Streaming detection of significant delay changes in public transport systems
作者: Przemysław Wrona, Maciej Grzenda, Marcin Luckner
分类: cs.LG, physics.soc-ph
发布日期: 2024-04-11
备注: This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this contribution is published in Computational Science - ICCS 2022. Lecture Notes in Computer Science, vol 13353. Springer, Cham, and is available online at https://doi.org/10.1007/978-3-031-08760-8_41
期刊: Computational Science - ICCS 2022. ICCS 2022. Lecture Notes in Computer Science vol 13353 (2022) 486-499
DOI: 10.1007/978-3-031-08760-8_41
💡 一句话要点
提出实时检测公共交通系统显著延误变化的方法
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 公共交通 延误检测 流处理 数据分析 智能交通 实时监测 可持续发展
📋 核心要点
- 现有方法主要依赖于车辆位置数据的聚合，无法有效捕捉个别站点的延误变化。
- 本文提出了一种基于流处理引擎的显著延误检测方法，能够在线识别延误并增强对数据质量的适应性。
- 实验结果表明，该方法在2000多辆公共交通工具的数据上表现出显著的延误检测能力，提升了对交通系统的理解。
📝 摘要（中文）
公共交通系统在减少污染和促进可持续发展方面具有重要作用。然而，延误等干扰会对出行选择产生负面影响。本文提出了一种检测显著延误的方法及其参考架构，该方法基于流处理引擎实现，能够在线识别显著和重复的延误，并对位置数据的质量限制具有一定的韧性。该方法可与不同的变化检测器结合使用，能够在线检测交通图中各边缘的统计显著延误，并用于建模出行选择及量化重复干扰对出行的影响。通过对2000多辆公共交通工具的数据评估，验证了该方法的有效性，并揭示了交通系统子图的延误显著性。
🔬 方法详解
问题定义：本文旨在解决公共交通系统中延误检测的不足，现有方法无法实时捕捉个别站点的延误变化，且对数据质量的依赖性较强。
核心思路：提出了一种基于流处理的显著延误检测方法，能够实时识别延误并适应数据质量的波动，补充传统的调度偏差计算。
技术框架：整体架构包括数据流处理模块、延误检测模块和结果输出模块。数据流处理模块负责接收和处理车辆位置数据，延误检测模块应用变化检测器（如ADWIN）分析数据流，结果输出模块用于展示检测到的显著延误。
关键创新：该方法的创新在于其在线检测能力和对数据质量的韧性，能够在不同交通图边缘上识别统计显著的延误，与传统方法相比，显著提高了延误识别的实时性和准确性。
关键设计：方法中采用了流处理引擎，结合ADWIN变化检测器，能够处理实时数据流，并通过统计分析确定延误的显著性，设计中还考虑了数据流的随机性和延误的传播特性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，基于该方法的延误检测在2000多辆公共交通工具的数据上表现出显著的效果，能够有效识别出交通系统中显著的延误变化，提升了延误检测的准确性和实时性。
🎯 应用场景
该研究的潜在应用领域包括城市公共交通管理、智能交通系统和出行选择建模。通过实时监测延误变化，交通管理者可以更好地优化调度，提高公共交通的可靠性和效率，进而提升乘客的出行体验。未来，该方法有望在更广泛的交通系统中推广应用，促进可持续出行。
📄 摘要（原文）
Public transport systems are expected to reduce pollution and contribute to sustainable development. However, disruptions in public transport such as delays may negatively affect mobility choices. To quantify delays, aggregated data from vehicle locations systems are frequently used. However, delays observed at individual stops are caused inter alia by fluctuations in running times and propagation of delays occurring in other locations. Hence, in this work, we propose both the method detecting significant delays and reference architecture, relying on stream processing engines, in which the method is implemented. The method can complement the calculation of delays defined as deviation from schedules. This provides both online rather than batch identification of significant and repetitive delays, and resilience to the limited quality of location data. The method we propose can be used with different change detectors, such as ADWIN, applied to location data stream shuffled to individual edges of a transport graph. It can detect in an online manner at which edges statistically significant delays are observed and at which edges delays arise and are reduced. Detections can be used to model mobility choices and quantify the impact of repetitive rather than random disruptions on feasible trips with multimodal trip modelling engines. The evaluation performed with the public transport data of over 2000 vehicles confirms the merits of the method and reveals that a limited-size subgraph of a transport system graph causes statistically significant delays