Support Vector Regression for Bus Travel Time Prediction Using Wavelet Transform

ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ（ＮｅｗＳｅｒｉｅｓ），Ｖｏｌ．２６，Ｎｏ．３，２０１９ＤＯＩ：１０．１１９１６／ｊ．ｉｓｓｎ．１００５?９１１３．１８０２５

ＳｕｐｐｏｒｔＶｅｃｔｏｒＲｅｇｒｅｓｓｉｏｎｆｏｒＢｕｓＴｒａｖｅｌＴｉｍｅＰｒｅｄｉｃｔｉｏｎＵｓｉｎｇ

ＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ

ＹａｎｇＬｉｕ１，ＹａｎｊｉｅＪｉ１?，ＫｅｙｕＣｈｅｎ２ａｎｄＸｉｎｙｉＱｉ１

（１．ＳｃｈｏｏｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９６，Ｃｈｉｎａ；

２．ＧｕａｎｇｚｈｏｕＵｒｂａｎＰｌａｎｎｉｎｇ＆ＤｅｓｉｇｎＳｕｒｖｅｙＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｇｕａｎｇｚｈｏｕ５１００６０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｂｕｓｔｒａｖｅｌｔｉｍｅ，ａｈｙｂｒｉｄｍｏｄｅｌｂａｓｅｄｏｎｃｏｍｂｉｎｉｎｇｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｅｃｈｎｉｑｕｅｗｉｔｈｓｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎ（ＷＴ?ＳＶＲ）ｍｏｄｅｌｉｓｅｍｐｌｏｙｅｄ．Ｉｎｔｈｉｓｍｏｄｅｌ，ｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｉｍｐｏｒｔａｎｔｉｎｆｏｒｍａｔｉｏｎｏｆｄａｔａａｔｄｉｆｆｅｒｅｎｔｌｅｖｅｌｓａｎｄｅｎｈａｎｃｅｓｔｈｅｆｏｒｅｃａｓｔｉｎｇａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌ．ＡｆｔｅｒｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｄｉｆｆｅｒｅｎｔｃｏｍｐｏｎｅｎｔｓａｒｅｆｏｒｅｃａｓｔｅｄｂｙｔｈｅｉｒｃｏｒｒｅｓｐｏｎｄｉｎｇＳＶＲｐｒｅｄｉｃｔｏｒｓ．Ｔｈｅｆｉｎａｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｉｓｏｂｔａｉｎｅｄｂｙｔｈｅｓｕｍｍａｔｉｏｎｏｆｔｈｅｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓｆｏｒｅａｃｈｃｏｍｐｏｎｅｎｔ．ＴｈｅｐｒｏｐｏｓｅｄｈｙｂｒｉｄｍｏｄｅｌｉｓｅｘａｍｉｎｅｄｂｙｔｈｅｄａｔａｏｆｂｕｓｒｏｕｔｅＮｏ．５５０ｉｎＮａｎｊｉｎｇ，Ｃｈｉｎａ．ＴｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＷＴ?ＳＶＲｍｏｄｅｌｉｓｅｖａｌｕａｔｅｄｂｙｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ（ＭＡＥ），ｍｅａｎａｂｓｏｌｕｔｅｐｅｒｃｅｎｔｅｒｒｏｒ（ＭＡＰＥ）ａｎｄｒｅｌａｔｉｖｅｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＲＭＳＥ），ａｎｄａｌｓｏｃｏｍｐａｒｅｄｔｏｒｅｇｕｌａｒＳＶＲａｎｄＡＮＮｍｏｄｅｌｓ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｎｄＳＶＲｈａｓｂｅｔｔｅｒｔｒａｃｋｉｎｇａｂｉｌｉｔｙａｎｄｄｙｎａｍｉｃｂｅｈａｖｉｏｒｔｈａｎｒｅｇｕｌａｒＳＶＲａｎｄＡＮＮｍｏｄｅｌｓ．Ｔｈｅｆｏｒｅｃａｓｔｉｎｇｐｅｒｆｏｒｍａｎｃｅｉｓｒｅｍａｒｋａｂｌｙｉｍｐｒｏｖｅｄｔｏｏｂｔａｉｎｗｉｔｈｉｎ６％ＭＡＰＥｆｏｒｔｅｓｔｉｎｇｓｅｃｔｉｏｎＩａｎｄ８％ＭＡＰＥｆｏｒｔｅｓｔｉｎｇｓｅｃｔｉｏｎＩＩ，ｗｈｉｃｈｐｒｏｖｅｓｔｈａｔｔｈｅｓｕｇｇｅｓｔｅｄａｐｐｒｏａｃｈｉｓｆｅａｓｉｂｌｅａｎｄａｐｐｌｉｃａｂｌｅｉｎｂｕｓｔｒａｖｅｌｔｉｍｅｐｒｅｄｉｃｔｉｏｎ．

Ｋｅｙｗｏｒｄｓ：ｉｎｔｅｌｌｉｇｅｎｔｔｒａｎｓｐｏｒｔａｔｉｏｎ；ｂｕｓｔｒａｖｅｌｔｉｍｅｐｒｅｄｉｃｔｉｏｎ；ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎ；ｈｙｂｒｉｄｍｏｄｅｌ

ＣＬＣｎｕｍｂｅｒ：Ｕ１２　　　Ｄｏｃｕｍｅｎｔｃｏｄｅ：Ａ　　　　ＡｒｔｉｃｌｅＩＤ：１００５?９１１３（２０１９）０３?００２６?０９

１　Ｉｎｔｒｏｄｕｃｔｉｏｎ

　　Ｂｕｓｔｒａｖｅｌｔｉｍｅｐｒｅｄｉｃｔｉｏｎｉｓｖｉｔａｌｃｏｍｐｏｎｅｎｔｏｆａｄｖａｎｃｅｄｐｕｂｌｉｃｔｒａｎｓｐｏｒｔａｔｉｏｎｓｙｓｔｅｍ（ＡＰＴＳ）ａｎｄａｄｖａｎｃｅｄｔｒａｖｅｌｅｒｉｎｆｏｒｍａｔｉｏｎｓｙｓｔｅｍ（ＡＴＩＳ）．Ｗｉｔｈｔｈｅｒａｐｉｄｄｅｖｅｌｏｐｍｅｎｔｏｆｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｎｅｔｗｏｒｋｔｅｃｈｎｏｌｏｇｙ，ａｎａｃｃｕｒａｔｅａｎｄｒｅａｌ?ｔｉｍｅｔｒａｖｅｌｔｉｍｅｆｏｒｅｃａｓｔｉｓｉｎｃｒｅａｓｉｎｇｌｙｉｍｐｏｒｔａｎｔ．Ｆｏｒｂｕｓｏｐｅｒａｔｉｏｎｍａｎａｇｅｍｅｎｔ，ｉｔｃａｎｈｅｌｐｏｐｔｉｍｉｚｅｂｕｓｒｏｕｔｅｐｌａｎｎｉｎｇ，ｓｔｏｐｓｉｔｅａｎｄｄｉｓｔａｎｃｅｂｅｔｗｅｅｎｓｔａｔｉｏｎｓｓｅｌｅｃｔｉｏｎ，ａｎｄｃｈｏｏｓｅａｐｐｒｏｐｒｉａｔｅｒｏａｄｓｅｃｔｉｏｎｔｏｉｍｐｌｅｍｅｎｔｂｕｓｐｒｉｏｒｉｔｙｔｒａｇｅｄｙ，ｗｈｉｃｈｗｉｌｌｒｅａｌｉｚｅｂｅｔｔｅｒｂｕｓｐｒｉｏｒｉｔｙｏｎｔｈｅｐｒｅｍｉｓｅｏｆｌｉｍｉｔｅｄｔｒａｆｆｉｃｓｕｐｐｌｙ．Ｏｎｔｈｅｏｔｈｅｒｈａｎｄ，ｒｅａｌ?ｔｉｍｅａｎｄｄｙｎａｍｉｃｂｕｓａｒｒｉｖａｌｔｉｍｅｆｏｒｅｃａｓｔｒｅｌｅａｓｅｄｂｙｍｏｂｉｌｅｃｏｍｍｕｎｉｃａｔｉｏｎａｐｐｌｉｃａｔｉｏｎｓｃａｎｈｅｌｐｐａｓｓｅｎｇｅｒｓｍａｋｅｍｏｒｅｓｕｉｔａｂｌｅｔｒａｖｅｌｐｌａｎｓ，ｗｈｉｃｈｎｏｔｏｎｌｙｒｅｄｕｃｅｓｔｈｅｌｏｎｇｗａｉｔｉｎｇｐｒｏｃｅｓｓ，ｂｕｔａｌｓｏｉｍｐｒｏｖｅｓｔｈｅｓｅｒｖｉｃｅｌｅｖｅｌｏｆｐｕｂｌｉｃｔｒａｎｓｐｏｒｔａｔｉｏｎ

ａｎｄａｔｔｒａｃｔｓｍｏｒｅｐａｓｓｅｎｇｅｒｓ．

Ｐｒｅｖｉｏｕｓｌｙ，ｖａｒｉｏｕｓｍｅｔｈｏｄｓｈａｖｅｂｅｅｎａｄｏｐｔｅｄｂｙｒｅｓｅａｒｃｈｅｒｓｔｏｆｏｒｅｃａｓｔｂｕｓｔｒａｖｅｌｔｉｍｅｕｓｉｎｇｈｉｓｔｏｒｉｃａｌａｖｅｒａｇｅｍｏｄｅｌ［１］，ｔｉｍｅｓｅｒｉｅｓｍｏｄｅｌ［２］，ｓｔａｔｉｓｔｉｃａｌｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ［３］ａｎｄｋａｌｍａｎｆｉｌｔｅｒａｌｇｏｒｉｔｈｍｓ［４］．Ｈｏｗｅｖｅｒ，ｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｂｕｓｔｒａｖｅｌｔｉｍｅｉｓｖｅｒｙｃｏｍｐｌｅｘａｎｄｈｉｇｈｌｙｎｏｎｌｉｎｅａｒｉｎｎａｔｕｒｅａｓｉｔｄｅｐｅｎｄｓｕｐｏｎｍａｎｙｉｎｆｌｕｅｎｃｅｆａｃｔｏｒｓｓｕｃｈａｓｒｉｄｅｒｓｈｉｐ，ｔｒａｆｆｉｃｆｌｏｗ，ｗｅａｔｈｅｒａｎｄｔｒａｆｆｉｃｓｉｇｎａｌｓｉｎｂｕｓｓｙｓｔｅｍ．Ｉｔｉｓｄｉｆｆｉｃｕｌｔｆｏｒｔｈｏｓｅｐｒｅｄｉｃｔｉｎｇｍｅｔｈｏｄｓｔｏｃｏｎｓｉｄｅｒａｌｌｏｆｆａｃｔｏｒｓ，ｓｏｔｈｅｐｒｅｄｉｃｔｉｏｎｑｕａｌｉｔｙ，ｉｎｐｒａｃｔｉｃｅ，ｉｓｕｎｓａｔｉｓｆａｃｔｏｒｙ．

Ｉｎｔｈｅｒｅｃｅｎｔｄｅｃａｄｅ，ｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌｓｈａｖｅｂｅｔｔｅｒｃａｐａｂｉｌｉｔｙｔｏｈａｎｄｌｅｎｏｎｌｉｎｅａｒｍａｐｐｉｎｇｐｒｏｂｌｅｍｓｔｈａｔａｒｅｃｏｍｐｌｅｘｉｎｎａｔｕｒｅ，ｐａｒｔｉｃｕｌａｒｌｙｉｎｔｈｅｆｉｅｌｄｏｆｔｒａｖｅｌｔｉｍｅｐｒｅｄｉｃｔｉｏｎｗｈｅｒｅａｎａｒｔｉｆｉｃｉａｌｎｅｕｔｒａｌｎｅｔｗｏｒｋ（ＡＮＮ）ｈａｓｂｅｅｎｗｉｄｅｌｙａｐｐｌｉｅｄ．ＰａｒｋａｎｄＲｉｌｅｔｔａｎａｌｙｚｅｄｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＡＮＮａｐｐｌｉｃａｔｉｏｎｓｉｎｂｕｓｔｒａｖｅｌｔｉｍｅｍｏｄｅｌｉｎｇ［５］；Ｃｈｉｅｎ

Ｒｅｃｅｉｖｅｄ２０１８－０３－１７．

ＳｐｏｎｓｏｒｅｄｂｙｔｈｅＰｒｏｊｅｃｔｓｏｆＩｎｔｅｒｎａｔｉｏｎａｌＣｏｏｐｅｒａｔｉｏｎａｎｄＥｘｃｈａｎｇｅｏｆｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（ＧｒａｎｔＮｏ．５１５６１１３５００３）ａｎｄｔｈｅＳｃｉｅｎｔｉｆｉｃＲｅｓｅａｒｃｈＦｏｕｎｄａｔｉｏｎｏｆＧｒａｄｕａｔｅｄＳｃｈｏｏｌｏｆＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ（ＧｒａｎｔＮｏ．ＹＢＪＪ１８４２）．?Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ－ｍａｉｌ：ｊｉｙａｎｊｉｅ＠ｓｅｕ．ｅｄｕ．ｃｎ．

·２６·