A Bayesian Framework for Post-disruption Travel Time Prediction in Metro Networks
Disruptions create substantial uncertainty in metro travel times, particularly during recovery periods when train interactions and headway imbalances persist. We develop a Bayesian spatiotemporal framework for post-disruption travel time prediction that decomposes travel time into delay and journey components and incorporates moving-average error dependence across consecutive trains. To capture heteroskedasticity, skewness, and heavy tails, we employ skew-normal and skew-t distributions with distance-dependent variance and skewness. Using high-resolution track-occupancy and disruption log data from the Montréal metro system, we show that post-disruption travel times exhibit pronounced asymmetry and cross-train dependence. Both models outperform baseline specifications in point prediction and uncertainty quantification, with the skew-t model providing the most robust performance for longer journeys.
Cadre bayésien pour la prévision des temps de trajet après une perturbation dans les réseaux métropolitains
Les perturbations créent une incertitude considérable quant aux temps de trajet dans le métro, en particulier pendant les périodes de rétablissement, lorsque les interactions entre les trains et les déséquilibres entre les intervalles persistent. Nous développons un cadre spatio-temporel bayésien pour la prévision des temps de trajet après une perturbation, qui décompose le temps de trajet en composantes de retard et de trajet et intègre la dépendance de l'erreur moyenne mobile entre les trains consécutifs. Afin de saisir l'hétéroscédasticité, l'asymétrie et les queues lourdes, nous utilisons des distributions skew-normales et skew-t avec une variance et une asymétrie dépendantes de la distance. À l'aide de données haute résolution sur l'occupation des voies et les perturbations provenant du réseau métropolitain de Montréal, nous montrons que les temps de trajet après une perturbation présentent une asymétrie prononcée et une dépendance entre les trains. Les deux modèles surpassent les spécifications de base en matière de prévision ponctuelle et de quantification de l'incertitude, le modèle skew-t offrant les performances les plus robustes pour les trajets plus longs.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais