論文の概要: AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting
- arxiv url: http://arxiv.org/abs/2002.07575v2
- Date: Tue, 10 Mar 2020 13:34:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 20:27:21.547990
- Title: AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting
- Title(参考訳): AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting
- Authors: Shaolong Sun, Dongchuan Yang, Ju-e Guo, Shouyang Wang
- Abstract要約: 本稿では,首都圏の交通量を予測するための適応型アンサンブル(AdaEnsemble)学習手法を提案する。
これは、変動モード分解(VMD)、季節的自己回帰統合移動平均(SARIMA)、多層パーセプトロンネットワーク(MLP)、長期記憶(LSTM)ネットワークの相補的な利点を組み合わせたものである。
提案したAdaEnsembleラーニングアプローチは,最先端モデルと比較して最高の予測性能を持つだけでなく,深セン地下鉄における歴史的乗客フローデータに基づいて,最も有望かつ堅牢であると考えられる。
- 参考スコア(独自算出の注目度): 4.415977307120616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and timely metro passenger flow forecasting is critical for the
successful deployment of intelligent transportation systems. However, it is
quite challenging to propose an efficient and robust forecasting approach due
to the inherent randomness and variations of metro passenger flow. In this
study, we present a novel adaptive ensemble (AdaEnsemble) learning approach to
accurately forecast the volume of metro passenger flows, and it combines the
complementary advantages of variational mode decomposition (VMD), seasonal
autoregressive integrated moving averaging (SARIMA), multilayer perceptron
network (MLP) and long short-term memory (LSTM) network. The AdaEnsemble
learning approach consists of three important stages. The first stage applies
VMD to decompose the metro passenger flows data into periodic component,
deterministic component and volatility component. Then we employ SARIMA model
to forecast the periodic component, LSTM network to learn and forecast
deterministic component and MLP network to forecast volatility component. In
the last stage, the diverse forecasted components are reconstructed by another
MLP network. The empirical results show that our proposed AdaEnsemble learning
approach not only has the best forecasting performance compared with the
state-of-the-art models but also appears to be the most promising and robust
based on the historical passenger flow data in Shenzhen subway system and
several standard evaluation measures.
- Abstract(参考訳): 正確な時間的かつタイムリーな乗客フロー予測は、インテリジェント交通システムの導入の成功に不可欠である。
しかし,首都圏の旅客流のランダム性や変動に起因して,効率的かつロバストな予測手法を提案することは極めて困難である。
そこで本研究では, 変動モード分解(VMD), 季節的自己回帰統合移動平均化(SARIMA), 多層パーセプトロンネットワーク(MLP), 長期記憶(LSTM)ネットワークの相補的利点を組み合わせた適応型アンサンブル(AdaEnsemble)学習手法を提案する。
AdaEnsembleの学習アプローチは3つの重要な段階で構成されている。
第1段階では、VMDを適用して、メトロ旅客フローデータを周期成分、決定成分、ボラティリティ成分に分解する。
次に、周期成分の予測にSARIMAモデル、決定論的成分の学習と予測にLSTMネットワーク、揮発性成分の予測にMLPネットワークを用いる。
最終段階では、様々な予測コンポーネントが別のMLPネットワークによって再構成される。
実験の結果,AdaEnsembleの学習手法は,最先端のモデルと比較して最高の予測性能を持つだけでなく,深セン地下鉄の歴史的乗客フローデータといくつかの標準評価基準に基づいて,最も有望かつ堅牢であることがわかった。
関連論文リスト
- Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳(メタデータ) (2023-12-29T08:42:10Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at
Scale [57.38373754100004]
時空間データ(STUD)は複雑な相関パターンを示す。
STUDは大規模であることが多いため、実践者は有効性と効率のバランスをとる必要がある。
Nex-Mixerと呼ばれる別のパラダイムは、単純さと有効性の両方の可能性を秘めている。
論文 参考訳(メタデータ) (2023-07-04T05:19:19Z) - Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems
Using Optimal Transport [89.61692654941106]
そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。
我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
論文 参考訳(メタデータ) (2023-03-14T07:25:44Z) - Meta-learning Based Short-Term Passenger Flow Prediction for
Newly-Operated Urban Rail Transit Stations [3.718942345103135]
本稿では,Meta-LSTM(Meta Long Short-Term Memory Network)というメタラーニング手法を提案する。
メタLSTM(メタLSTM)は、中国・南京、杭州、北京の地下鉄網に適用される。
論文 参考訳(メタデータ) (2022-10-13T15:27:28Z) - Spatial-Temporal Attention Fusion Network for short-term passenger flow
prediction on holidays in urban rail transit systems [9.725264855780482]
都市鉄道交通システムの短期的旅客フロー予測は、交通の運用と管理において非常に重要である。
既存のモデルのほとんどは、通常平日や週末に乗客の流れを予測するものである。
ホリデーシーズンの短期的乗客フロー予測のために,時空間注意融合ネットワークという深層学習モデルを提案する。
論文 参考訳(メタデータ) (2022-02-27T01:06:24Z) - FRA-LSTM: A Vessel Trajectory Prediction Method Based on Fusion of the
Forward and Reverse Sub-Network [13.714691033493347]
本稿では,データ駆動長短期メモリ(LSTM)方式のAIS(Automatic Identification System)を提案する。
BiLSTMやSeq2seqと比較して, 短期・中期の軌道予測における提案手法の精度は, 平均96.8%, 86.5%向上した。
論文 参考訳(メタデータ) (2022-01-19T14:06:56Z) - Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for
Short-Term Forecasting of Transit Passenger Flow [7.9132565523269625]
交通管理や群衆規制には, 短期的な旅客輸送の予測が不可欠である。
都市交通システムにおける乗客の流れを予測するために,革新的な深層学習手法であるMulti-Graph Convolutional-Recurrent Neural Network (MGC-NN)を提案する。
論文 参考訳(メタデータ) (2021-07-28T08:41:12Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳(メタデータ) (2020-07-10T16:00:44Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳(メタデータ) (2020-06-07T08:10:47Z) - Seasonal and Trend Forecasting of Tourist Arrivals: An Adaptive
Multiscale Ensemble Learning Approach [2.552090781387889]
本稿では,観光客の季節・トレンド予測のための適応型マルチスケール・アンサンブル(AME)学習手法を提案する。
提案手法は,本研究で用いた他のベンチマークと比較して,高いレベルの予測精度と方向性予測精度を実現することができる。
論文 参考訳(メタデータ) (2020-02-19T06:32:01Z)
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。