Machine learning til realtidsforudsigelser af oprindelse-til-destination efterspørgsel for jernbaner med smart card og udbudsdata

Research output: Chapter in Book/Report/Conference proceedingArticle in proceedingsResearchpeer-review

30 Downloads (Pure)

Abstract

Realtidsforudsigelser af passagerefterspørgsel på jernbanen kan bidrage til smartere trafikstyring og på sigt til at udvikle et offentligt transportsystem som på forskellig vis imødekommer ekstraordinær efterspørgsel. Dette kræver adgang til detaljeret information om efterspørgselsmønstre i form af løbende indsamling af passagertal for hvert par af oprindelses- og destinationsstationer i korte tidsintervaller. I dette studie udvikles en machine learning model til forudsigelser af afvigelser fra det periodiske efterspørgselsmønster på Københavns S-bane i 15 minutters intervaller ved hjælp af realtidsdata fra Rejsekortet på efterspørgselssiden og Banedanmarks driftsstatistikker på udbudssiden. Studiet belyser dels betydningen af udbud for forudsigelse af efterspørgsel og dels udforskes måden hvorpå spatiotemporal data indlejres i modeller fra dyb læring for at opnå nøjagtige forudsigelser for mange-dimensionale og sparsomme data som disse.
Original languageDanish
Title of host publicationProceedings from the Annual Transport Conference at Aalborg University
Number of pages5
Publication date2022
Publication statusPublished - 2022
EventAnnual Transport Conference at Aalborg University - Aalborg, Denmark
Duration: 22 Aug 202223 Aug 2022
https://www.trafikdage.dk/programmet/
https://www.trafikdage.dk/

Conference

ConferenceAnnual Transport Conference at Aalborg University
Country/TerritoryDenmark
CityAalborg
Period22/08/202223/08/2022
Internet address
SeriesDanish Journal of Transportation Research - Dansk tidskrift for transportforskning
ISSN1603-9696

Cite this