Prédire avec précision les heures d'arrivée des bus est primordial, en particulier dans les environnements urbains agités. Offrir aux gens un moyen de transport efficace et rapide peut les décourager d'utiliser des véhicules privés, réduisant ainsi à la fois la consommation de carburant et les embouteillages.

Chercheurs de la Lovely Professional University (LPU) à Jalandhar, Inde, ont récemment développé un modèle basé sur un réseau de neurones artificiels (ANN) qui peut prédire les heures d'arrivée des bus en analysant les données GPS historiques. Leur méthode, décrit dans un article publié dans Springer's L'informatique omniprésente :une perspective de mise en réseau et des orientations futures utilise des techniques ANN et de fonction de base radiale (RBF) pour prédire les heures d'arrivée et de départ des bus en analysant les données collectées à l'aide de la technologie GPS.

"Dans ce travail, les réseaux de neurones artificiels (ANN) et la fonction de base radiale (RBF) ont été appliqués aux données collectées par GPS, ", ont écrit les chercheurs dans leur article. "La prédiction en temps réel de l'heure d'arrivée des bus a un certain nombre d'applications pour la livraison de fret, les services de transit et les domaines de la logistique."

Les modèles basés sur l'ANN pourraient grandement améliorer les performances et l'efficacité des systèmes de transport actuels, permettant des prévisions plus précises de l'heure d'arrivée. Dans leur étude, Aditya Khamparia et Rubina Choudhary, deux chercheurs au LPU, a entrepris de développer un modèle capable de prédire les heures d'arrivée des bus avec un minimum d'erreur, ce qui pourrait réduire considérablement les temps d'attente des passagers.

Leur recherche s'est déroulée en sept étapes clés. D'abord, les chercheurs ont identifié des facteurs qui affectent les heures d'arrivée des bus, comme la vitesse, état des routes, circulation, distance entre les différents arrêts, le temps passé à faire monter/descendre les passagers du bus et les conditions météorologiques. Ils ont ensuite cartographié le parcours du bus et son organisation.

Par conséquent, les chercheurs ont collecté régulièrement des données historiques sur les bus à l'aide de systèmes de localisation automatique de véhicules (AVL). Ils ont notamment utilisé des récepteurs GPS interfacés avec des modems GSM placés à l'intérieur des bus universitaires.

Khamparia et Choudhary ont alimenté les données collectées à la fois à un algorithme de rétro-propagation (BPA) et à un RBF, les former à faire des prédictions sur les futures heures d'arrivée des bus. Finalement, ils ont utilisé ces deux modèles pour prévoir les heures d'arrivée des bus et comparer leurs performances.

Les chercheurs ont formé et évalué ces méthodes sur deux lignes de bus spécifiques, celui d'Amritsar au campus LPU et vice versa. Pour chaque modèle, ils ont calculé l'erreur absolue moyenne (MAE), qui mesure essentiellement la différence entre l'heure cible et l'heure prévue, et erreur quadratique moyenne (RMSE), qui mesure l'amplitude moyenne de l'erreur.

Ils ont observé que le modèle RBF avait des valeurs MAE et RMSE bien inférieures à celles du modèle BPA. Ces résultats suggèrent que les techniques RBF sont plus efficaces que les BPA pour calculer les temps d'arrivée des bus en présence de facteurs imprévisibles.

« Bien que les résultats soient encourageants, il y a encore un certain nombre d'extensions au modèle qui devraient être étudiées, " les chercheurs ont écrit dans leur article. " Dans les travaux futurs, les chercheurs pourraient proposer un nouveau schéma capable de calculer les prédictions en temps réel de l'heure d'arrivée ou de départ des bus, comme la variabilité de la demande de passagers à un arrêt de bus donné, mesures de congestion du trafic, signaux dont la progression, retard dû à des embouteillages ou à un accident, informations sur les incidents, etc. »

© 2019 Réseau Science X