Prediction passenger numbers in light rail transit using seasonal autoregressive integrated moving average (SARIMA)

• Autorzy: Saputra Aldi , Gustriansyah Rendra , Sanmorino Ahmad , Mair Zaid Romegar , Sartika Dewi , Puspasari Shinta

Identyfikatory

DOI

10.15199/48.2024.10.07

Warianty tytułu

PL

Prognozowanie liczby pasażerów w transporcie szynowym przy użyciu sezonowej autoregresyjnej zintegrowanej średniej ruchomej (SARIMA)

• Języki publikacji: EN

Abstrakty

EN

Light Rail Transit (LRT) plays a role in supporting the mobility of the people of a city. However, the increase in LRT use presents challenges, requiring effective solutions to anticipate changes in the number of passengers. This research aims to design and implement a prediction model using the Seasonal Autoregressive Integrated Method Moving Average to anticipate and predict the number of LRT passengers. The prediction results using the parameter model (0,1,1)(0,1,0) obtained a MAPE value of 16.69%, thus, the accuracy level obtained was 83.31%.

PL

Tranzyt koleją lekką (LRT) odgrywa rolę we wspieraniu mobilności mieszkańców miasta. Jednakże wzrost wykorzystania LRT stwarza wyzwania wymagające skutecznych rozwiązań umożliwiających przewidywanie zmian w liczbie pasażerów. Celem badania jest zaprojektowanie i wdrożenie modelu predykcyjnego wykorzystującego sezonową, zintegrowaną metodę autoregresyjną, średnią ruchomą do przewidywania i przewidywania liczby pasażerów LRT. Wyniki predykcji z wykorzystaniem modelu parametrycznego (0,1,1)(0,1,0) uzyskały wartość MAPE na poziomie 16,69%, a zatem uzyskany poziom dokładności wyniósł 83,31%.

Słowa kluczowe

EN

time series; light rail transit; prediction; seasonal autoregressive integrated moving average

PL

szeregi czasowe; transport koleją miejską; prognoza; sezonowa zintegrowana średnia krocząca z autoregresją

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 10
• Strony: 43--45
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Saputra Aldi

• Department of Informatics Engineering, Faculty of Computer and Science, Universitas Indo Global Mandiri, Indonesia

• https://orcid.org/0009-0000-8340-0859

autor

Gustriansyah Rendra

• Department of Informatics Engineering, Faculty of Computer and Science, Universitas Indo Global Mandiri, Indonesia

• https://orcid.org/0000-0001-7600-1147

autor

Sanmorino Ahmad

• Department of Information System, Faculty of Computer and Science, Universitas Indo Global Mandiri, Indonesia

• https://orcid.org/0000-0002-4949-4377

autor

Mair Zaid Romegar

• Department of Informatics Engineering, Faculty of Computer and Science, Universitas Indo Global Mandiri, Indonesia

• https://orcid.org/0009-0008-2654-5881

autor

Sartika Dewi

• Department of Informatics Engineering, Faculty of Computer and Science, Universitas Indo Global Mandiri, Indonesia

• https://orcid.org/0009-0001-9747-3183

autor

Puspasari Shinta

• Department of Informatics Engineering, Faculty of Computer and Science, Universitas Indo Global Mandiri, Indonesia

• https://orcid.org/0000-0001-5906-3362

Bibliografia

• [1] Alfikrizal, K., Defit, S. & Yunus, Y. Simulasi Monte Carlo dalam Prediksi Jumlah Penumpang Angkutan Massal Bus Rapid Transit Kota Padang. J. Inform. Ekon. Bisnis 3, 78–83 (2020).
• [2] Utomo, P. & Fanani, A. Peramalan Jumlah Penumpang Kereta Api di Indonesia Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA). J. Mhs. Mat. Algebr. 1, 169–178 (2020).
• [3] Durrah, F. I., Yulia, Y., Parhusip, T. P. & Rusyana, A. Peramalan Jumlah Penumpang Pesawat Di Bandara Sultan Iskandar Muda Dengan Metode SARIMA (Seasonal Autoregressive Integrated Moving Average). J. Data Anal. 1, 1– 11 (2018).
• [4] Gianfreda, A., Maranzano, P., Parisio, L. & Pelagatti, M. Testing for integration and cointegration when time series are observed with noise. Econ. Model. 125, 106352 (2023).
• [5] Ichihara, K., Yamashita, T., Kataoka, H. & Sato, S. Critical appraisal of two Box-Cox formulae for their utility in determining reference intervals by realistic simulation and extensive realworld data analyses. Comput. Methods Programs Biomed. 242, 107820 (2023).
• [6] Podulka, P. et al. Roughness evaluation of turned composite surfaces by analysis of the shape of autocorrelation function. Meas. J. Int. Meas. Confed. 222, (2023).
• [7] Balawi, M. & Tenekeci, G. Time series traffic collision analysis of London hotspots: Patterns, predictions and prevention strategies. Heliyon 10, e25710 (2024).
• [8] Schoukens, J., Westwick, D., Ljung, L. & Dobrowiecki, T. Nonlinear system identification with dominating output noise - A case study on the silverbox. IFAC-PapersOnLine 54, 679–684 (2021).
• [9] Sanmorino, A., Gustriansyah, R., Terttiaavini & Isabella. The toolkit of success rate calculation of broiler harvest. Telkomnika 15, 1947-1954 (2017).
• [10] Gustriansyah, R., Ermatita, E. & Rini, D.P. An approach for sales forecasting. Exp. Sys. With App. 207, 118043 (2022).

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).