Real-time predikce zpoždění vozů hromadné dopravy

Abstract

Autobusy jsou jedním z nejpoužívanějších dopravních prostředků v Praze a spolehlivost veřejné dopravy je pro cestující jedním z nejpodstatnějších faktorů. Informace o očekávaném zpoždění umožňují lidem lépe plánovat cestu. Tato práce představuje metodu predikce zpoždění autobusů v reálném čase na několik zastávek dopředu. Navrhujeme algoritmus pro vytvoření a optimalizaci grafu linek městské dopravy z dat ve formátu General Transit Feed Specification (GTFS). Informace o dobách jízd autobusů se ukládají do grafu a používají se k predikci zpoždění všech autobusů projíždějících stejným úsekem. K vytvoření předpovědí využíváme Kalmanův filtr a používáme metody pro přizpůsobení filtru náhlým změnám v dopravní situaci. Přestože je navrhované řešení testováno na autobusech, může při použití formátu GTFS fungovat i pro jiné druhy veřejné dopravy. Experimenty na testovacích datech ukázaly, že v porovnání s modelem predikce v současnosti využívaném v Praze, snižuje naše řešení chybu až o 30%, přičemž nejvýznamnější zlepšení nastává při porovnávání predikcí pro jízdy autobusů s výrazně proměnlivým zpožděním na jednotlivých zastávkách.Buses are one of the most popular transportation means used in Prague, and the reliability of public transport is one of the most critical aspects for commuters. Having information about expected delays allows people to plan their journey better. This work introduces a method for real-time prediction of bus delays several stops ahead of their current position. We propose an algorithm to create and optimize a graph of public transport routes from data in General Transit Feed Specification (GTFS) format. Information about bus travel times is saved into the graph and used to predict delays of all buses passing the same road segment. We use the Kalman filter to make predictions and introduce techniques to adapt the filter to sudden changes in the traffic situation. Although the proposed solution is tested on bus positions, it can also work for other forms of public transport when using the GTFS format. Experiments on test data show that compared to the prediction model currently used in Prague, our solution reduces prediction error by up to 30%, with the most significant improvements when comparing predictions for bus trips with widely varying delays at stops.