[caption id="attachment_36548" align="aligncenter" width="618"] 拟议模型的设计。图片来源：Khamparia＆Choudhary。[/caption]

准确预测公交车的到达时间至关重要，特别是在繁忙的城市环境中。为人们提供高效和及时的交通可以更好的方便出行，从而减少燃料消耗和交通拥堵。



印度拉夫里科技大学(Lovely Professional University, LPU)的研究人员最近开发了一种基于人工神经网络(ANN)的模型，该模型可以通过分析历史GPS数据来预测公交车到达时间。他们的方法发表在斯普林格（Springer)的普适计算:网络视角和未来方向发表的论文中概述，采用人工神经网络和径向基函数（RBF）技术，通过分析使用GPS技术收集的数据来预测公交车到达和离开时间。

研究人员在论文中写道:“在这项工作中，人工神经网络(ANNs)和径向基函数(RBF)被应用于通过GPS收集的数据。”“实时预测公交车到达时间有很多应用，例如在货物运输、运输服务和物流领域等等。”

基于人工神经网络的模型可以极大地提高当前交通系统的性能和效率，从而实现更准确的预测到达时间。在他们的研究中，LPU的两名研究人员Aditya Khamparia和Rubina Choudhary着手开发一个模型，该模型能够以最小的误差预测公交到达时间，从而显著减少乘客等待时间。

他们的研究分七个关键步骤进行。首先，研究人员确定了影响公交车到达时间的因素，例如速度、道路情况、交通状况、不同站点之间的距离和让乘客上下车时间和天气状况。然后他们绘制了公交车及其组织的路线。

因此，研究人员使用自动车辆定位（AVL）系统定期收集历史公交车数据。他们专门使用与大学公交车内的GSM调制解调器连接的GPS接收器。

Khamparia和Choudhary将收集的数据反馈到前馈反向传播算法（BPA）和RBF，训练它们对未来的公交车到达时间进行预测。最后，他们使用这两个模型来预测公交车到达的时间并比较他们的表现。

研究人员在两条公交线路上对这些方法进行了培训和评估，从阿姆利则到LPU校园，反之亦然。对于每个模型，他们计算了平均绝对误差(MAE)和均方根误差(RMSE)，前者主要衡量目标时间和预测时间之间的差异，后者衡量误差的平均大小。

他们观察到RBF模型的MAE和RMSE值远低于BPA模型。这些研究结果表明，在存在不可预测因素的情况下，RBF技术在计算公交车到达时间方面比BPA更有效。

研究人员在论文中写道：“虽然研究结果令人振奋鼓舞，但该模型仍有许多值得研究的地方。” “在未来的工作中，研究人员可以提出一种新方案，可以计算公交车到达或离开时间的实时预测，例如任何给定公交车站的乘客需求变化，交通拥堵措施，信号包括进展，交通延误拥堵或事故，事故信息等。“