32、基于顺序向前浮动选择算法和堆叠自编码器的公共交通出行时间预测

基于顺序向前浮动选择算法和堆叠自编码器的公共交通出行时间预测

1. 引言

出行时间预测在智能交通系统（ITS）中起着至关重要的作用。准确可靠的出行时间估计，能帮助乘客安排计划、选择最优路线，减少不确定性和压力，还能提升公共交通服务质量，减少交通拥堵和出行时间。然而，出行时间受多种因素影响，如车辆速度、站点间距、工作日和周末差异，以及高峰和非高峰时段变化等。

目前，许多现有工作未充分揭示影响时间预测的属性重要性，部分特征对出行时间预测无关，还可能影响模型性能和执行时间。例如，有的方法对都柏林市出行数据集的所有属性赋予同等重要性，有的基于近邻的随机森林（RFNN）方法虽有前景，但计算时间长；还有基于原始目的地（OD）矩阵的神经网络算法用于预测出行时间。

2. 相关工作

为了进行出行时间预测，研究人员提出了多种模型：
- 历史轨迹时间预测（HTTP）方法 ：通过采集活跃公交旅程的历史轨迹大数据，对数据采样，探索不同估计方法修剪相同轨迹样本集，最终返回平均行驶时间，实现实时旅程时长估计。
- 自回归积分滑动平均模型（ARIMA） ：结合相邻路段交通数据，利用预白化互相关函数分析时空数据，预测事故发生时的短期出行时间。该模型在北卡罗来纳州夏洛特市的应用中，验证结果显示预测的出行时间事件接近实时观测值。
- 支持向量回归（SVR）与免疫遗传算法（IGA）结合的模型 ：SVR 主要用于出行时间估计，IGA 用于优化参数。该模型基于中国廊坊市的交通数据构建，性能优于历史平均法、多元线性回归和反向传播神经网络。
-