This thesis concerns the prediction of travel times between two points on a map, based on a combination of link-scale road network data and historical trip-scale data. The main idea is that the predictions using the road network data can be improved by a correction factor estimated from historical trip data. The correction factor is estimated both using a Machine Learning approach, more specifically Gaussian Progress Regression, and a simple baseline method inspired by an approach in the literature. The Gaussian Progress Regression is performed using a string kernel and a squared exponential kernel. The Gaussian Process Regression using the string kernel outperforms both the baseline and the squared exponential kernel, and is hence the most promising approach on the considered problem. / Denna rapport behandlar uppskattningar av restider mellan två punkter på en karta, utifrån en kombination data från vägnät (på en skala av vägsegment) och historisk data från utförda resor (på en större skala, som resorna). Huvudidén är att uppskattningarna kan förbättras genom att införa en korrigeringsfaktor som uppskattas utifrån den historiska resdatan. Korrigeringsfaktorn uppskattas både genom maskininlägningsmetoder, mer specifikt med regression baserad på Gaussianska processer, och med en enkel referensmetod inspirerad av en metod i litteraturen. Två olika kärnfunktioner används vid den Gaussinaska regressionen: en kvadratiskt exponentiellt kärna och en strängkärna. Den metod som använder strängkärnan är den mest lovande metoden i denna studie, då den presterar bättre än de båda andra.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-223660 |
| Date | January 2018 |
| Creators | Danielsson, Sara |
| Publisher | KTH, Optimeringslära och systemteori |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2018:022 |
Page generated in 0.0021 seconds