Predizione del carico di passeggeri nei sistemi di trasporto pubblici

Abstract

Gli Intelligent Transportation Systems(ITS) sono l'applicazione della tecnologia al settore del trasporto. L'avvento dei Big Data ha cambiato profondamente le aziende moderne e la metodologia con cui conservano i dati. L'ammontare di dati generato dagli ITS sta passando dai trillionbytes ai petabytes, a causa di questa enorme presenza di informazione tecniche di Big Data Analytics stanno diventando il focus di ricerca negli ITS. Predire la domanda dei passeggeri di un sistema di trasporto pubblico è uno delle maggiori applicazioni per le fonti di dati appartenenti al dominio degli ITS. La predizione è finalizzata a fornire alle aziende informazione per migliorare il servizio e conseguentemente migliorare il livello di comodità degli utenti. Considerando l'orizzonte temporale la predizione del flusso dei passeggeri può essere suddivisa in long-term e short-term. I modelli long-term sono generati utilizzando solo dati statici e il loro obiettivo è fornire predizioni settimane o mesi nel futuro. I modelli short-term complementano dati statici con dati real-time per fornire predizioni minuti nel futuro. L'obiettivo di questa tesi è lo sviluppo di modelli per predire il flusso dei passeggeri di una compagnia dei bus a livello delle fermate.

Intelligent Transportation Systems(ITS) are the application of computer technology to the transport sector. The advent of Big Data has deeply changed modern companies and the way they store data. The amount of data generated in ITS is developing from Trillionbyte level to Petabyte, due to this abundance of information Big Data Analytics techniques are becoming a research focus in ITS. Predicting the passenger demand of public transportation systems is one of the main application for ITS data sources. This prediction is aimed to give ITS companies useful information to improve their service and consequently improve the users comfort level. With respect to the time horizon considered to predict the estimation of the passenger flow in transportation systems can be divided into short-term and long-term. Long-term models are developed using only static data and their aim is to have predictions which span over weeks or months in the future. Short-term models complement static data with real-time data sources, their predictive period is in the order of minutes. This thesis focuses on the development of long-term and short-term models to predict the bus passenger flow at a stop level.