Detailergebnis zu DOK-Nr. 81158
Angewandtes maschinelles Lernen im öffentlichen Busverkehr: Eine systematische Literaturübersicht (Orig. engl.: Machine learning applied to public transportation by bus: A systematic literature review)
| Autoren |
T. Alexandre F. Bernardini J. Viterbo C.E. Pantoja |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 5.3.4 Öffentlicher Personennahverkehr |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2677, H. 7, 2023, S. 639-660, 8 T, zahlr. Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
In der Literatur wurden bereits Lösungen für maschinelles Lernen (ML) vorgeschlagen, um den öffentlichen Nahverkehr attraktiver zu machen. Arbeiten, die ML im Busverkehr einsetzen, konzentrieren sich auf verschiedene Probleme, wie die Vorhersage von Fahrzeiten oder Fahrgastströmen. Diese Lösungen zielen darauf ab, Elemente des ÖPNV-Angebots zu verbessern, zum Beispiel die Verfügbarkeit von Informationen über die Reisezeit der Fahrgäste sowie die Zuverlässigkeit und Regelmäßigkeit des Diensts. Eine Analyse der in der Literatur vorgeschlagenen Lösungen für den öffentlichen Busverkehr kann Möglichkeiten für die IT-Wissenschaft und Verkehrsfachleute aufzeigen und Probleme hervorheben, die bisher nur wenig erforscht wurden. Darüber hinaus könnten Informationen über die Modellierung dieser Lösungen (zum Beispiel die Arten von Daten, die von Geräten im Verkehrsnetz erzeugt werden und bei der Modellierung einer Lösung verwendet werden können) Anfängerinnen und Anfängern im IT-Bereich bei der Entwicklung von Lösungen für den öffentlichen Verkehr helfen. Verkehrsfachleute können von einem Überblick über mögliche Verkehrslösungen profitieren, um Verkehrsprobleme zu verbessern und die Bemühungen von Regierungsbehörden zur Umsetzung dieser Lösungen zu lenken. Der Artikel gibt einen Überblick über ML-basierte Lösungen für den öffentlichen Busverkehr und beschreibt die Modellierung dieser Lösungen (zum Beispiel Datentypen, ML-Algorithmen). Darüber hinaus werden die in der Literatur behandelten Probleme in vier Kategorien eingeteilt und die vorgeschlagenen Lösungen schematisch dargestellt, wobei Probleme aufgezeigt werden, die noch wenig erforscht sind.