Modul pro analýzu a krátkodobou predikci pro plánování tras

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61384399%3A31140%2F22%3A00059098" target="_blank" >RIV/61384399:31140/22:00059098 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/26429632:_____/22:N0000024 RIV/68407700:21260/22:00371832

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Modul pro analýzu a krátkodobou predikci pro plánování tras

Popis výsledku v původním jazyce

Hlavní témata dokumentu: veřejná doprava; analýza plánování dopravy; predikční software

Název v anglickém jazyce

Analysis and short-term prediction module for route planning

Popis výsledku anglicky

Basic themes of document: public transport; traffic planning analysis; prediction software

Druh

R - Software

CEP obor

—

OECD FORD obor

50703 - Transport planning and social aspects of transport (transport engineering to be 2.1)

Projekt

<a href="/cs/project/CK01000165" target="_blank" >CK01000165: Inteligentní systém pro analýzu a predikci veřejné dopravy</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

CK01000165-V3

Technické parametry

Krátkodobá predikce je počítána pro každých 5-20 minut (dle nastavení) na následující 1-3 hodiny. V krátkodobém horizontu jsou pro predikce doby projetí úseku opět k dispozici dodatečné vysoce relevantní informace. Jedná se zejména o aktuální stav dopravy v úsecích souvisejících s daným modelovaným úsekem. Model je opět konstruován jako úprava střednědobé a dlouhodobé predikce o aktuální informace. Aktuální informace zahrnují data především o průjezdnosti souvisejících úseků časově bezprostředně předcházející aktuálnímu času. Jedná se opět o model učení s učitelem, konkrétně regresní úlohu. Použitá data jsou mimo jiné speciálním případem grafu, který definuje souvislosti jednotlivých silničních úseků. Implementace predikčních modelů probíhá v?programovacím jazyce Python. Pro krátkodobé predikce jsou konstruovány speciální aplikací neuronových sítí, která bere v?úvahu souvislosti jednotlivých úseků. Pro dlouhodobé a střednědobé predikce byl zvolen algoritmus XGBoost a Embeddingové neuronové sítě.

Ekonomické parametry

SW modul bude implementován do multimodálního plánovače společnosti CEDA, v rámci tohoto SW bude poskytovat predikovaná data o veřejného dopravě, které vstoupí do výpočtu tras, které uživatel plánuje real-time nebo do budoucna. Cílovým uživatelům (cestujícím) implementace SW umožní efektivněji a pohodlněji se pohybovat veřejnou dopravou, vyhnout se zpoždění atd. Implementace tohoto výstupu proběhne po ukončení projektu. Komercializace výstupu pomocí multimodálního plánovače povede ke zvýšení ročního objemu zisku poskytovatelů. Výstup bude použit také pro další VaVaI činnost.

IČO vlastníka výsledku

26429632

Název vlastníka

CEDA Maps a.s.