論文の概要: A Supervised Machine Learning Model For Imputing Missing Boarding Stops
In Smart Card Data
- arxiv url: http://arxiv.org/abs/2003.05285v2
- Date: Thu, 9 Sep 2021 07:15:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 20:45:31.085513
- Title: A Supervised Machine Learning Model For Imputing Missing Boarding Stops
In Smart Card Data
- Title（参考訳）: スマートカードデータの欠落搭乗停止を暗示する教師付き機械学習モデル
- Authors: Nadav Shalit, Michael Fire and Eran Ben-Elia
- Abstract要約: そこで本研究では,通常の分類に基づいて,搭乗停止を指示する教師あり機械学習手法を開発した。
その結果は、イスラエルのBeer Sheva市で行われたケーススタディに基づいており、1ヶ月のスマートカードデータで構成されている。
- 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: Public transport has become an essential part of urban existence with
increased population densities and environmental awareness. Large quantities of
data are currently generated, allowing for more robust methods to understand
travel behavior by harvesting smart card usage. However, public transport
datasets suffer from data integrity problems; boarding stop information may be
missing due to imperfect acquirement processes or inadequate reporting. We
developed a supervised machine learning method to impute missing boarding stops
based on ordinal classification using GTFS timetable, smart card, and
geospatial datasets. A new metric, Pareto Accuracy, is suggested to evaluate
algorithms where classes have an ordinal nature. Results are based on a case
study in the city of Beer Sheva, Israel, consisting of one month of smart card
data. We show that our proposed method is robust to irregular travelers and
significantly outperforms well-known imputation methods without the need to
mine any additional datasets. Validation of data from another Israeli city
using transfer learning shows the presented model is general and context-free.
The implications for transportation planning and travel behavior research are
further discussed.
- Abstract（参考訳）: 公共交通は人口密度の増加と環境意識の高まりにより都市の存在の重要な部分となっている。
現在大量のデータが生成されており、スマートカードの使用を収穫することで、旅行行動をより堅牢に理解することができる。
しかし、公共交通機関のデータセットはデータの整合性の問題に悩まされており、搭乗停止情報は不完全な取得プロセスや不十分な報告のために欠落している可能性がある。
gtfs timetable, smart card, geospatial datasetを用いた順序分類に基づいて, 搭乗停止を誘発する教師あり機械学習法を開発した。
新しい計量であるPareto Accuracyは、クラスが順序性を持つアルゴリズムを評価するために提案される。
結果はイスラエルのビア・シェヴァのケーススタディに基づいており、1ヶ月分のスマートカードデータで構成されている。
提案手法は,不規則旅行者に対して頑健であり,追加のデータセットをマイニングすることなく,よく知られたインプテーション手法を大幅に上回ることを示す。
転送学習を用いた別のイスラエルの都市からのデータの検証は、提示されたモデルは一般的で文脈自由であることを示している。
交通計画と交通行動研究の意義についてさらに論じる。
関連論文リスト
- A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - Learning Citywide Patterns of Life from Trajectory Monitoring [0.0]
異常データストリームを監視し、時間とともに正常なパターンを明示的に抽出することで、生活パターンを学習する。
ポルト・タクシーのデータセットから、主要な祝日と新たに発見された輸送異常の両方を含む、興味あるパターンを抽出する。
スマートシティや自動運転車,都市計画・管理など,多くの分野において,正常・異常な道路交通行動の段階的な学習能力が期待できる。
論文 参考訳（メタデータ） (2022-06-30T15:28:15Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T17:58:12Z) - Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced
Dataset and Benchmark [62.997667081978825]
本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。
データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
論文 参考訳（メタデータ） (2022-05-20T21:15:26Z) - Feel Old Yet? Updating Mode of Transportation Distributions from Travel
Surveys using Data Fusion with Mobile Phone Data [0.0]
交通システムは典型的には従来のデータソースに依存し、時代遅れのトラベラーデータを提供する。
本研究では,携帯電話データを地理空間情報のコスト効率の高いリッチな情報源として活用する手法を提案する。
チリのサンティアゴでは,2012年から2020年の間に交通パターンが大きく変化した。
論文 参考訳（メタデータ） (2022-04-20T14:27:58Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - A Data-Driven Analytical Framework of Estimating Multimodal Travel
Demand Patterns using Mobile Device Location Data [5.902556437760098]
本稿では,スマートフォンの位置データからマルチモーダル旅行需要パターンを抽出するデータ駆動分析フレームワークを提案する。
トラベルモードインプテーションのための訓練された単層モデルとディープニューラルネットワークを開発した。
この枠組みは、近隣の鉄道、地下鉄、高速道路、バス路線への交通ルートの近接性を評価するためにマルチモーダル交通網も組み込んでいる。
論文 参考訳（メタデータ） (2020-12-08T22:49:44Z) - Deploying machine learning to assist digital humanitarians: making image
annotation in OpenStreetMap more efficient [72.44260113860061]
本稿では,OpenStreetMapにおけるボランティアの作業を支援し,最適化するためのインタラクティブな手法を提案する。
提案手法は,OSMのボランティアが検証・修正するために必要なデータ量を大幅に削減する。
論文 参考訳（メタデータ） (2020-09-17T10:05:30Z) - Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。
まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。
このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
論文 参考訳（メタデータ） (2020-08-19T23:19:08Z) - Leveraging the Self-Transition Probability of Ordinal Pattern Transition
Graph for Transportation Mode Classification [0.0]
本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。
提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
論文 参考訳（メタデータ） (2020-07-16T23:25:09Z) - Station-to-User Transfer Learning: Towards Explainable User Clustering
Through Latent Trip Signatures Using Tidal-Regularized Non-Negative Matrix
Factorization [4.713006935605146]
この研究は、モビリティデータと、それが都市のモビリティパターンの理解を改善するためにどのように役立つかに焦点を当てている。
そこで我々は,駅レベルの信号から学習した集合パターンを用いて,ユーザレベルの学習を増強する,遅延表現による集合学習フレームワークを提案する。
ワシントンD.C.都市圏の駅機能とユーザプロファイルの質的分析を行い,都市内モビリティ調査を支援する方法を示す。
論文 参考訳（メタデータ） (2020-04-27T14:13:56Z)
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。