Travel time prediction under heterogeneous traffic conditions using global positioning system data from buses

Vanajakshi, Lelitha; Subramanian, Shankar C.; Sivanandan, R.

doi:10.1049/iet-its:20080013

Cited by 160 publications

(86 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Studies have been done on real time bus arrival time prediction for Indian conditions by taking delay explicitly into account using Kalman Filtering using GPS probe vehicle (Padmanaban et al, 2010;Vanajakshi et al, 2008). A travel time prediction model has been using Resource Tracking and Management Ser vice (RTMS) facility prov ided by mobile network prov ider (BSNL) on mobile SIMpassenger cards using buses as probes (Satyakumar et al, 2014).…”

Section: Reviewmentioning

confidence: 99%

Travel Time Prediction Modelling in Mixed Traffic Conditions

2018

IJTTE

View full text Add to dashboard Cite

Abstract:Over the past few decades, exponential increase in vehicle ownership resulted in issues of traffic control and management. Intelligent Transportation System (ITS) is one of the solutions for the intelligent management of traffic. ITS applications like Advanced Traveler Information Systems and Advanced Traffic Management Systems need travel time as a major input. The estimation of travel time in urban network became more complicated because of the rapid change in the system and traffic. This study is done in order to assess the impact of different travel modes on travel time. Data has been collected on a stretch of 14 km length in Warangal city, India using GPS probe vehicle along with video camera. Different private modes of transportation such as 2 wheeler, passenger car and 3 wheeler have been used as test vehicles for the collection of data in different traffic flow scenarios. Artificial Neural Network and a multi linear regression model have been developed to compare the estimated travel times with the field data. Two combinations of ANN model using single hidden layer, different numbers of neurons and epochs have been compared. The travel time of different modes has been compared and the effect of vehicle composition on travel time has been analyzed. The ANN model perform better than the regression model.

show abstract

Section: Reviewmentioning

confidence: 99%

Travel Time Prediction Modelling in Mixed Traffic Conditions

2018

IJTTE

View full text Add to dashboard Cite

show abstract

“…Оценка времени прохождения ОТС конкретного сегмента. Модель адаптивной композиции элементарных прогнозов Конструируемая оценка (9) должна учитывать следующие специфики величины (8). Во-первых, эта величина характеризует время прохождения сегмента w k совершенно конкретным транспортным средст-вом с идентификатором ID (w 0 , j) .…”

Section: частный случай (однородная по времени модель)unclassified

“…Также в оценке времени прибытия широко использу-ются модели, основанные на фильтрации Калмана [8,9,10]. Хотя основной функцией моделей такого рода является прогноз текущего состояния системы, они могут служить основой для оценки будущих значений или для исправления предыдущих прогнозов.…”

Section: Introductionunclassified

An algorithm for city transport arrival time estimation using adaptive elementary predictions composition

Agafonov¹,

Myasnikov²

2014

Computer Optics

View full text Add to dashboard Cite

Институт систем обработки изображений РАН, 2 Самарский государственный аэрокосмический университет имени академика С.П. Королёва(национальный исследовательский университет) Аннотация Работа посвящена решению задачи построения прогноза времени прибытия обществен-ных транспортных средств на остановки общественного транспорта. Предложен оригиналь-ный алгоритм прогнозирования, основанный на модели адаптивной композиции элементар-ных алгоритмов прогнозирования, каждый из которых характеризуется малым числом на-страиваемых параметров. Адаптивность подразумевает зависимость параметров конструи-руемой композиции от ряда управляющих параметров модели, к которым относятся сле-дующие актуальные (определённые на текущий момент) факторы: погодные условия, плот-ность транспортного потока, динамика движения, горизонт прогноза и др. Адаптивность достигается введением иерархического разбиения области значений управляющих парамет-ров, применяемого в дереве регрессии. Проведено исследование предложенного алгоритма на данных движения городского пассажирского транспорта в г. Самаре, показавшее пре-имущество предлагаемого решения по сравнению с существующими.Ключевые слова: общественное транспортное средство, прогнозирование времени прибытия, оценка времени прибытия, композиция алгоритмов, иерархическое разбиение, дерево регрессии. ВведениеРазвитие современных средств глобального пози-ционирования сделало возможным решение целого ряда задач анализа транспортных систем, моделиро-вания и прогнозирования [1]. Среди этого ряда задач одной из наиболее востребованных и понятных для конечного потребителя -участника дорожного дви-жения -является задача прогнозирования времени движения транспортных средств. В настоящей работе рассматривается одна из возможных постановок та-кой задачи, заключающаяся в прогнозировании вре-мени прибытия общественного транспортного сред-ства (ОТС) на остановки. Решение этой задачи необ-ходимо как для управления движением и внесения свовременных корректировок диспетчерскими служ-бами, так и для оповещения пассажиров о времени прибытия ОТС на остановочные пункты.Задаче прогнозирования времени прибытия ОТС и связанной с ней задаче оценки времени прохождения транспортными средствами (ТС) сегментов улично-дорожной сети (УДС) посвящено большое количест-во работ. Существующие методы можно условно разделить на две большие группы: -статистические методы [2], использующие архив-ные данные и данные в реальном времени, -методы моделирования [3], использующие модели транспортных потоков и модели распространения транспортных заторов. Методы моделирования являются не столь распро-странёнными, как статистические методы, т.к. требуют актуальной модели транспортных потоков [3]. Стати-стические методы основываются на использовании различных моделей, учитывающих как архивные дан-ные и данные в реальном времени о движении транс-портных средств непосредственно, так и косвенную информацию, влияющую на дорожную ситуацию в целом. Ниже представлен их краткий обзор.Модели на основе архивных данных строят прогноз скорости движения транспорт...

show abstract

“…Availability of the big traffic data stimulates great interests of researchers, engineers and public departments to extract underlined traffic dynamics, in order to understand traffic state evolution for better management of urban transportation. Along this direction, most published works of traffic data analysis focus on mining temporal dynamics of individual or small groups of links (either in arterial network or express ways) using model-driven [8] [24]. The model-driven methods, like Cellular Automata [12] and other underlying physical models [8] [9][10] [11] [16][17] [18], are usually calibrated with structural assumptions to simulate temporal evolution of traffic states.…”

Section: Introductionmentioning

confidence: 99%

Analysis of Large-Scale Traffic Dynamics in an Urban Transportation Network Using Non-Negative Tensor Factorization

Han

Moutarde

2014

Int. J. ITS Res.

View full text Add to dashboard Cite

In this paper, we present our work on clustering and prediction of temporal evolution of global congestion configurations in a large-scale urban transportation network. Instead of looking into temporal variations of traffic flow states of individual links, we focus on temporal evolution of the complete spatial configuration of congestions over the network. In our work, we pursue to describe the typical temporal patterns of the global traffic states and achieve long-term prediction of the large-scale traffic evolution in a unified data-mining framework. To this end, we formulate this joint task using regularized Non-negative Tensor Factorization, which has been shown to be a useful analysis tool for spatio-temporal data sequences. Clustering and prediction are performed based on the compact tensor factorization results. The validity of the proposed spatio-temporal traffic data analysis method is shown on experiments using simulated realistic traffic data.

show abstract

Travel time prediction under heterogeneous traffic conditions using global positioning system data from buses

Cited by 160 publications

References 4 publications

Travel Time Prediction Modelling in Mixed Traffic Conditions

Travel Time Prediction Modelling in Mixed Traffic Conditions

An algorithm for city transport arrival time estimation using adaptive elementary predictions composition

Analysis of Large-Scale Traffic Dynamics in an Urban Transportation Network Using Non-Negative Tensor Factorization

Contact Info

Product

Resources

About