論文の概要: Driving with Data in the Motor City: Mining and Modeling Vehicle Fleet Maintenance Data

• arxiv url: http://arxiv.org/abs/2002.10010v2
• Date: Mon, 21 Sep 2020 21:34:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 07:15:09.321717
• Title: Driving with Data in the Motor City: Mining and Modeling Vehicle Fleet Maintenance Data
• Title（参考訳）: 自動車都市におけるデータ駆動:自動車車両の保守データのマイニングとモデリング
• Authors: Josh Gardner, Jawad Mroueh, Natalia Jenuwine, Noah Weaverdyck, Samuel Krassenstein, Arya Farahi, Danai Koutra
• Abstract要約: デトロイト市は2500台以上の車両を保有しており、年間平均500万ドル以上の購入と770万ドル以上のメンテナンスに費やしている。 このようなデータの構造は複雑であり、都市は詳細な分析のための専用の資源を欠いている。 この研究はケーススタディを示し、データ理解と予測を支援する一連の方法を示す最初のデータ駆動型ベンチマークを提供する。
• 参考スコア（独自算出の注目度）: 9.106329378516678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The City of Detroit maintains an active fleet of over 2500 vehicles, spending an annual average of over \$5 million on purchases and over \$7.7 million on maintenance. Modeling patterns and trends in this data is of particular importance to a variety of stakeholders, particularly as Detroit emerges from Chapter 9 bankruptcy, but the structure in such data is complex, and the city lacks dedicated resources for in-depth analysis. The City of Detroit's Operations and Infrastructure Group and the University of Michigan initiated a collaboration which seeks to address this unmet need by analyzing data from the City of Detroit's vehicle fleet. This work presents a case study and provides the first data-driven benchmark, demonstrating a suite of methods to aid in data understanding and prediction for large vehicle maintenance datasets. We present analyses to address three key questions raised by the stakeholders, related to discovering multivariate maintenance patterns over time; predicting maintenance; and predicting vehicle- and fleet-level costs. We present a novel algorithm, PRISM, for automating multivariate sequential data analyses using tensor decomposition. This work is a first of its kind that presents both methodologies and insights to guide future civic data research.
• Abstract（参考訳）: デトロイト市は2500台以上の車両を運行しており、年間平均500万ドル以上の購入と770万ドル以上のメンテナンスに費やしている。 このデータにおけるパターンと傾向のモデリングは、特にデトロイトが第9章の破産から出現するにつれて、様々な利害関係者にとって特に重要であるが、そのようなデータの構造は複雑であり、市には詳細な分析のための専用の資源が欠けている。 デトロイト市のオペレーション・アンド・インフラストラクチャー・グループとミシガン大学は、デトロイト市の車両艦隊のデータを分析して、この混乱したニーズに対処するために協力を始めた。 この研究はケーススタディを示し、大規模な車両メンテナンスデータセットのデータ理解と予測を支援する一連の方法を示す最初のデータ駆動ベンチマークを提供する。 本稿では,利害関係者が提起する3つの重要な課題,長期にわたる多変量メンテナンスパターンの発見,メンテナンスの予測,車両および艦隊レベルのコストの予測に関する分析を行う。 テンソル分解を用いた多変量連続データ解析を自動化する新しいアルゴリズムであるPRISMを提案する。 この研究は、将来の市民データ研究を導くための方法論と洞察を提示する最初のものである。

関連論文リスト

• Graph Based Traffic Analysis and Delay Prediction [0.0]
  この研究は、EUで最も人口密度の高いマルタ島における交通渋滞に焦点を当てている。 車両の数は6カ月足らずで約1万1000台増加した。これは、マルタの交通変動問題に対処するために、正確かつ包括的なデータ収集手段を持つことがいかに重要かを示している。
  論文  参考訳（メタデータ） (2024-10-28T13:50:00Z)
• Forecasting Automotive Supply Chain Shortfalls with Heterogeneous Time Series [8.178412576317623]
  フォードは世界の37の工場で年間17億の部品を使って600万台の車やトラックを製造している。 このような混乱を早期に予測し、特定する能力は、シームレスな操作を維持するために不可欠である。
  論文  参考訳（メタデータ） (2024-07-23T17:28:10Z)
• Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction [4.672121078249809]
  本研究では,空間時間深層学習とマルチソースデータ融合を組み合わせた駐車予測フレームワークを提案する。 このフレームワークは、時空間深層学習モデルとしてのTransformerに基づいている。 実世界の実証データを用いて,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-02T07:28:27Z)
• FedRSU: Federated Learning for Scene Flow Estimation on Roadside Units [50.930389484343515]
  ロードサイドユニット(RSU)は、V2X通信を通じて、自動運転車の安全性とロバスト性を大幅に向上させることができる。 現在、単一のRSUの使用は主にリアルタイム推論とV2Xコラボレーションに焦点を当てている。 多数のRSUから大量のデータを統合することで、モデルトレーニングのための豊富なデータソースを提供することができます。 我々は,自己監督型シーンフロー推定のための革新的なフェデレート学習フレームワークであるFedRSUを紹介する。
  論文  参考訳（メタデータ） (2024-01-23T15:52:57Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Traffic4cast at NeurIPS 2022 -- Predict Dynamics along Graph Edges from Sparse Node Data: Whole City Traffic and ETA from Stationary Vehicle Detectors [25.857884532427292]
  Traffic4castは、複雑な空間システムを時間とともにモデル化するための機械学習を進化させるコンペティションシリーズである。 われわれのダイナミックな道路グラフデータは、道路地図、1012ドルのプローブデータポイント、そして2年間にわたって3つの都市で静止車両検出器からの情報を組み合わせている。 その中核となる課題として,3都市15分後の道路グラフ全体のGPSデータの速度レベルから,3つの渋滞クラスが生じる可能性を予測することが挙げられる。 課題の延長として、参加者は15分以内のスーパーセグメントの平均走行時間を予測することが義務付けられている。
  論文  参考訳（メタデータ） (2023-03-14T10:03:37Z)
• Traffic Prediction with Transfer Learning: A Mutual Information-based Approach [11.444576186559487]
  そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。 TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
  論文  参考訳（メタデータ） (2023-03-13T15:27:07Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)

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。