Zurück Vor

Detailergebnis zu DOK-Nr. 80842

Neues, auf Deep Learning basierendes Modell zur Vorhersage von Fahrgastströmen (Orig. engl.: New deep learning-based passenger flow prediction model)

Autoren	A. Utku S. Kayapinar Kaya
Sachgebiete	5.3.4 Öffentlicher Personennahverkehr 5.6 Fußgängerverkehr, Fußwege, Fußgängerüberwege 6.2 Verkehrsberechnungen, Verkehrsmodelle

Transportation Research Record: Journal of the Transportation Research Board Vol. 2677, H. 3, 2023, S. 1-17, 14 B, 5 T, 31 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr

Die Fähigkeit, Fahrgastströme in Verkehrsnetzen vorherzusagen, ist ein wichtiger Aspekt des Managements des öffentlichen Verkehrs (ÖV). Sie trägt dazu bei, den Service des ÖV zu verbessern, hilft den für das Management verantwortlichen Personen, frühzeitige Warnsignale für Notfälle und ungewöhnliche Umstände zu erhalten und macht die Städte im Allgemeinen intelligenter und sicherer. In dem Beitrag wird ein auf dem Langzeitgedächtnis (long short-term memory, LSTM) basierendes Deep-Learning-Modell zur Vorhersage des kurzfristigen Fahrgastaufkommens auf Verkehrswegen in Istanbul entwickelt. Dieses Vorhersagemodell wurde anhand eines Datensatzes erstellt, der die Anzahl der Personen enthält, die zwischen Januar und Dezember 2020 in einstündigen Abständen verschiedene Verkehrswege in Istanbul genutzt haben. Das vorgeschlagene mehrschichtige LSTM-basierte Deep-Learning-Modell wurde mit gängigen Modellen wie "Random Forest" (RF), "Support Vector Machines", "Autoregressive Integrated Moving Average", "Multilayer Perceptron" und "Convolutional Neural Network" verglichen. Die experimentellen Ergebnisse zeigten, dass das vorgeschlagene mehrschichtige LSTM-basierte Deep-Learning-Modell die anderen Modelle in Bezug auf die Vorhersage für jede Umsteigestrecke übertraf. Außerdem lieferte RF, eines der verwendeten maschinellen Lernmodelle, bemerkenswert erfolgreiche Ergebnisse.