Combining Stream Mining and Neural Networks for Short Term Delay Prediction

Maciej Grzenda , Karolina Kwasiborska , Tomasz Zaremba

Abstract

The systems monitoring the location of public transport vehicles rely on wireless transmission. The location readings from GPS-based devices are received with some latency caused by periodical data transmission and temporal problems preventing data transmission. This negatively affects identification of delayed vehicles. The primary objective of the work is to propose short term hybrid delay prediction method. The method relies on adaptive selection of Hoeffding trees, being stream classification technique and multilayer perceptrons. In this way, the hybrid method proposed in this study provides anytime predictions and eliminates the need to collect extensive training data before any predictions can be made. Moreover, the use of neural networks increases the accuracy of the predictions compared with the use of Hoeffding trees only.
Author Maciej Grzenda (FMIS / DIPS)
Maciej Grzenda,,
- Department of Information Processing Systems
, Karolina Kwasiborska (FMIS)
Karolina Kwasiborska,,
- Faculty of Mathematics and Information Science
, Tomasz Zaremba (FMIS)
Tomasz Zaremba,,
- Faculty of Mathematics and Information Science
Pages188-197
Publication size in sheets0.5
Book García Hilde Pérez, Alfonso-Cendón Javier, González Lidia Sánchez, Quintián Héctor, Corchado Emilio (eds.): ) International Joint Conference SOCO’17-CISIS’17-ICEUTE’17 León, Spain, September 6–8, 2017, Proceeding, Advances in Intelligent Systems and Computing, vol. 649, 2018, Springer, ISBN 978-3-319-67179-6, DOI:10.1007/978-3-319-67180-2
Keywords in Polishklasyfikacja strumieni danych, drzewa Hoeffdinga, wielowarstwowy perceptron, strumienie danych z sieci IoT
Keywords in EnglishData stream classification, Hoeffding tree, Multilayer perceptron, IoT data streams
Abstract in PolishSystemy monitorujące lokalizację pojazdów komunikacji publicznej bazują na transmisji bezprzewodowej. Odczyty lokalizacji pozyskiwane z odbiorników GPS są w takich systemach pozyskiwane z pewnym opóźnieniem wynikającym z okresowej transmisji danych oraz czasowych problemów uniemożliwiających transmisję danych. Opóźnienie to wpływa negatywnie na identyfikację opóźnionych pojazdów. Podstawowym celem niniejszej pracy jest zaproponowanie hybrydowej metody krótkookresowej predykcji opóźnień. Metoda ta bazuje na adaptacyjnej selekcji drzew Hoeffdinga, jako metody strumieniowej oraz wielowarstwowych perceptronów. W efekcie, zaproponowana metoda zapewnia możliwość prognozowania na każdym etapie przetwarzania strumienia i eliminuje potrzebę zgromadzenia obszernego zbioru uczącego przed rozpoczęciem prognozowania. Ponadto, użycie sieci neuronowych zwiększa dokładność predykcji w porównaniu z dokładnością wynikającą z użycia wyłącznie sieci Heoffdinga.
DOIDOI:10.1007/978-3-319-67180-2_18
URL https://link.springer.com/chapter/10.1007/978-3-319-67180-2_18
Languageen angielski
Score (nominal)15
ScoreMinisterial score = 15.0, 31-07-2019, ChapterFromConference
Publication indicators Scopus Citations = 0; WoS Citations = 0
Citation count*
Cite
Share Share

Get link to the record


* presented citation count is obtained through Internet information analysis and it is close to the number calculated by the Publish or Perish system.
Back