論文の概要: BusTime: Which is the Right Prediction Model for My Bus Arrival Time?

• arxiv url: http://arxiv.org/abs/2003.10373v1
• Date: Fri, 20 Mar 2020 17:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 22:15:50.049897
• Title: BusTime: Which is the Right Prediction Model for My Bus Arrival Time?
• Title（参考訳）: BusTime: 私のバス到着時刻の正しい予測モデルは何ですか?
• Authors: Dairui Liu, Jingxiang Sun, Shen Wang
• Abstract要約: 本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。 特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。 また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
• 参考スコア（独自算出の注目度）: 3.1761486589684975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rise of big data technologies, many smart transportation applications have been rapidly developed in recent years including bus arrival time predictions. This type of applications help passengers to plan trips more efficiently without wasting unpredictable amount of waiting time at bus stops. Many studies focus on improving the prediction accuracy of various machine learning and statistical models, while much less work demonstrate their applicability of being deployed and used in realistic urban settings. This paper tries to fill this gap by proposing a general and practical evaluation framework for analysing various widely used prediction models (i.e. delay, k-nearest-neighbour, kernel regression, additive model, and recurrent neural network using long short term memory) for bus arrival time. In particular, this framework contains a raw bus GPS data pre-processing method that needs much less number of input data points while still maintain satisfactory prediction results. This pre-processing method enables various models to predict arrival time at bus stops only, by using a KD-tree based nearest point search method. Based on this framework, using raw bus GPS dataset in different scales from the city of Dublin, Ireland, we also present preliminary results for city managers by analysing the practical strengths and weaknesses in both training and predicting stages of commonly used prediction models.
• Abstract（参考訳）: 近年,ビッグデータ技術の普及に伴い,バス到着時刻の予測など多くのスマートトランスポートアプリケーションが急速に開発されている。 この種のアプリケーションは、バスの停留所で予期せぬ待ち時間を無駄にすることなく、乗客がより効率的に旅行を計画するのに役立つ。 多くの研究は、様々な機械学習と統計モデルの予測精度の向上に重点を置いているが、実際の都市環境でのデプロイと利用の適用性を示す研究は少ない。 本稿では,バス到着時間の予測モデル(遅延,k-nearest-neighbour,カーネル回帰,加算モデル,リカレントニューラルネットワーク)を分析するための汎用的かつ実用的な評価フレームワークを提案することで,このギャップを埋めようとしている。 特に、このフレームワークは、十分な予測結果を維持しながら、入力データポイントの数をはるかに少なくする生のバスgpsデータ前処理方法を含んでいる。 この前処理方式により,KD木を用いた最寄り点探索法を用いて,バス停のみの到着時刻を予測できる。 この枠組みに基づき、アイルランドのダブリン市と異なるスケールで生バスGPSデータセットを用いて、トレーニングおよび一般的な予測モデルの予測段階における実践的強みと弱点を分析することで、市マネジャーに予備的な結果を提示する。

関連論文リスト

• 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)
• Arrival Time Prediction for Autonomous Shuttle Services in the Real World: Evidence from Five Cities [3.6294895527930504]
  本研究では,自律型シャトルのAT予測システムを提案する。 停留所をバイパスするシャトルのケースを正確に処理するために,ランダムな森林分類器とGNNを組み合わせた階層モデルを提案する。 最終的なAT予測の結果は有望であり、いくつかの停止を予測してもエラーは少ない。
  論文  参考訳（メタデータ） (2024-01-10T18:41:39Z)
• A Dynamic Model for Bus Arrival Time Estimation based on Spatial Patterns using Machine Learning [1.2891210250935146]
  限られたデータセットを用いて到着時刻を予測するため,バス到着予測モデルを提案する。 インド・トゥムクル市の交通路の一つ、トゥムクル(Tumakuru)が選択され、2つの空間パターンに分けられる。 前回の旅行情報と機械学習モデルを用いてバス到着時刻を動的に予測するモデルを開発し、下流のバス停で到着時刻を推定する。
  論文  参考訳（メタデータ） (2022-10-03T06:35:03Z)
• 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)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Boosting Algorithms for Delivery Time Prediction in Transportation Logistics [2.147325264113341]
  旅行時間の予測は郵便サービスの遅延を軽減できることを示す。 光勾配ブースティングやカソーストなどのブースティングアルゴリズムは、精度と実行効率の点で高い性能を持つ。
  論文  参考訳（メタデータ） (2020-09-24T11:01:22Z)
• BusTr: Predicting Bus Travel Times from Real-Time Traffic [11.832652376678295]
  本稿では,道路交通予測をバス遅延予測に変換する機械学習モデルBusTrを提案する。 これはGoogle Mapsによって、公式のリアルタイムバス追跡が提供されていない世界の公共交通システムの大部分に利用されている。
  論文  参考訳（メタデータ） (2020-07-02T05:05:23Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)
• Travel Time Prediction using Tree-Based Ensembles [4.74324101583772]
  本稿では,都市シナリオにおける2つの任意の地点間の移動時間予測の課題について考察する。 我々はこの問題を2つの時間的視点から見る: 長期予測は数日間、短期予測は1時間である。
  論文  参考訳（メタデータ） (2020-05-28T07:43:54Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。