitud media del error.

Observaron que el modelo RBF tenía valores MAE y RMSE mucho más bajos que el modelo BPA. Estos hallazgos sugieren que las técnicas de RBF son más efectivas que los BPA para calcular los tiempos de llegada del autobús en presencia de factores impredecibles.

"Si bien los resultados son alentadores, todavía hay una serie de extensiones del modelo que deben estudiarse, "escribieron los investigadores en su artículo." En el trabajo futuro, Los investigadores podrían proponer un nuevo esquema que pueda calcular las predicciones en tiempo real de la hora de llegada o salida de los autobuses. como la variabilidad en la demanda de pasajeros en cualquier parada de autobús, medidas de congestión del tráfico, señales que incluyen progresión, retraso debido a congestión del tráfico o accidente, información del incidente, etc. "

© 2019 Science X Network