[论文解读] Bus Travel Time Prediction: A Lognormal Auto-Regressive (AR) Modeling Approach

B. Dhivyabharathi, B. Anil Kumar+2 more|ArXiv.org|Apr 6, 2019

Traffic Prediction and Management Techniques参考文献 73被引用 5

一句话总结

本文提出了一种基于对数正态分布的自回归建模方法，用于公交车行程时间预测，通过利用自动车辆定位（AVL）数据中的时间相关性，结合季节性AR模型与一种新颖的非平稳AR模型，后者利用偏相关性来捕捉时间依赖性。该方法在印度复杂多变的交通条件下，通过引入行程时间的对数正态分布特性，相较于历史平均值、指数平滑、ARIMA和神经网络（ANN）方法，实现了更高的预测精度。

ABSTRACT

Providing real time information about the arrival time of the transit buses has become inevitable in urban areas to make the system more user-friendly and advantageous over various other transportation modes. However, accurate prediction of arrival time of buses is still a challenging problem in dynamically varying traffic conditions especially under heterogeneous traffic condition without lane discipline. One broad approach researchers have adopted over the years is to segment the entire bus route into segments and work with these segment travel times as the data input (from GPS traces) for prediction. This paper adopts this approach and proposes predictive modelling approaches which fully exploit the temporal correlations in the bus GPS data. Specifically, we propose two approaches: (a) classical time-series approach employing a seasonal AR model (b)unconventional linear, non-stationary AR approach. The second approach is a novel technique and exploits the notion of partial correlation for learning from data. A detailed analysis of the marginal distributions of the data from Indian conditions (used here), revealed a predominantly log-normal behavior. This aspect was incorporated into the above proposed predictive models and statistically optimal prediction schemes in the lognormal sense are utilized for all predictions. Both the above temporal predictive modeling approaches predict ahead in time at each segment independently. For real-time bus travel time prediction, one however needs to predict across multiple segments ahead in space. Towards a complete solution, the study also proposes an intelligent procedure to perform (real-time) multi-section ahead travel-time predictions based on either of the above proposed temporal models. Results showed a clear improvement in prediction accuracy using the proposed methods,

研究动机与目标

• 解决印度城市中常见于动态、异构交通环境下的实时公交车到站时间预测难题。
• 通过在路段层面数据上应用时间序列技术，对公交车行程时间的时间相关性进行建模，以提升预测精度。
• 将行程时间分布的统计特性——特别是对数正态行为——整合到预测建模中，以实现最优性能。
• 开发一种多路段提前预测框架，支持BATP系统的实时应用。
• 通过系统性地整合行程时间建模中的时间相关性与分布假设，弥合现有文献中的研究空白。

提出的方法

• 将公交车行程时间建模为单变量时间序列，其中观测值为特定日期时间段内各路线路段的行程时间。
• 应用具有乘法或加法季节性的季节性自回归（SAR）模型，通过AIC准则选择最优模型，以捕捉一天中不同时段的模式。
• 提出一种新颖的非平稳AR模型，通过偏相关性学习为每个时间区间分别训练线性回归器，以利用时间依赖性。
• 将行程时间的对数正态分布特性整合到预测框架中，确保在分布假设下的统计最优估计。
• 开发一种多路段提前预测算法，通过独立训练各路段的模型，将预测结果在连续路段间串联起来。
• 使用27天实际运营的GPS数据进行模型训练与验证，性能通过MAPE指标评估。

实验结果

研究问题

• RQ1 如何有效建模AVL数据中的时间相关性，以提升在异构交通环境下的公交车行程时间预测性能？
• RQ2 与高斯分布假设相比，假设行程时间为对数正态分布对预测精度有何影响？
• RQ3 基于偏相关性学习的非平稳AR模型是否能优于经典的季节性AR模型及其他基准方法？
• RQ4 如何在保持精度与计算可行性的同时，实现实时跨多路段的预测？
• RQ5 在真实城市交通条件下，所提出的模型在多大程度上优于ARIMA、ANN和指数平滑等现有方法？

主要发现

• 所提出的季节性AR模型在所有测试日的MAPE指标上均略优于非平稳AR模型。
• 非平稳AR模型的性能受限于高质量数据不足，表明在更大数据集下具有改进潜力。
• 两种所提模型在所有测试日的MAPE指标上均优于历史平均值、指数平滑、ARIMA和ANN方法。
• 将对数正态分布整合到预测框架中，实现了统计最优预测，显著提升了相对于基于高斯分布模型的预测精度。
• 多路段提前预测框架通过使用各路段独立训练的模型串联预测，成功实现了实时应用。
• 本研究证实，在复杂真实交通环境中，同时建模时间相关性与分布行为可获得更优结果。