University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Abdeldjouad Aymen Azzouz |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Travel and Arrival Time Prediction Based On Historical GPS Data Utilizing Machine Learning / Abdeldjouad Aymen Azzouz
Titre : Travel and Arrival Time Prediction Based On Historical GPS Data Utilizing Machine Learning Type de document : texte imprimé Auteurs : Abdeldjouad Aymen Azzouz ; Mohammed Abderrahim Fellaouine ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (87f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Traffic congestion Public transportation Transit Bus Predictive models GPS data Linear
Regression Gradient Boosting Random Forest RNN LSTM GRU Circulation Transport public Transport Modèles prédictifs Données GPS Régression linéaire Forêt aléatoireIndex. décimale : 004 Informatique Résumé : Due to the increased number of vehicles, traffic congestion has risen at an alarming rate,
resulting in longer travel times and reduced accessibility and mobility. To address this
problem, promoting the use of public transportation, particularly buses, is a viable solution.
However, to encourage people to take buses, reliable information on bus travel and arrival
time is necessary.
In this project, we propose developing predictive models to estimate bus journey and arrival
times based on historical GPS data and bus routes information with the Algerian leader of
Urban Transit ETUS (Etablissement Public de Transports Urbain Sétif). Where we developed
three models for estimating the total journey time: Linear Regression, Gradient Boosting
Regressor and Random Forest Regressor. As for predicting arrival times at each bus stop, we
implemented two RNN architectures using LSTM and GRU.
The results of evaluating the ground-truth dataset show that GBR outperformed the Linear
Regression model, and its performance was similar to that of RFR. As for the deep learning
models, they showed excellent accuracy, with a low error percentage.
Our study unequivocally proves that it is entirely possible to predict bus journey time and
arrival information with remarkable precision using GPS observations and bus routes
information. This capability is especially valuable in situations where data on external features
affecting travel time are unavailable = En raison de l'augmentation du nombre de véhicules, les embouteillages se sont multipliés Ã
un rythme alarmant, entraînant un allongement des temps de trajet et une réduction de
l'accessibilité et de la mobilité. Pour remédier à ce problème, la promotion de l'utilisation des
transports publics, en particulier des bus, est une solution viable. Cependant, pour encourager
les gens à prendre le bus, il est nécessaire de disposer d'informations fiables sur les horaires de
passage et d'arrivée des bus.
Dans ce projet, nous proposons de développer des modèles prédictifs pour estimer les trajets et
les heures d'arrivée des bus sur la base de données GPS historiques et d'informations sur les
itinéraires de bus avec le leader algérien de transport urbain ETUS (Établissement Public de
Transports Urbain Sétif). Où nous avons développé trois modèles pour estimer le temps de
trajet total : Régression linéaire, Gradient Boosting Regressor et Random Forest Regressor. En
ce qui concerne la prédiction des heures d'arrivée à chaque arrêt de bus, nous avons
implémenté deux architectures RNN utilisant LSTM et GRU.
Les résultats de l'évaluation montrent que le GBR a surpassé le modèle de régression linéaire
et que ses performances étaient similaires à celles du RFR. Quant aux modèles d'apprentissage
en profondeur, ils ont montré une excellente précision, avec un faible pourcentage d'erreurs.
Notre étude prouve sans équivoque qu'il est tout à fait possible de prédire la durée d'un trajet
en bus avec une précision remarquable en utilisant les observations GPS et les informations
sur les itinéraires des bus. Cette capacité est particulièrement précieuse dans les situations où
les données sur les caractéristiques externes affectant le temps de trajet ne sont pas
disponiblesCôte titre : MAI/0754 En ligne : https://drive.google.com/file/d/1_ECwvEsEitTvSCpbRGfWhEyQuHJvBbMX/view?usp=drive [...] Format de la ressource électronique : Travel and Arrival Time Prediction Based On Historical GPS Data Utilizing Machine Learning [texte imprimé] / Abdeldjouad Aymen Azzouz ; Mohammed Abderrahim Fellaouine ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (87f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Traffic congestion Public transportation Transit Bus Predictive models GPS data Linear
Regression Gradient Boosting Random Forest RNN LSTM GRU Circulation Transport public Transport Modèles prédictifs Données GPS Régression linéaire Forêt aléatoireIndex. décimale : 004 Informatique Résumé : Due to the increased number of vehicles, traffic congestion has risen at an alarming rate,
resulting in longer travel times and reduced accessibility and mobility. To address this
problem, promoting the use of public transportation, particularly buses, is a viable solution.
However, to encourage people to take buses, reliable information on bus travel and arrival
time is necessary.
In this project, we propose developing predictive models to estimate bus journey and arrival
times based on historical GPS data and bus routes information with the Algerian leader of
Urban Transit ETUS (Etablissement Public de Transports Urbain Sétif). Where we developed
three models for estimating the total journey time: Linear Regression, Gradient Boosting
Regressor and Random Forest Regressor. As for predicting arrival times at each bus stop, we
implemented two RNN architectures using LSTM and GRU.
The results of evaluating the ground-truth dataset show that GBR outperformed the Linear
Regression model, and its performance was similar to that of RFR. As for the deep learning
models, they showed excellent accuracy, with a low error percentage.
Our study unequivocally proves that it is entirely possible to predict bus journey time and
arrival information with remarkable precision using GPS observations and bus routes
information. This capability is especially valuable in situations where data on external features
affecting travel time are unavailable = En raison de l'augmentation du nombre de véhicules, les embouteillages se sont multipliés Ã
un rythme alarmant, entraînant un allongement des temps de trajet et une réduction de
l'accessibilité et de la mobilité. Pour remédier à ce problème, la promotion de l'utilisation des
transports publics, en particulier des bus, est une solution viable. Cependant, pour encourager
les gens à prendre le bus, il est nécessaire de disposer d'informations fiables sur les horaires de
passage et d'arrivée des bus.
Dans ce projet, nous proposons de développer des modèles prédictifs pour estimer les trajets et
les heures d'arrivée des bus sur la base de données GPS historiques et d'informations sur les
itinéraires de bus avec le leader algérien de transport urbain ETUS (Établissement Public de
Transports Urbain Sétif). Où nous avons développé trois modèles pour estimer le temps de
trajet total : Régression linéaire, Gradient Boosting Regressor et Random Forest Regressor. En
ce qui concerne la prédiction des heures d'arrivée à chaque arrêt de bus, nous avons
implémenté deux architectures RNN utilisant LSTM et GRU.
Les résultats de l'évaluation montrent que le GBR a surpassé le modèle de régression linéaire
et que ses performances étaient similaires à celles du RFR. Quant aux modèles d'apprentissage
en profondeur, ils ont montré une excellente précision, avec un faible pourcentage d'erreurs.
Notre étude prouve sans équivoque qu'il est tout à fait possible de prédire la durée d'un trajet
en bus avec une précision remarquable en utilisant les observations GPS et les informations
sur les itinéraires des bus. Cette capacité est particulièrement précieuse dans les situations où
les données sur les caractéristiques externes affectant le temps de trajet ne sont pas
disponiblesCôte titre : MAI/0754 En ligne : https://drive.google.com/file/d/1_ECwvEsEitTvSCpbRGfWhEyQuHJvBbMX/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0754 MAI/0754 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible