論文の概要: Proposing a Model for Predicting Passenger Origin-Destination in Online
Taxi-Hailing Systems
- arxiv url: http://arxiv.org/abs/1910.08145v4
- Date: Sat, 3 Jun 2023 21:11:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 06:30:25.975395
- Title: Proposing a Model for Predicting Passenger Origin-Destination in Online
Taxi-Hailing Systems
- Title（参考訳）: オンラインタクシー配車システムにおける乗客起源推定モデルの提案
- Authors: Pouria Golshanrad, Hamid Mahini, Behnam Bahrak
- Abstract要約: 本研究では,特定の時間帯内における旅行の起源と目的地を予測するためのモデルを提案する。
我々は,K平均クラスタリングを,始点領域と宛先領域の最大クラスタサイズ制約付き4次元空間で採用する。
既存モデルとの比較により,提案モデルでは1時間窓の平均絶対パーセンテージ誤差(MAPE)が5-7%,30分窓のMAPEが14%低かった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the significance of transportation planning, traffic management, and
dispatch optimization, predicting passenger origin-destination has emerged as a
crucial requirement for intelligent transportation systems management. In this
study, we present a model designed to forecast the origin and destination of
travels within a specified time window. To derive meaningful travel flows, we
employ K-means clustering in a four-dimensional space with a maximum cluster
size constraint for origin and destination zones. Given the large number of
clusters, we utilize non-negative matrix factorization to reduce the number of
travel clusters. Furthermore, we implement a stacked recurrent neural network
model to predict the travel count in each cluster. A comparison of our results
with existing models reveals that our proposed model achieves a 5-7\% lower
mean absolute percentage error (MAPE) for 1-hour time windows and a 14\% lower
MAPE for 30-minute time windows.
- Abstract（参考訳）: 交通計画、交通管理、発送最適化の重要性から、乗客の発着先を予測することが、インテリジェント交通システム管理にとって重要な要件となっている。
本研究では,特定の時間帯内における旅行の起源と目的地を予測するモデルを提案する。
有意義な移動フローを導出するために,始点と目的地のゾーンに対して最大クラスターサイズ制約を持つ4次元空間におけるk平均クラスタリングを用いる。
クラスタ数が多ければ,非負の行列分解を利用して,移動クラスタの数を削減できる。
さらに,各クラスタの移動数を予測するために,スタックリカレントニューラルネットワークモデルを実装した。
既存モデルとの比較により,提案モデルが1時間窓に対して5～7\%低平均絶対パーセンテージエラー(mape)を,30分窓に対して14\%低いmapeを達成できることが判明した。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Choose A Table: Tensor Dirichlet Process Multinomial Mixture Model with
Graphs for Passenger Trajectory Clustering [33.36290451052104]
グラフを用いた新しいテンソルディリクレプロセス多相混合モデルを提案する。
このモデルは多次元旅行情報の階層構造を保存し、それらを一段階の統一的な方法でクラスタ化することができる。
香港の地下鉄利用者データに基づくケーススタディを行い,クラスター量の自動的進化過程を実証した。
論文 参考訳（メタデータ） (2023-10-31T06:53:04Z) - Tensor Dirichlet Process Multinomial Mixture Model for Passenger
Trajectory Clustering [21.51161506280304]
我々は新しいディリクレプロセス多項モデル(Tensor-DPMM)を提案する。
テンソルを介して多次元旅行情報の多モード・階層構造を保存し,一段階的にクラスタ化するように設計されている。
また、Dirichlet Processを使用して、既存のクラスタに割り当てられた乗客の確率を決定するか、新しいクラスタを作成することで、クラスタの数を自動で決定する機能も備えている。
論文 参考訳（メタデータ） (2023-06-23T21:44:07Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - Keypoint-Guided Optimal Transport [85.396726225935]
最適マッチングを探索するリレーション保存(KPG-RL)によるキーポイント誘導モデルを提案する。
提案した KPG-RL モデルはシンクホーンのアルゴリズムで解くことができ、異なる空間で分布がサポートされている場合でも適用可能である。
二重KPG-RLからの学習された輸送計画に基づき、ターゲット領域にソースデータを転送する新しい多様体バリ中心射影を提案する。
論文 参考訳（メタデータ） (2023-03-23T08:35:56Z) - Multi View Spatial-Temporal Model for Travel Time Estimation [14.591364075326984]
時空間と軌跡の依存性を捉えるためのマルチビュー時空間モデル(MVSTM)を提案する。
具体的には,空間ビューのモデル化にGraph2vec,軌跡ビューのモデル化にデュアルチャネル時間モジュール,トラフィックセマンティクスのモデル化に構造埋め込みを用いる。
大規模タクシー軌道データを用いた実験により,本手法は新規手法よりも有効であることが示された。
論文 参考訳（メタデータ） (2021-09-15T16:11:18Z) - Individual Mobility Prediction via Attentive Marked Temporal Point
Processes [4.221871357181261]
本研究では,人体移動をモデル化し,旅行コスト(t,o,d)を共同で予測する点プロセスに基づく新しいモデルを提案する。
2つの大都市旅行データセットの実験結果から,ATTPPの優れた性能が示された。
論文 参考訳（メタデータ） (2021-09-06T19:55:42Z) - JKOnet: Proximal Optimal Transport Modeling of Population Dynamics [69.89192135800143]
入力凸ニューラルネットワーク(ICNN)を用いて解いた(小さな)最適変位と測定値のエネルギーモデルを組み合わせたニューラルアーキテクチャを提案する。
人口動態の説明と予測のためのモデルの適用性を実証する。
論文 参考訳（メタデータ） (2021-06-11T12:30:43Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - Real-Time Dispatching of Large-Scale Ride-Sharing Systems: Integrating
Optimization, Machine Learning, and Model Predictive Control [22.894789405660816]
本稿では,多くの都市が直面している渋滞問題に対処するため,大規模リアルタイム配車システムの導入を検討する。
目標は、乗車時間制限の下で待ち時間を最小化しながら、少数の車両で全顧客にサービスを提供することだ。
ニューヨーク市での歴史的なタクシー旅行による実験は、この統合が全てのテストケースに対して平均待ち時間を約30%減少させることを示している。
論文 参考訳（メタデータ） (2020-03-24T16:05:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。