view in publisher's site

Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model

Highlight•A prediction framework for peak load of bus routes combining demand prediction with supply optimization.•A new cost-based indicator built upon the practical implication of peak load on bus schedule.•A scaled Shepard interpolation algorithm combining the merits of multi-source data.•Resolve discontinuities in the probability distribution of prediction errors.•Prioritize the relative contribution of influential factors to peak load prediction.AbstractThe peak load of a bus route is essential to service frequency determination. From the supply side, there exist ineffective predicted errors of peak load for the optimal number of trips. Whilst many studies were undertaken to model demand prediction and supply optimization separately, little evidence is provided about how the predicted results of peak load affect supply optimization. We propose a prediction model for the peak load of bus routes built upon the idea of newsvendor model, which explicitly combines demand prediction with supply optimization. A new cost-based indicator is devised built upon the practical implication of peak load on bus schedule. We further devise a scaled Shepard interpolation algorithm to resolve discontinuities in the probability distribution of prediction errors arising from the new indicator, while leveraging the potential efficacy of multi-source data by adding a novel quasi-attention mechanism (i.e., scaling feature space and parameter optimization). The real-world application showed that our method can achieve high stability and accuracy, and is more robust to predicted errors with higher capacity. Our method can also produce a larger number of better trip supply plans as compared to traditional methods, while presenting stronger explanatory power in prioritizing the relative contribution of influential factors to peak load prediction.

پیش‌بینی اوج بار مسیرهای اتوبوس با بهینه‌سازی عرضه و درون یابی مقیاس بندی شده شفرد: یک مدل روزنامه‌فروش

نکات برجسته * یک چارچوب پیش‌بینی برای بار اوج مسیرهای اتوبوس، پیش‌بینی تقاضا را با بهینه‌سازی عرضه ترکیب می‌کند. * یک شاخص مبتنی بر هزینه جدید براساس مفهوم عملی پیک بار در برنامه اتوبوس ساخته شده‌است. * یک الگوریتم درون یابی مقیاس شده شفرد مزایای داده‌های چند منبعی را ترکیب می‌کند. * ناپیوستگی ها را در توزیع احتمال خطاهای پیش‌بینی حل کنید. اولویت‌بندی سهم نسبی عوامل موثر در پیش‌بینی اوج بار. واکنش اوج بار یک مسیر اتوبوس برای تعیین فرکانس سرویس ضروری است. از طرف عرضه، خطاهای پیش‌بینی غیر موثر بار اوج برای تعداد بهینه سفرها وجود دارد. در حالی که مطالعات بسیاری برای مدل‌سازی پیش‌بینی تقاضا و بهینه‌سازی عرضه به طور جداگانه انجام شده‌است، شواهد کمی در مورد چگونگی تاثیر نتایج پیش‌بینی‌شده بار اوج بر بهینه‌سازی عرضه ارائه شده‌است. ما یک مدل پیش‌بینی را برای پیک بار مسیرهای اتوبوس براساس ایده مدل روزنامه‌فروش پیشنهاد می‌کنیم، که به صراحت پیش‌بینی تقاضا را با بهینه‌سازی عرضه ترکیب می‌کند. یک شاخص مبتنی بر هزینه جدید براساس مفهوم عملی پیک بار در زمانبندی اتوبوس ساخته شده‌است. علاوه بر این ما یک الگوریتم درون یابی شفرد مقیاس بندی شده را برای حل ناپیوستگی ها در توزیع احتمال خطاهای پیش‌بینی ناشی از شاخص جدید طراحی می‌کنیم، در حالی که تاثیر بالقوه داده‌های چند منبعی را با اضافه کردن یک مکانیزم شبه توجه جدید (به عنوان مثال، فضای ویژگی مقیاس بندی و بهینه‌سازی پارامتر)اعمال می‌کنیم. کاربرد دنیای واقعی نشان داد که روش ما می‌تواند به پایداری و دقت بالا دست یابد و برای خطاهای پیش‌بینی‌شده با ظرفیت بالاتر قوی‌تر است. روش ما همچنین می‌تواند تعداد بیشتری از طرح‌های تامین سفر بهتر را در مقایسه با روش‌های سنتی تولید کند، در حالی که توان توضیحی قویتری را در اولویت‌بندی سهم نسبی عوامل موثر در پیش‌بینی اوج بار ارائه می‌دهد.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.