TechRxiv预印本：机器学习框架预测公交车辆到站时间，随机森林误差最低

据TechRxiv预印本，Ramanayake等作者提出一种机器学习框架，用于在起终点不固定的情况下预测车辆到站时间。研究开发并评估了线性回归、人工神经网络、长短期记忆网络、决策树与随机森林等模型，数据取自斯里兰卡多条公共交通线路按固定间隔采集的记录，并以平均绝对误差（MAE）衡量性能。结果显示，线性回归误差最高，随机森林误差最低；作者称模型效果同时受数据采集方法与特征选择影响。作者表示，随着数据集质量与模型设计的进一步改进，该框架在公交管理与出租车服务等对到站时间预测精度要求较高的场景中具备实际部署潜力。该论文为预印本，尚未经过同行评审。