Інтелектуальні транспортні системи в міських умовах є одним із рішень для зменшення завантаженості транспортних засобів та кількості шкідливих викидів. Їх важливою складовою є оцінка тривалості поїздки на громадському транспорті. При цьому необхідно звертати увагу на вивченні тривалості руху автобуса (тривалості руху між зупинками та часу простою). У цій роботі автори встановили залежності тривалості перебування автобусів на зупинках залежно від попиту пасажирів. Цей час впливає на тривалість подорожі. Тривалість руху автобуса - це періоди часу, коли автобуси очікують на зупинках, і час у дорозі, тобто тривалість руху автобуса між кожними двома зупинками. Дослідження проводилось на автобусному маршруті №3А у м. Львові. Для визначення тривалості перебування автобуса на зупинках, необхідно враховувати інформацію про пасажиропотоки та маршрути руху автобусів. Отримані дані можуть підвищити точність розроблення графіків руху автобусів в різних дорожніх ситуаціях порівняно з найсучаснішими методами.
1. Berezny R. & Konecny V. (2017). The impact of the quality of transport services on passenger demand in the suburban bus transport. Elsevier, #192. - P. 40-45. (in Ukrainian).
https://doi.org/10.1016/j.proeng.2017.06.007
2. Gurmu Z., Fan W. (2014). Artificial neural network travel time prediction model for buses using only gps data. Public Transport. 17, P.3. (in English).
https://doi.org/10.5038/2375-0901.17.2.3
3. Yang M., Chen C., Wang L., Yan X., Zhou L. (2016). Bus arrival time prediction using support vector machine with genetic algorithm. Neural Network World 26. 205 P. (in English).
https://doi.org/10.14311/NNW.2016.26.011
4. Bai C., Peng Z., Lu Q., Sun J. (2015). Dynamic bus travel time prediction models on road with multiple bus routes. Comput. intell. Neurosci. P. 63. (in English).
https://doi.org/10.1155/2015/432389
5. Xu H., Ying J. (2017). Bus arrival time prediction with real-time and historic data. Clust. Comput. 20. P. 3099-3106. (in English).
https://doi.org/10.1007/s10586-017-1006-1
6. Zhou M., Wang D., Li Q., Yue Y., Tu W., Cao R. (2017). Impacts of weather on public transport ridership: Results from mining data from different sources. Transport. Res. Part C: Emerg. Technol. 75. P. 17-29. (in English).
https://doi.org/10.1016/j.trc.2016.12.001
7. Cheng Z., Chow M., Jung D., Jeon J. (2017). A big data based deep learning approach for vehicle speed prediction. In: 2017 IEEE 26th International Symposium on Industrial Electronics (ISIE). IEEE. P. 389-394. (in English).
https://doi.org/10.1109/ISIE.2017.8001278
8. Ma Z., Koutsopoulos H., Ferreira L., Mesbah M. (2017). Estimation of trip travel time distribution using a generalized markov chain approach. Transport. Res. Part C: Emerg. Technol. 74. P. 1-21. (in English).
https://doi.org/10.1016/j.trc.2016.11.008
9. Kumar B., Vanajakshi L., Subramanian S. (2017). Bus travel time prediction using a time-space discretization approach. Transport. Res. Part C: Emerg. Technol. 79. P. 308-332. (in English).
https://doi.org/10.1016/j.trc.2017.04.002
10. Brakewood C., Macfarlane G., Watkins K. (2015). The impact of real-time information on bus ridership in new york city. Transport. Res. Part C: Emerg. Technol. 53. P. 59-75. (in English).
https://doi.org/10.1016/j.trc.2015.01.021
11. Rahman M., Wirasinghe S., Kattan L. (2018). Analysis of bus travel time distributions for varying horizons and real-time applications. Transport. Res. Part C: Emerg. Technol. 86. P. 453-466. (in English).
https://doi.org/10.1016/j.trc.2017.11.023
12. Comi A., Nuzzolo A., Brinchi S. and Verghini R. (2017). Bus dispatching irregularity and travel time dispersion. 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS). pp. 856-860. doi: 10.1109/MTITS.2017.8005632 (in English).
https://doi.org/10.1109/MTITS.2017.8005632
13. Fusco G., Colombaroni C. and Isaenko N. (2016). Short-term speed predictions exploiting big data on large urban road networks. In: Transportation Research Part C: Emerging Technologies 73, pp.183-201. (in English).
https://doi.org/10.1016/j.trc.2016.10.019
14. Comi A., Nuzzolo A., Brinchi S., Verghini R. (2017). Bus travel time variability: some experimental evidences. Transportation Research Procedia 27, pp. 101-108. (in English).
https://doi.org/10.1016/j.trpro.2017.12.072
15. He P., Jiang G., Lam S. and Tang D. (2019). Travel-Time Prediction of Bus Journey With Multiple Bus Trips. IEEE Trans. on Intelligent Transportation Systems. (in English).
https://doi.org/10.1109/TITS.2018.2883342
16. Moreira-Matias L., Mendes-Moreira J., de Sousa J., Gama J. (2015). Improving Mass Transit Operations by Using AVL-Based Systems: A Survey. IEEE Transactions on Intelligent Transportation System, doi: 10.1109/TITS.2014.2376772. (in English).
https://doi.org/10.1109/TITS.2014.2376772
17. Shalaby A. and Farhan A. (2003). Bus travel time prediction model for dynamic operations control and passenger information systems. Transp. Research Board 2. (in English).
18. Cats O. (2019). Determinants of bus riding time deviations: Relationship between driving patterns and transit performance. Journal of Transportation Engineering Part A: Systems 145(1),04018078. (in English).
https://doi.org/10.1061/JTEPBS.0000201
19. Hyndman R. and Athanasopoulos G. (2018). Forecasting: principles and practice. Second edition. www.otexts.org. (in English).