Zurück Vor

Detailergebnis zu DOK-Nr. 80222

Kurzfristige Reisezeitvorhersage mittels einer "Support Vector Machine" und der "Nearest Neighbor"-Methode (Orig. engl.: Short-term travel-time prediction using support vector machine and nearest neighbor method)

Autoren	M. Meng T.D. Toan Y.D. Wong S.H. Lam
Sachgebiete	0.11 Datenverarbeitung 5.1 Autobahnen 5.15 Verkehrsablauf (Verkehrsfluss, Leistungsfähigkeit)

Transportation Research Record: Journal of the Transportation Research Board Vol. 2676, H. 6, 2022, S. 353-365, 10 B, 3 T, 61 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr

In dem Beitrag wird die Leistung der "Support Vector Machine" (SVM) bei der kurzfristigen Vorhersage von Reisezeiten im Vergleich zu den grundlegenden Methoden, einschließlich des historischen Mittelwerts, der aktuellen Zeit und der zeitvariablen Koeffizienten, untersucht. Die SVM ist eine mathematische Methode, die im Umfeld des maschinellen Lernens zum Einsatz kommt. Sie gestattet das Klassifizieren von Objekten und ist vielfältig nutzbar. Unterstützt werden die lineare und die nicht-lineare Objektklassifizierung. Um die Leistung der SVM zu demonstrieren, wurden einmonatige Zeitreihendaten der Geschwindigkeit auf einem Abschnitt des Pan-Island Expressway in Singapur verwendet, um die Reisezeit für das Training und den Test des SVM-Modells zu schätzen. Die Ergebnisse zeigen, dass die SVM-Methode sowohl bei normalen als auch bei wiederkehrenden Staus über einen weiten Bereich von Vorhersageintervallen deutlich besser abschneidet als die Basismethoden. Bei der Untersuchung des SVM-Vorhersageverhaltens in Störungssituationen zeigen die Ergebnisse, dass alle Prädiktoren bei der Verwendung von 15-minütigen aggregierten Felddaten nicht schnell genug reagieren, aber das SVM-Vorhersageergebnis folgt dem Testdatenprofil bei 2-minütigen aggregierten simulierten Daten sehr genau. Um die Vorhersageleistung zu verbessern, wurde schließlich eine empirische "k-Nächste-Nachbar"-Methode ("k-nearest neighbor", KNN) eingeführt, um Muster zu finden, die dem Testvektor für das SVM-Training am nächsten liegen. Diese Methode gehört zu den einfachsten und gängigsten Algorithmen zur Klassifizierung von Daten. Dieser Algorithmus kann dem Bereich des Supervised Learning zugeordnet werden und wird oft am Anfang eines Projekts verwendet, um einen ersten Überblick über die Daten zu erhalten. Ein großer Vorteil dieses Algorithmus ist, dass er im Gegensatz zu beispielsweise Neuronalen Netzen kein aufwendiges Training benötigt, sondern alle Daten bei jeder Klassifizierung verwendet werden. Die Ergebnisse zeigen, dass die Methode KNN ein attraktives Werkzeug für SVM-Reisezeitvorhersagen ist. Bei der Suche nach den ähnlichsten Mustern für das SVM-Training ermöglicht KNN eine drastische Reduzierung der Trainingsgröße, um die Trainingsaufgabe zu beschleunigen und gleichzeitig die Vorhersagegenauigkeit beizubehalten.