Sistema de Previsão do Tempo de Chegada dos Ônibus Baseado em Dados Históricos Utilizando Modelos de Regressão

• Kássio Coquita Universidade Federal de Pernambuco
• Arley Ristar Universidade Federal de Pernambuco
• Adriano Oliveira Universidade Federal de Pernambuco
• Patrícia Tedesco Universidade Federal de Pernambuco

DOI: https://doi.org/10.5753/sbsi.2015.5808

Resumo

Os Sistemas Inteligentes de Transporte são aplicações de tecnologias da informação e comunicação que visam à melhoria da área de transporte. O fornecimento de informações sobre a chegada do ônibus nas paradas é muito importante e útil aos passageiros e gestores de trânsito. Este artigo apresenta a proposta de um sistema de previsão do tempo de chegada do ônibus na parada onde o usuário está localizado. Para isso, um estudo experimental na linha de ônibus Campina do Barreto de número 722 em Recife-PE foi realizado, comparando o modelo de Máquina de Vetor de Suporte para Regressão (SVR) e a rede neural do tipo Máquina de Aprendizado Extremo (ELM) na estimativa do tempo gasto para o ônibus percorrer paradas adjacentes. Os experimentos foram realizados utilizando os dados de log de GPS de ônibus na Região Metropolitana do Recife, e os resultados mostraram que para este sistema o SVR obteve uma performance melhor, quando comparado com a ELM.

Palavras-chave: Sistemas Inteligentes de Transporte, Previsão, Regressão, SVR, ELM

Referências

An, S.-H., Lee, B.-H., Shin, D-R. 2011. A Survey of Intelligent Transportation Systems. Communication Systems and Networks (CICSyN), 2011 Third International Conference, pp.332-337.

Huang, G., Wang, D. H., Lan, Y. 2011. Extreme learning machines: a survey, em: International Journal of Machine Learning and Cybernetics, vol. 2, issue 1, p. 107-122.

Oliveira, A. L. I. Estimation of Software Project Effort with Support Vector Regression, Neurocomputing 69, (2006), p. 1749–1753.

Pan, J., Dai, X., Xu, X., Li, Y. 2012. A Self-Learning Algorithm for Predicting Bus Arrival Time Based on Historical Data Model. Cloud Computing and Intelligent Systems (CCIS), IEEE 2nd International Conference, vol. 3, Hangzhou, p. 1112-1116.

Raut, R. D., Goyal, V. K. 2012. Public transport Bus Arrival Time Prediction with Seasonal and Special Emphasis on Weather Compensation changes using RNN, em: International Journal of Advanced Research in Computer and Communication Engineering, vol. 1, issue 6.

Wang, L., Zuo, Z. e Fu J. Bus Arrival Time Prediction Using RBF Neural Networks Adjusted by Online Data, 9th International Conference on Traffic & Transportation Studies, (2014), p. 67-75.

Ye, Q., Szeto, W. Y. e Wong, S. C. 2012. Short-Term Traffic Speed Forecasting Based on Data Recorded at Irregular Intervals, em: Intelligent Transportation Systems, vol. 13, no. 4.