Prédiction de temps de parcours de bus par chaînage des données d'entraînement - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Prédiction de temps de parcours de bus par chaînage des données d'entraînement

Gabriel Ferrettini
  • Fonction : Auteur
  • PersonId : 1102323
  • IdRef : 241300290
François Queyroi
Mounira Harzallah

Résumé

The time required for a bus to finish its route and the inter-stops time are two relevant dimensions to predict in the context of bus route planning. If the full route is just the aggregation of the inter-stops, a solution is to train a chained model for each inter-stop and sum the individuals predictions to get the full route time. An efficient time prediction will use sequential information as input (i.e. the bus previous delay). However, model chaining fails to take into account the fact that each individual model use corrupted data (as prediction themselves) for its predictions while it was trained using observed data. We introduced a new chained model that correct this issue by chaining not only the prediction but also the training step. Experiments show that our method improve full route prediction in most cases. Moreover, the comparative study of full route and inter-stops time predictions shows that improving the latter does not necessarily improve the former. These observations opens interesting perspectives involving multi-objective optimization procedures.
Dans le cadre de la planification de lignes de bus, il est intéressant de prédire à la fois la durée d'une course (du départ au terminus) et le temps de parcours de chaque inter-arrêt. Une solution est de chaîner les prédictions de modèles construits pour chaque inter-arrêt et de les sommer pour obtenir le temps total de la course. Cependant, ce modèle dit "chaîné" ne prend pas en compte la dégradation des données prédites d'une étape pour l'étape suivante. Nous proposons d'améliorer ce modèle en intégrant le chaînage des prédictions dans l'entraînement des modèles de chaque étape. L'évaluation de notre proposition montre que notre méthode améliore la prédiction de la durée totale d'une course. Cependant, l'analyse comparative des performances des modèles inter-arrêts et du modèle chaîné montre qu'une amélioration des premiers n'améliore pas forcément le second.
Fichier principal
Vignette du fichier
egc2023_simulbus.pdf (226.52 Ko) Télécharger le fichier
egc2023_simulbus (1).pdf (226.52 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03888076 , version 1 (07-12-2022)
hal-03888076 , version 2 (09-12-2022)

Identifiants

  • HAL Id : hal-03888076 , version 1

Citer

Gabriel Ferrettini, François Queyroi, Mounira Harzallah. Prédiction de temps de parcours de bus par chaînage des données d'entraînement. EGC 2023, Jan 2023, Lyon, France. ⟨hal-03888076v1⟩
59 Consultations
123 Téléchargements

Partager

Gmail Facebook X LinkedIn More