Core Concepts
公共バス交通サービスの障害を予測し、効果的な代替車両配置を行うことで、運行の信頼性を向上させる手法が重要である。
Abstract
現代の都市生態系は公共交通に依存しており、需要の変動や障害による遅延が問題となっている。本研究では、ナッシュビルのトランジット機関と協力し、データ駆動型統計モデルや機械学習モデルを導入して障害を予測し、代替車両配置の最適化を行っている。これにより、乗客への影響を最小限に抑えつつ運行効率を向上させている。また、提案手法は将来的な都市移動性に寄与し、公平な都市移動を促進する可能性がある。
Stats
2020年から2023年までに記録された合計5096件の障害があります。
XGBoostモデルは学習率0.1、最大深度9、最小子ウェイト1、サブサンプル0.5で最も優れたパフォーマンスを示しました。
ロジスティック回帰モデルでは月別および早朝から午後までの時間帯が特に障害発生リスクが高いことが示されました。
Quotes
"Public transportation systems often suffer from unexpected fluctuations in demand and disruptions, such as mechanical failures and medical emergencies."
"By using our approach, the transit agency will identify routes that are prone to disruptions and ensure that the optimal allocation of substitute buses will minimize the effects on passengers and increase operational efficiency."
"Our approach minimized the number of passengers left behind by the strategic stationing of additional vehicles."