×
穆罕默德·埃尔马斯里;奥雷利·拉布;丹尼斯·拉罗克;劳伦特·查林

交通网络上出行时间的预测推断。 （英语） Zbl 07789407号

附录申请。统计。 17，第4号，2796-2820（2023）.
小结：最近在大规模GPS数据上拟合的统计方法可以准确估计两点之间的预期旅行时间。然而，人们对出行时间的分布知之甚少，而出行时间是许多物流问题决策的关键。有了足够的数据，可以很好地近似单个路段的行驶时间。挑战在于了解如何在路线上聚合此类信息，以得出行程时间的路线分布。我们开发了一种新的统计方法来解决这个问题。我们表明，在一般条件下，在不假设速度分布的情况下，旅行时间除以路线距离服从具有路线不变总体均值和方差的高斯分布。我们开发了这些参数的有效推断方法，并提出了旅行时间的渐近紧人口预测区间。利用交通流信息，我们进一步建立了基于三次特定高斯分布的预测模型，从而为短距离和长距离出行提供了紧凑的预测区间。我们的方法，在R包中实现（可在https://github.com/melmasri/traveltimeCLT（网址：https://github.com/melmasri/traveltimeCLT）)，在使用移动GPS数据的实际案例研究中进行了说明，表明我们的特定于三次的间隔和人口间隔都达到了95%的理论覆盖水平。与其他方法相比，我们的三特异性预测分布实现了：（a）在每个显著性水平上的理论覆盖率，（b）更紧密的预测区间，（c）更少的预测偏差，以及（d）更有效的估计和预测程序。这使得我们的方法在低延迟、大规模的运输应用中很有前景。

MSC公司：

62件 统计学的应用

关键词：

中心极限定理;行程时间分布;动力系统;混合顺序;预测区间
PDF格式BibTeX公司 XML格式引用
\textit｛M.Elmasri｝等人，Ann.Appl。Stat.17，No.4，2796--2820（2023；Zbl 07789407）
全文： 内政部 arXiv公司

参考文献：

[1] ALDOUS，D.（1991）。有限图上随机游动的应用。谢菲尔德应用概率研讨会论文集(谢菲尔德, 1989). 数理统计研究所讲稿——专题系列18 12-26。IMS，Hayward，CA。数字对象标识符：10.1214/lnms/1215459284谷歌学者：查找链接数学科学网：MR1193058·Zbl 0769.60064号 ·doi:10.1214/lnms/1215459284
[2] BARRAT，A.、BARTH E.LEMY，M.和VESPIGNANI，A.（2008）。复杂网络上的动态过程。剑桥大学出版社，剑桥。数字对象标识符：10.1017/CBO9780511791383谷歌学者：查找链接数学科学网：MR2797803·Zbl 1198.90005号 ·doi:10.1017/CBO9780511791383
[3] Bradley，R.C.（2005）。强混合条件的基本特性。调查和一些开放性问题。普罗巴伯。Surv公司。2 107-144之间。数字对象标识符：10.1214/15495780510000104谷歌学者：查找链接数学科学网：MR2178042·Zbl 1189.60077号 ·数字对象标识代码：10.1214/15495780510000104
[4] BRITTON，T.和O'NEILL，P.D.（2002年）。随机社会结构人群中随机流行病的贝叶斯推断。扫描。《美国联邦法律大全》第29卷第375-390页。数字对象标识符：10.1111/1467-9469.00296谷歌学者：查找链接MathSciNet:MR19255565·Zbl 1036.62017年 ·doi:10.1111/1467-9469.00296
[5] BUDGE，S.、INGOLFSSON，A.和ZEROM，D.（2010年）。救护车出行时间实证分析：卡尔加里急救医疗服务案例。管理。科学。56 716-723.
[6] BURK，W.J.、STEGLICH，C.E.和SNIJDERS，T.A.（2007年）。超越二元相互依赖：以行动者为导向的模型，用于共同发展的社会网络和个人行为。国际J.Behav。开发31 397-404。
[7] CASELLA，G.和BERGER，R.L.（2002）。统计推断2。贝尔蒙特·沃兹沃思。
[8] EINSIEDLER，M.和WARD，T.（2013）。遍地理论。柏林施普林格。
[9] ELMASRI，M.、LABBE，A.、LAROCKE，D.和CHARLIN，L.（2023）。补充“交通网络上出行时间的预测推断”https://doi.org/10.1214/23-AOAS1737SUPA网站, https://doi.org/10.1214/23-AOAS1737SUPPB
[10] GARDNER，W.A.、NAPOLITANO，A.和PAURA，L.（2006）。周期平稳性：半个世纪的研究。信号处理。86 639-697. ·Zbl 1163.94338号
[11] GEISSER，S.（1993）。预测推理：导论。统计学和应用概率专著55。纽约CRC出版社。数字对象标识符：10.1007/978-1-4899-4467-2谷歌学者：查找链接数学科学网：MR1252174·doi:10.1007/9781-4899-4467-2
[12] GEROLIMINIS，N.和DAGANZO，C.F.（2008年）。城市尺度宏观基本图的存在：一些实验结果。运输。研究，B部分，Methodol。42 759-770.
[13] GEROLIMINIS，N.和SKABARDONIS，A.（2006年）。信号干线上的实时车辆重新识别和性能测量。第九届IEEE智能运输系统国际会议，加拿大多伦多，188-193年。
[14] Golightly，A.和Wilkinson，D.J.（2005年）。使用扩散近似的随机动力学模型的贝叶斯推断。生物计量学61 781-788. 数字对象标识符：10.1111/j.1541-0420.2005.00345.x谷歌学者：查找链接数学科学网：MR2196166·Zbl 1079.62110号 ·doi:10.1111/j.1541-0420.2005.00345.x
[15] 郭凤、李强和拉卡（2012）。具有偏态分量分布的多状态行程时间可靠性模型。运输。研究记录2315 47-53。
[16] 赫恩多夫（1983）。（φ）-混合序列的不变性原理。Z.瓦尔什。版本。盖比特63 97-108。数字对象标识符：10.1007/BF00534180谷歌学者：查找链接数学科学网：MR0699789·Zbl 0494.60036号 ·doi:10.1007/BF00534180
[17] 亨特·T、达斯·T、扎哈利亚·M、阿贝尔·P和拜恩·A·M（2013）。使用流数据的网络物理系统中的大尺度估计：动脉流量估计的案例研究。IEEE传输。自动。科学。工程10 884-898。
[18] HUNTER，T.、HERRING，R.、ABBEEL，P.和BAYEN，A.（2009年）。从GPS探测车数据推断路径和行程时间。NIPS使用图12 1-8分析网络和学习。
[19] JENELIUS，E.和KOUTSOPOULOS，H.N.（2013）。使用低频探头车辆数据估算城市道路网的行驶时间。运输。研究，B部分，Methodol。53 64-81.
[20] Kolaczyk，E.D.（2009年）。网络数据的统计分析：方法和模型。统计学中的斯普林格系列。纽约州施普林格。数字对象标识符：10.1007/978-0-387-88146-1谷歌学者：查找链接数学科学网：MR2724362·兹比尔1277.62021 ·doi:10.1007/978-0-387-88146-1
[21] Kolaczyk，E.D.和Csárdi，G.（2014）。使用R对网络数据进行统计分析。使用R！纽约州施普林格。数字对象标识符：10.1007/978-1-4939-0983-4谷歌学者：查找链接数学科学网：MR3288852·Zbl 1290.62002号 ·doi:10.1007/978-1-4939-0983-4
[22] LI，C.、PARKER，D.和HAO，Q.（2021）。随机行程时间的按需分乘车辆调度。2021年IEEE/RSJ智能机器人和系统国际会议(伊罗斯)捷克共和国布拉格，邮编：5966-5972。
[23] LI，M.，JIANG，G.和LO，H.K.（2022年）。出行时间可变性下的出行外包服务定价策略。运输。决议，E部分，逻辑。运输。版次159 102631。
[24] LI，X.、GAO，J.、WANG，C.、HUANG，X.和NIE，Y.（2022）。通过数据驱动的稳健优化实现行程时间不确定性下的分乘匹配。IEEE接入10 116931-116941。
[25] LONG，J.、TAN，W.、SZETO，W.和LI，Y.（2018）。旅行时间不确定的乘车分担。运输。研究，B部分，Methodol。118 143-171.
[26] MA，Z.、KOUTSOPOULOS，H.N.、FERREIRA，L.和MESBAH，M.（2017年）。使用广义马尔可夫链方法估计出行时间分布。运输。研究，C部分，应急技术。74 1-21.
[27] NEWSON，P.和KRUMM，J.（2009年）。通过噪声和稀疏性进行隐马尔可夫映射匹配。第17届ACM SIGSPATIAL地理信息系统进展国际会议论文集336-343。纽约ACM。
[28] PELIGARD，M.和SURESH，R.（1995年）。相关随机变量序列部分和的方差估计。随机过程。申请。56 307-319. 数字对象标识符：10.1016/0304-4149（94）00065-2谷歌学者：查找链接数学科学网：MR1325225·Zbl 0817.62019号 ·doi:10.1016/0304-4149（94）00065-2
[29] 佩利格拉德，M.（1996）。弱相依随机变量序列的渐近正态性。J.理论。普罗巴伯。9 703-715。数字对象标识符：10.1007/BF02214083谷歌学者：查找链接数学科学网：MR1400595·Zbl 0855.60021号 ·doi:10.1007/BF02214083
[30] RAMSAY，J.O.、HOOKER，G.、CAMPBELL，D.和CAO，J.（2007）。微分方程的参数估计：一种广义平滑方法。J.R.统计社会服务。B.统计方法。69 741-796。数字对象标识符：10.1111/j.1467-9868.2007.00610.x谷歌学者：查找链接数学科学网：MR2368570·Zbl 07555374号 ·doi:10.1111/j.1467-9868.2007.00610.x
[31] Rosenblatt，M.（1956年）。一个中心极限定理和一个强混合条件。程序。国家。阿卡德。科学。美国42 43-47。数字对象标识符：10.1073/pnas.42.1.43谷歌学者：查找链接数学科学网：MR0074711·Zbl 0070.13804号 ·doi:10.1073/pnas.42.1.43
[32] SNIJDERS，T.、STEGLICH，C.和SCHWEINBERGER，M.（2017年）。为网络和行为的共同进化建模。行为与相关科学纵向模型41-71。伦敦劳特利奇。
[33] TREIBER，M.、HENNECKE，A.和HELBING，D.（2000年）。实证观察和微观模拟中的拥堵交通状态。物理。修订版E 62 1805。
[34] WANG，H.、TANG，X.、KUO，Y.-H.、KIFER，D.和LI，Z.（2019年）。使用大规模出行数据估算出行时间的简单基线。ACM事务处理。智力。系统。Technol公司。10 19.
[35] WESTGATE，B.S.、WOODARD，D.B.、MATTESON，D.S.和HENDERSON，S.G.（2013年）。使用贝叶斯数据增强的救护车行程时间估计。附录申请。《美国联邦法律大全》第7卷第1139-1161页。数字对象标识符：10.1214/13-AOAS626谷歌学者：查找链接数学科学网：MR3113504·Zbl 1288.62044号 ·doi:10.1214/13-AOAS626
[36] WESTGATE，B.S.、WOODARD，D.B.、MATTESON，D.S.和HENDERSON，S.G.（2016）。救护车大网络行程时间分布估计。《欧洲期刊》。第252 322-333号决议·兹比尔1346.90565
[37] 威廉姆斯，B.M.和霍尔，L.A.（2003）。作为季节ARIMA过程的车辆交通流建模和预测：理论基础和实证结果。J.运输。工程129 664-672。
[38] WOODARD，D.、NOGIN，G.、KOCH，P.、RACZ，D.、GOLDSZMIDT，M.和HORVITZ，E.（2017）。使用手机GPS数据预测行程时间可靠性。运输。研究，C部分，应急技术。75 30-44之间。
[39] WU，W.B.（2009）。时间平均方差常数的递归估计。附录申请。普罗巴伯。19 1529-1552. 数字对象标识符：10.1214/08-AAP587谷歌学者：查找链接数学科学网：MR2538079·Zbl 1171.62048号 ·doi:10.1214/08-AAP587
[40] ZHANG，K.，JIA，N.，ZHENG，L.和LIU，Z.（2019）。一种新的生成性对抗网络，用于使用轨迹数据估计出行时间分布。运输。研究，C部分，应急技术。108 223-244。
[41] ZHENG，F.和VAN ZUYLEN，H.J.（2013）。基于稀疏探测车辆数据的城市路段行程时间估计。运输。研究，C部分，应急技术。31 145-157.
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。