Pendekatan Deep Learning Untuk Prediksi Durasi Perjalanan
DOI:
https://doi.org/10.34148/teknika.v11i2.460Keywords:
Deep Learning, Durasi Perjalanan, RMSE, Fungsi LossAbstract
Setiap orang dalam kehidupan memiliki kecenderungan untuk berpindah dari satu tempat ke tempat lainnya. Perpindahan tersebut dapat dilakukan dengan menggunakan berbagai macam cara seperti menggunakan transportasi pribadi atau umum (bus, taksi, pesawat, dan kereta api), Pada perkembangan teknologi saat ini mode transportasi sudah semakin canggih. Akan tetapi masih ada mode transportasi yang belum modern misalnya seperti taksi, dimana salah satunya tidak dapat memprediksi lama waktu perjalanan. Meskipun sudah ada taksi yang berbasis online seperti Uber, akan tetapi masih banyak taksi yang belum berbasis online sehingga tidak bisa dilakukan estimasi waktu dan jarak. Permasalahan di atas dapat diselesaikan dengan cara melakukan pendekatan berbasis pembelajaran mesin. Salah satu keuntungan yang didapatkan jika kita dapat mengetahui lama waktu estimasi perjalanan yaitu dapat mengatur waktu perjalanan sesuai dengan rutinitas yang sedang dikerjakan ataupun juga dapat menghemat biaya yang dikeluarkan dengan mengetahui jarak yang akan dijalankan. Pada penelitian ini bertujuan untuk memprediksi durasi perjalanan pada dataset New York taxi trip duration menggunakan pendekatan deep learning yaitu Long Short Term Memory Reccurent Neural Network (LSTM-RNN). Eksperimen dilakukan dengan melakukan tuning parameter terkait seperti epoch, nilai dropout, dan neurons. Pengukuran hasil menggunakan nilai Root Mean Square Error (RMSE) dan nilai loss. Hasil yang didapatkan menggunakan model LSTM-RNN sebesar 0,0012 untuk nilai loss dan RMSE 0,4.
Downloads
References
M. Poongodi, M. Malviya, C. Kumar, M. Hamdi, V. Vijayakumar, J. Nebhen, and H. Alyamani, “New York City taxi trip duration prediction using MLP and XGBoost,” International Journal of System Assurance Engineering and Management, vol. 13, no. S1, pp. 16—27, 2021.
J. Tang, J. Liang, T. Yu, Y. Xiong, and G. Zeng, “Trip destination prediction based on a deep integration network by fusing multiple features from taxi trajectories,” IET Intelligent Transport Systems, 2021.
K. D. Kankanamge, Y. R. Witharanage, C. S. Withanage, M. Hansini, D. Lakmal, and U. Thayasivam, “Taxi trip travel time prediction with isolated XGBoost regression,” 2019 Moratuwa Engineering Research Conference (MERCon), 2019.
J. Fiosina, “Explainable federated learning for taxi travel time prediction,” Proceedings of the 7th International Conference on Vehicle Technology and Intelligent Transport Systems, 2021.
F. Zong, Y. Tian, Y. He, J. Tang, and J. Lv, “Trip destination prediction based on multi-day GPS data,” Physica A: Statistical Mechanics and its Applications, vol. 515, pp. 258—269, 2019.
J. Khiari and C. Olaverri-Monreal, “Boosting algorithms for delivery time prediction in Transportation Logistics,” 2020 International Conference on Data Mining Workshops (ICDMW), 2020.
H. Huang, M. Pouls, A. Meyer, and M. Pauly, “Travel time prediction using tree-based ensembles,” Lecture Notes in Computer Science, pp. 412—427, 2020.
A. Ermagun, Y. Fan, J. Wolfson, G. Adomavicius, and K. Das, “Real-time trip purpose prediction using online location-based search and Discovery Services,” Transportation Research Part C: Emerging Technologies, vol. 77, pp. 96—112, 2017.
A. Dong, Z. Du, and Z. Yan, “Round trip time prediction using recurrent neural networks with minimal gated unit,” IEEE Communications Letters, vol. 23, no. 4, pp. 584—587, 2019.
Y. Duan, Y. L.V., and F.-Y. Wang, “Travel time prediction with LSTM neural network,” 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), 2016.
H. Warita, H. Morita, M. Kuwahara, E. Chung, and A. Tanaka, “Travel time prediction for pre-trip information using latest traffic conditions on expressway,” International Journal of Intelligent Transportation Systems Research, vol. 2, no. 1, pp. 11—19, 2004.
X. Zhang, M. Yan, B. Xie, H. Yang, and H. Ma, “An automatic real-time bus schedule redesign method based on bus arrival time prediction,” Advanced Engineering Informatics, vol. 48, p. 101295, 2021.
A. K. Bachu, K. K. Reddy, and L. Vanajakshi, “Bus travel time prediction using support vector machines for high variance conditions,” Transport, vol. 36, no. 3, pp. 221—234, 2021.
S. Yu, C. Shang, Y. Yu, S. Zhang, and W. Yu, “Prediction of bus passenger trip flow based on Artificial Neural Network,” Advances in Mechanical Engineering, vol. 8, no. 10, p. 168781401667599, 2016.
V. E. Sathishkumar, J. Park, and Y. Cho, “Seoul bike trip duration prediction using data mining techniques,” IET Intelligent Transport Systems, vol. 14, no. 11, pp. 1465—1474, 2020.
“New York City taxi trip duration,” Kaggle. [Online]. Available: https://www.kaggle.com/c/nyc-taxi-trip-duration. [Accessed: 28-Dec-2021].
R. C. Staudemeyer and E. R. Morris, “Understanding LSTM -- a tutorial into Long Short-Term Memory Recurrent Neural Networks,” ArXiv.
N. G. Ramadhan , N. A. F. Tanjung , and F. D. Adhinata , “Implementation of LSTM-RNN for Bitcoin Prediction ,” Indonesia Journal on Computing (Indo-JC), vol. 6, no. 3, pp. 17—24, 2021.
