La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Travel Time Prediction System Based on Data Clustering for Waste Collection Vehicles Système de prévision du temps de trajet basé sur le regroupement de données pour les véhicules de collecte des déchets

Chi-Hua CHEN, Feng-Jang HWANG, Hsu-Yang KUNG

  • Vues en texte intégral

    0

  • Citer

Résumé:

Ces dernières années, les techniques des systèmes de transport intelligents (STI) ont été largement exploitées pour améliorer la qualité des services publics. En tant que l'un des leaders mondiaux du recyclage, Taiwan adopte une politique de collecte et d'élimination des déchets appelée « les déchets ne touchent pas le sol », qui oblige le public à livrer les déchets directement aux points de collecte en attente de collecte des ordures. Cette étude développe un système de prédiction du temps de trajet basé sur le regroupement de données pour fournir des informations en temps réel sur l'heure d'arrivée du véhicule de collecte des déchets (WCV). Le système développé se compose d'appareils mobiles (MD), d'unités embarquées (OBU), d'un serveur de gestion de flotte (FMS) et d'un serveur d'analyse de données (DAS). Un modèle de prédiction du temps de trajet utilisant la technique de regroupement adaptatif couplée à une procédure de sélection de caractéristiques de données est conçu et intégré dans le DAS. Tout en recevant des demandes des MD des utilisateurs et des données pertinentes provenant des OBU des WCV via le FMS, le DAS exécute le modèle conçu pour produire l'heure d'arrivée prévue du WCV. Le résultat de notre expérience démontre que le modèle de prédiction proposé atteint un taux de précision de 75.0 % et surpasse la méthode de régression linéaire de référence et la technique des réseaux neuronaux, dont les taux de précision sont respectivement de 14.7 % et 27.6 %. Le système développé est à la fois efficace et efficient et a été mis en ligne.

Publication
IEICE TRANSACTIONS on Information Vol.E102-D No.7 pp.1374-1383
Date de publication
2019/07/01
Publicisé
2019/03/29
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2018EDP7299
Type de manuscrit
PAPER
Catégories
Biocybernétique, Neuroinformatique

Auteurs

Chi-Hua CHEN
  Fuzhou University
Feng-Jang HWANG
  University of Technology Sydney
Hsu-Yang KUNG
  National Pingtung University of Science and Technology

Mots-clés

Table des matières