Toronto Transit Commission - TTC NextBus

Aperçu général

Fournir des informations en temps réel sur les arrivées de bus peut aider à améliorer la qualité de service d'un système de transport en commun et à renforcer sa compétitivité par rapport aux autres modes de transport. En prenant l'exemple de la ville de Toronto, au Canada, ce projet est axé sur un modèle de réseau de neurones artificiels (RNA) permettant de prédire les arrivées d'autobus en temps réel, sur base des données du système de positionnement global (GPS) et données du système de collecte automatique des tarifs (AFC). En outre, pour faire face à la difficulté de capturer les fluctuations du trafic sur différentes périodes et pour tenir compte de l’impact des intersections signalées, cette étude subdivise également l’ensemble de données collectées en une poignée des données groupées.

A propos du client

La compagnie Toronto Transit Commission (TTC) est une agence de transport en commun qui exploite des services de bus, de métro, de tramway et de transport adapté à Toronto, en Ontario, au Canada. C'est le plus ancien et le plus important des fournisseurs de services de transport urbain de la région du Grand Toronto, avec de nombreuses connexions aux réseaux desservant les municipalités environnantes. Fondée sous le nom de Toronto Transportation Commission en 1921, la TTC possède et exploite quatre lignes de transport en commun rapide avec 75 stations, plus de 149 lignes de bus et 11 lignes de tramway.

La compagnie Toronto Transit Commission (TTC) est le système de transport en commun urbain le plus utilisé au Canada et le troisième en Amérique du Nord, après la New York City Transit Authority et le métro de Mexico./. v

La compagnie Toronto Transit Commission (TTC) dessert la population de Toronto en veillant à ce que votre réseau de transport en commun soit fiable, sûr et préparé pour l'avenir. À cette fin, le conseil supervise les questions de politique, de planification des services de la TTC; construire, entretenir et exploiter le système; et l'expansion des services et des installations.

Le grand défi

En raison des relations complexes entre l’heure d’arrivée du bus et les variables candidates, un modèle ANN de base a été mis au point pour la prévision de la durée du trajet en bus. Et l’heure d’arrivée de l’autobus à l’arrêt en aval pourrait être facilement calculée en faisant la somme de la durée prévue du trajet et de l’heure de départ depuis l’arrêt en amont.

Dans ce projet, une architecture ANN avec trois couches typiques (la couche d'entrée, la couche cachée et la couche de sortie) a été rejetée. L'algorithme de rétro-propagation a été appliqué optimiser les poids de la couche cachée dans le but de minimiser les erreurs de prédiction. La fonction de transfert est une fonction non linéaire sigmoïde, mais la préférence a été donnée à HANN Model.

Solution

Compte tenu de l’analyse des données, la durée du trajet en bus a varié selon les périodes. Par conséquent, il n'était pas approprié de rassembler toutes les données collectées et de former un seul modèle de prévision dans le modèle ANN. Une meilleure alternative consistait à séparer le problème en fonction du temps de prévision. Suivant ce principe, le jeu de données a été subdivisé en quatre groupes en ce qui concerne les heures de pointe matinales en semaine, les heures de pointe en fin d'après midi en semaine, les heures en dehors des heures de pointe, et en week-ends.



Différents segments peuvent subir différents retards causés par des intersections, et l'ensemble de données est ensuite subdivisé en fonction du niveau de retard défini. Avec la séparation des données, un ensemble de modèles SANN ont également été développés, chacun correspondant à un groupe de données divisé. Afin de faciliter le modèle de prédication, les modèles SANN développés ont ensuite été intégrés en tant que modèle HANN.

Résultats

Les consultants de Conet-Tech ont étudié les caractéristiques de l’exploitation des bus et ont relevé quelques facteurs clés qui influent sur les heures d’arrivée des bus. Sur la base des propriétés non linéaires, le projet proposé le modèle de réseau de neurones artificiels et réseau de neurones hiérarchique artificiel pour prédire les temps d'arrivée des autobus à court terme à partir des données disponibles, qui comprend quatre types de variables, à savoir, l'indice de temps, le niveau de retard de bus, heure d'arrivée, et la distribution des progrès.



Dans des conditions de circulation récurrentes, l'erreur de prédiction relatif à l'intérieur d'une fenêtre de temps de prédiction de 10 minutes est moins de 20% avec une probabilité de fiabilité de plus de 85%, alors que la probabilité de avoir plus de 40% d'erreurs de prédiction relative n'est pas supérieur à 7%. Plus important encore, la méthode proposée est calcul convivial avec un temps d'étalonnage de moins de 2 min, ce qui le rend applicable en temps réel système de prévision d'arrivée d'autobus.

The technologies

- Visual Studio .NET et .NET Framework, C#, Angular, HTML5, CSS
- Windows Server, SQL Server Enterprise Manager, Business Intelligence, Web API
- Microsoft Project, Visio