مقاله #1158

چکیده- رخدادهای عمومی خاص نظیر مسابقات ورزشی، کنسرت‌ها و فستیوال‌ها سبب ایجاد اختلال در سیستم های حمل و نقل شده و اغلب اپراتورها را نیز دچار تعجب می کنند. اگرچه این رخدادها از پیش برنامه ریزی شده اند، پیش بینی اثر آنها حتی زمانی که سازمان دهندگان و اپراتورهای حمل و نقل بیشتری هماهنگی‌ها را انجام دهند، دشوار است. این مشکل زمانی بیشتر می شود که چندین رخداد به طور همزمان اتفاق افتند. به منظور حل این مسائل، فرایندهای هزینه بری وجود دارند که بسیار وابسته به جست و جوی دستی و تجارب شخصی در شهرهای بزرگی نظیر سنگاپور، لندن یا توکیو هستند. این مقاله به ارائه یک مدل افزودنی Bayesian با مولفه های فرایند گاوسی می پردازد که سبب ترکیب سوابق کارت هوشمند حمل و نقل عمومی با اطلاعاتی در رابطه با رخدادهایی می شوند که از وب به دست آمده اند. ما یک الگوریتم استنتاج تقریبی موثر را با استفاده از گسترش انتظاری توسعه می دهیم که به ما امکان پیش بینی تعداد کلی حمل و نقل های عمومی در نواحی با رخدادهای خاص را می دهد و از این رو سبب ایجاد یک سیستم حمل و نقل منطبق تر می شود. همچنین، برای سناریوهای با چندین رخداد، الگوریتم پیشنهادی قادر است تا تعداد سفرها را به مولفه های با بیشترین احتمال مربوط به رخدادهای خاص و رفتار معمول تجزیه کند. با استفاده از داده های حقیقی از سنگاپور، نشان می دهیم که مدل ارائه شده از مدل پایه به میزان 26 درصد از نظر R² بهتر عمل کرده و دارای توان جست و جوی بالایی برای هر یک از مولفه هایش است.