Academic literature on the topic 'Passenger Train Delay Prediction'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Passenger Train Delay Prediction.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Passenger Train Delay Prediction"
Nabian, Mohammad Amin, Negin Alemazkoor, and Hadi Meidani. "Predicting Near-Term Train Schedule Performance and Delay Using Bi-Level Random Forests." Transportation Research Record: Journal of the Transportation Research Board 2673, no. 5 (April 7, 2019): 564–73. http://dx.doi.org/10.1177/0361198119840339.
Full textChen, Wei, Zongping Li, Can Liu, and Yi Ai. "A Deep Learning Model with Conv-LSTM Networks for Subway Passenger Congestion Delay Prediction." Journal of Advanced Transportation 2021 (May 15, 2021): 1–10. http://dx.doi.org/10.1155/2021/6645214.
Full textWang, Pu, and Qing-peng Zhang. "Train delay analysis and prediction based on big data fusion." Transportation Safety and Environment 1, no. 1 (February 4, 2019): 79–88. http://dx.doi.org/10.1093/tse/tdy001.
Full textYaghini, Masoud, Mohammad M. Khoshraftar, and Masoud Seyedabadi. "Railway passenger train delay prediction via neural network model." Journal of Advanced Transportation 47, no. 3 (March 3, 2012): 355–68. http://dx.doi.org/10.1002/atr.193.
Full textHoriguchi, Yuji, Yukino Baba, Hisashi Kashima, Masahito Suzuki, Hiroki Kayahara, and Jun Maeno. "Predicting Fuel Consumption and Flight Delays for Low-Cost Airlines." Proceedings of the AAAI Conference on Artificial Intelligence 31, no. 2 (February 11, 2017): 4686–93. http://dx.doi.org/10.1609/aaai.v31i2.19095.
Full textZhang, Dalin, Yi Xu, Yunjuan Peng, Yumei Zhang, Daohua Wu, Hongwei Wang, Jintao Liu, Sabah Mohammed, and Alessandro Calvi. "Prediction of Train Station Delay Based on Multiattention Graph Convolution Network." Journal of Advanced Transportation 2022 (February 21, 2022): 1–12. http://dx.doi.org/10.1155/2022/7580267.
Full textMcCarthy, Nicholas, Mohammad Karzand, and Freddy Lecue. "Amsterdam to Dublin Eventually Delayed? LSTM and Transfer Learning for Predicting Delays of Low Cost Airlines." Proceedings of the AAAI Conference on Artificial Intelligence 33 (July 17, 2019): 9541–46. http://dx.doi.org/10.1609/aaai.v33i01.33019541.
Full textGao, Bowen, Dongxiu Ou, Decun Dong, and Yusen Wu. "A Data-Driven Two-Stage Prediction Model for Train Primary-Delay Recovery Time." International Journal of Software Engineering and Knowledge Engineering 30, no. 07 (July 2020): 921–40. http://dx.doi.org/10.1142/s0218194020400124.
Full textYaghini, Masoud, Maryam Setayesh Sanai, and Hossein Amin Sadrabady. "Passenger Train Delay Classification." International Journal of Applied Metaheuristic Computing 4, no. 1 (January 2013): 21–31. http://dx.doi.org/10.4018/jamc.2013010102.
Full textWang, Bing, Peixiu Wu, Quanchao Chen, and Shaoquan Ni. "Prediction and Analysis of Train Passenger Load Factor of High-Speed Railway Based on LightGBM Algorithm." Journal of Advanced Transportation 2021 (June 15, 2021): 1–10. http://dx.doi.org/10.1155/2021/9963394.
Full textDissertations / Theses on the topic "Passenger Train Delay Prediction"
Minbashi, Niloofar. "Applying Data Analytics to Freight Train Delays in Shunting Yards." Licentiate thesis, KTH, Transportplanering, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-284672.
Full textEuropeiska kommissionen har förutspått en markansandel på 30% framtill 2030 för järnvägstransporter av gods. För att uppnå denna ökning krävsökad tillförlitlighet hos järnvägstransporttjänster. Rangergodsbangårdars optimalafunktion är ett av de områden som kan förbättra denna tillförlitlighet.Rangergodsbangårdar stora områden som är avsedda för att koppla ihopgodståg för sändning till nya destinationer. Deras produktivitet har en direktinverkan på järnvägsnätets totala prestanda. Därför krävs analys och modelleringav avvikelser från dessa noder för att förbättra interaktionen mellanrangergodsbangårdar och järnvägsnätet. I papper I undersöks sannolikheten och den tidsmässiga fördelningen avavvikelser med hjälp av en stor datamängd som omfattar 250 000 avgångaröver sju år från två rangergodsbangårdar (Malmö och Hallsberg) i Sverige.Sannolikhetsdistributioner av avvikelser jämförs med fyra huvuddistributioner,exponentiell, log-normal, gamma och Weibull enligt de maximalasannolikhetsuppskattningarna och resultaten av Anderson-Darling godhetav passningstest. Log-normal och gamma visar sig passa bäst för avvikelser:den förstnämnda vid förseningar och den senare vid tidiga avgångar. I dentidsmässiga fördröjningsfördelningen är de veckovisa och månatliga men inteårliga försenade avgångarna positivt korrelerade med järnvägsnätets nyttjandegrad.För försenade avgångar per timme visar dock en rangergodsbangårdsom är inblandad i internationell trafik ingen korrelation mellan försenadeavgångar och järnvägsnätets nyttjandegrad, medan en inhemsk rangergodsbangårdvisaren signifikant negativ korrelation mellan dessa två parametrar.Resultaten från denna avhandling bidrar till en bättre förståelse av avvikelserfrån rangergodsbangårdar och kan användas för att förbättra drift och kapacitetsutnyttjandeav rangergodsbangårdar växelplatser i framtida modeller. Papper II och III analyserar förhållandet mellan trängsel i ankomstgårdenoch avgångsförseningar med hjälp av samma datamängd som i papperI. Enligt tidigare analyser spelar trängsel en viktig roll vid förseningar förrangergodsbangårdar. Trängsel definieras som antalet ankommande tåg föreavgångstid och papper II analyserar detta förhållande som begränsar ankomsteroch avgångar mellan de två rangergodsbangårdar med beaktande av olikatidsperioder före avgång, medan papper III utvecklar analysen genom attdefiniera trängselnivån under en fast tidsperiod före avgångstid inklusive allaankomster och avgångar. Med tanke på datamängden som användes i analysenvisar resultaten att det inte finns något signifikant samband mellan trängselni ankomstgården och tågens förseningar. Det är möjligt att trängsel kanskeinte påverkar tågens avgångsfördröjningar, men det kan påverka vagnarnasavgångsfördröjningar på grund av missad vagnanslutning eller öka vagnenstomgångstid, vilket kan undersökas med vid tillgång av vagnanslutningsdata.Dessutom kan framtida vidareutveckling av definitionen av trängsel som påen detaljerad nivå täcker rangergodsbangårdars alla delar, leda till ytterligareförbättrade analyser.
QC 20201105
Shift2Rail
FR8HUB
Granlöf, Markus. "A study of the effects of winterclimate and atmospheric icing onhigh-speed passenger trains." Thesis, Umeå universitet, Institutionen för matematik och matematisk statistik, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:umu:diva-171868.
Full textNilsson, Robert, and Kim Henning. "Predictions of train delays using machine learning." Thesis, KTH, Hälsoinformatik och logistik, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-230224.
Full textTågförseningar inträffar dagligen i Stockholms pendeltågstrafik. Det orsakar att resenärerna själva kan bli försenade till deras destinationer. För att hitta den mest träffsäkra metoden för att förutspå tågförseningar jämfördes maskininlärningsmetoderna beslutsträd, med och utan AdaBoost, och artificiella neuronnät med olika inställningar. Det artificiella neuronnätet gav det bästa resultatet när det användes med 3 lager och 22 neuroner i varje lager. Dess förseningsförutsägelse hade ett genomsnittligt fel på 122 sekunder jämfört med den verkliga förseningen. Det kan därför vara den bästa metoden för att förutspå tågförseningar. Den här studien hade dock väldigt begränsat med tid och mer information om tågavgångar hade behövts samlas in.
Hsin-IChen and 陳心一. "Long Distance Train Delay Prediction: Evidence from Taiwan Railway System." Thesis, 2010. http://ndltd.ncl.edu.tw/handle/62617643261656329122.
Full text國立成功大學
交通管理學系碩博士班
98
Delay of railway trains is highly affecting reliability of the system, and has significant negative impact on customers' satisfaction. Simulation models often used in previous research and in practice to predict the train delay; due to the growth of the scale of system, it turned to be too costly to develop on such problem. This research suggesting an approach on predicts train delay in the short term by linear model and neural network. With the train operation data of Taiwan Railway Administration for three month, we build several models on predicting weather the train will be delayed on the terminal station, the number of delay incidents on the train's journey and the length ratio of delay time, based on the predictive factors of train, route and environment. We'd found that delay occurs much often on weekends and holidays; the congestion delay is not obvious in the research area; specific class of train had seriously high delay rates; delay increase from the morning to the evening in every single day; Tze-Chiang express have different delay condition on each directions of research section. This research suggests that the system operator should build a special holiday timetable, according to the different passenger characteristic and destination between working days and non-working days, also we should increase the headway progressively to avoid the delay accumulate on the time period in a day.
Book chapters on the topic "Passenger Train Delay Prediction"
Lapamonpinyo, Pipatphon, Hai-Bang Ly, and Sybil Derrible. "Passenger Train Delay Prediction Using Linear Regression and Ensemble Learning Methods with and Without Ridership and Population Data." In Lecture Notes in Civil Engineering, 1875–85. Singapore: Springer Singapore, 2021. http://dx.doi.org/10.1007/978-981-16-7160-9_190.
Full textLi, Bo, Xiang-chun Qi, Qiao Li, and Xiao Yang. "Analysis and Prediction of Passenger Flow of High-Speed Night Train." In Green Intelligent Transportation Systems, 565–76. Singapore: Springer Singapore, 2018. http://dx.doi.org/10.1007/978-981-13-0302-9_56.
Full textSingh, Ajay, D. Rajesh Kumar, and Rahul Kumar Sharma. "Prediction of Train Delay System in Indian Railways Using Machine Learning Techniques: Survey." In Lecture Notes in Electrical Engineering, 55–71. Singapore: Springer Nature Singapore, 2022. http://dx.doi.org/10.1007/978-981-19-1520-8_5.
Full textYaghini, Masoud, Maryam Setayesh Sanai, and Hossein Amin Sadrabady. "Passenger Train Delay Classification." In Transportation Systems and Engineering, 310–19. IGI Global, 2015. http://dx.doi.org/10.4018/978-1-4666-8473-7.ch014.
Full textFumeo, Emanuele, Luca Oneto, Giorgio Clerico, Renzo Canepa, Federico Papa, Carlo Dambra, Nadia Mazzino, and Davida Anguita. "Big Data Analytics for Train Delay Prediction." In Innovative Applications of Big Data in the Railway Industry, 320–48. IGI Global, 2018. http://dx.doi.org/10.4018/978-1-5225-3176-0.ch014.
Full textSolanki, Arun, and Ela Kumar. "Study and Analysis of Delay Factors of Delhi Metro Using Data Sciences and Social Media." In Innovative Applications of Big Data in the Railway Industry, 209–23. IGI Global, 2018. http://dx.doi.org/10.4018/978-1-5225-3176-0.ch009.
Full textConference papers on the topic "Passenger Train Delay Prediction"
Sipilä, Hans. "Evaluation of Single Track Timetables Using Simulation." In 2014 Joint Rail Conference. American Society of Mechanical Engineers, 2014. http://dx.doi.org/10.1115/jrc2014-3820.
Full textWang, Ren, and Daniel B. Work. "Data Driven Approaches for Passenger Train Delay Estimation." In 2015 IEEE 18th International Conference on Intelligent Transportation Systems - (ITSC 2015). IEEE, 2015. http://dx.doi.org/10.1109/itsc.2015.94.
Full textHansen, Ingo A., Rob M. P. Goverde, and Dirk J. van der Meer. "Online train delay recognition and running time prediction." In 2010 13th International IEEE Conference on Intelligent Transportation Systems - (ITSC 2010). IEEE, 2010. http://dx.doi.org/10.1109/itsc.2010.5625081.
Full textDing, Dong, and Yu Zhou. "Prediction Model of Intercity Passenger Train Volume Based on Grey System Theory." In Third International Conference on Transportation Engineering (ICTE). Reston, VA: American Society of Civil Engineers, 2011. http://dx.doi.org/10.1061/41184(419)204.
Full textRen, Yumou, Qi Zhang, Yanhao Sun, Zhi Li, Yunpeng Zhang, and Wei Xu. "Prediction Method for Train Delay Time of High-Speed Railway." In 2020 Chinese Automation Congress (CAC). IEEE, 2020. http://dx.doi.org/10.1109/cac51589.2020.9327307.
Full textChen, Shuai, Xingtang Wu, Min Zhou, Haifeng Song, and Hairong Dong. "Digital Twin based Train Delay Prediction System: Design and Realization." In 2022 41st Chinese Control Conference (CCC). IEEE, 2022. http://dx.doi.org/10.23919/ccc55666.2022.9901773.
Full textLi, Jianmin, Xinyue Xu, Meng Zhao, and Rui Shi. "Train Arrival Delay Prediction Based on a CNN-LSTM Approach." In 21st COTA International Conference of Transportation Professionals. Reston, VA: American Society of Civil Engineers, 2021. http://dx.doi.org/10.1061/9780784483565.054.
Full textChen, Shuai, Xingtang Wu, Min Zhou, Bo Yang, Jinhu Lu, and Hairong Dong. "Train Delay Prediction based on a Multimodal Deep-learning Method." In 2021 China Automation Congress (CAC). IEEE, 2021. http://dx.doi.org/10.1109/cac53003.2021.9728179.
Full textDou, Shunkun, Liyan Zhang, and Changxian Li. "Improved EMD-PSO-LSSVM train wireless network time-delay prediction." In International Conference on Signal Processing and Communication Security (ICSPCS 2022), edited by Min Xiao and Lisu Yu. SPIE, 2022. http://dx.doi.org/10.1117/12.2655218.
Full textDongmei Zhou, Zhibin Zhang, and Ge Meng. "Combined prediction method based on HHT of passenger volume of single inter-city train." In 2016 IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC). IEEE, 2016. http://dx.doi.org/10.1109/imcec.2016.7867375.
Full textReports on the topic "Passenger Train Delay Prediction"
Green, John G., and Francis J. Miller. Examining the Effects of Precision Scheduled Railroading on Intercity Passenger and High-Speed Rail Service. Mineta Transportation Institute, March 2022. http://dx.doi.org/10.31979/mti.2022.2016.
Full text