Detailergebnis zu DOK-Nr. 78351
Vorhersage von Fahrtstornierungen und Nichterscheinen in Paratransitdiensten (Orig. engl.: Predicting trip cancellations and no-shows in paratransit operations)
| Autoren |
F.A. Acosta Pérez G.E. Rodríguez-Ortiz F.J. Ortiz-Sacarella J.E. Kang D. Rodriguez-Roman E. Rodríguez-Muñiz |
|---|---|
| Sachgebiete |
0.11 Datenverarbeitung 5.3.4 Öffentlicher Personennahverkehr 6.2 Verkehrsberechnungen, Verkehrsmodelle |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2674, H. 8, 2020, S. 774-784, 4 B, 6 T, 26 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Die Produktivität von Paratransit-Systemen (gemeinsam genutzte Systeme) ließe sich verbessern, wenn die Verkehrsbetriebe über Instrumente verfügten, mit denen sie genau vorhersagen könnten, welche Fahrtenreservierungen wahrscheinlich zu Fahrten führen werden. Ein potenziell nützlicher Ansatz für diese Vorhersageaufgabe ist der Einsatz von Algorithmen des maschinellen Lernens, die beispielsweise in der Luftfahrt- und Hotelbranche routinemäßig eingesetzt werden, um Vorhersagen über die Ergebnisse von Reservierungen zu treffen. In der Studie wird die Anwendung von Algorithmen des maschinellen Lernens (ML) für zwei Vorhersageprobleme untersucht, die für den Paratransitbetrieb von Interesse sind. Beim ersten Problem geht es den Betreibenden nur um die Vorhersage, welche Reservierungen zu Fahrten führen werden und welche nicht, während beim zweiten Vorhersageproblem die Betreibenden an mehr als zwei Reservierungsergebnissen interessiert ist. Logistische Regression, Random Forest, Gradient Boosting und Extreme Gradient Boosting waren die wichtigsten maschinellen Lernalgorithmen, die in der Studie angewandt wurden. Darüber hinaus wurde ein auf Clustering basierender Ansatz entwickelt, um den Reisebuchungen Ergebniswahrscheinlichkeiten zuzuordnen. Anhand von Fahrtenbuchungsdaten, die von der Metropolitan Bus Authority of Puerto Rico zur Verfügung gestellt wurden, wurden Tests durchgeführt, um die Vorhersagegenauigkeit der ausgewählten Algorithmen zu untersuchen. Die Algorithmen Gradient Boosting und Extreme Gradient Boosting schnitten bei den Klassifizierungstests am besten ab. Zur Veranschaulichung einer Anwendung der Algorithmen wurden außerdem Modelle zur Nachfrageprognose erstellt, die sich als vielversprechender Ansatz für die Vorhersage der täglichen Fahrten in Paratransitsystemen erwiesen. Die beste Methode in dieser Übung war ein Regressionsmodell, das die von den in der Studie betrachteten Algorithmen des maschinellen Lernens generierten Nachfragevorhersagen optimal kombinierte.