p A previsão precisa dos horários de chegada dos ônibus é de fundamental importância, particularmente em ambientes urbanos agitados. Fornecer às pessoas um transporte eficiente e oportuno pode desencorajá-las de usar veículos particulares, conseqüentemente reduzindo o consumo de combustível e congestionamento de tráfego. p Pesquisadores da Lovely Professional University (LPU) em Jalandhar, Índia, desenvolveram recentemente um modelo baseado em rede neural artificial (ANN) que pode prever os tempos de chegada de ônibus por meio da análise de dados históricos de GPS. Seu método, descrito em um artigo publicado na Springer's Computação difusa:uma perspectiva de rede e direções futuras emprega RNAs e técnicas de função de base radial (RBF) para prever os horários de chegada e partida de ônibus por meio da análise de dados coletados por meio de tecnologia GPS.

p "Nesse trabalho, redes neurais artificiais (RNAs) e função de base radial (RBF) foram aplicadas aos dados coletados por GPS, "os pesquisadores escreveram em seu artigo." A previsão em tempo real da hora de chegada do ônibus tem uma série de aplicações para entrega de carga, serviços de trânsito e áreas de logística. "

p Modelos baseados em ANN podem melhorar muito o desempenho e a eficiência dos sistemas de transporte atuais, permitindo previsões de tempo de chegada mais precisas. Em seu estudo, Aditya Khamparia e Rubina Choudhary, dois pesquisadores da LPU, decidiu desenvolver um modelo que pode prever tempos de chegada de ônibus com erro mínimo, o que poderia reduzir significativamente o tempo de espera dos passageiros.

p A pesquisa foi realizada em sete etapas principais. Primeiro, os pesquisadores identificaram fatores que afetam os tempos de chegada dos ônibus, como velocidade, condições de estrada, tráfego, distância entre as diferentes paradas, tempo gasto para deixar os passageiros entrar / sair do ônibus e as condições meteorológicas. Em seguida, mapearam a rota do ônibus e sua organização.

p Consequentemente, os pesquisadores coletaram dados históricos de ônibus regularmente usando sistemas de localização automática de veículos (AVL). Eles usaram especificamente receptores GPS que faziam interface com modems GSM colocados dentro dos ônibus universitários.

p Khamparia e Choudhary alimentaram os dados coletados para um algoritmo de retro propagação de feed-forward (BPA) e RBF, treiná-los para fazer previsões sobre os horários de chegada dos ônibus no futuro. Finalmente, eles usaram esses dois modelos para prever os tempos de chegada dos ônibus e compararam seu desempenho.

p Os pesquisadores treinaram e avaliaram esses métodos em duas rotas específicas de ônibus, isso de Amritsar para o campus LPU e vice-versa. Para cada modelo, eles calcularam o erro absoluto médio (MAE), que mede essencialmente a diferença entre o tempo alvo e o tempo previsto, e erro quadrático médio (RMSE), que mede a magnitude média do erro.

p Eles observaram que o modelo RBF tinha valores MAE e RMSE muito mais baixos do que o modelo BPA. Essas descobertas sugerem que as técnicas de RBF são mais eficazes do que os BPAs para calcular os tempos de chegada de ônibus na presença de fatores imprevisíveis.

p "Embora os resultados sejam encorajadores, ainda há uma série de extensões do modelo que devem ser estudadas, "os pesquisadores escreveram em seu artigo." Em trabalhos futuros, pesquisadores podem propor um novo esquema que pode calcular as previsões em tempo real de chegada ou partida de ônibus, como a variabilidade na demanda de passageiros em qualquer ponto de ônibus, medidas de congestionamento de tráfego, sinais, incluindo progressão, atraso devido a congestionamento de trânsito ou acidente, informações de incidentes etc. " p © 2019 Science X Network