論文の概要: Incorporating travel behavior regularity into passenger flow forecasting
- arxiv url: http://arxiv.org/abs/2004.00992v2
- Date: Thu, 3 Jun 2021 20:50:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-27 03:26:11.829142
- Title: Incorporating travel behavior regularity into passenger flow forecasting
- Title（参考訳）: 乗客フロー予測における旅行行動規則性の導入
- Authors: Zhanhong Cheng, Martin Trepanier and Lijun Sun
- Abstract要約: 本稿では, 生成機構を標準時系列モデルに組み込むことで, 搭乗フローを予測するための新しいフレームワークを提案する。
我々は,因果関係を要約し,逆流を推定するリターン確率パラレルグラム(RPP)を開発した。
提案手法は,現実の乗客フローデータを用いて評価する。
- 参考スコア（独自算出の注目度）: 11.763229353978321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate forecasting of passenger flow (i.e., ridership) is critical to the
operation of urban metro systems. Previous studies mainly model passenger flow
as time series by aggregating individual trips and then perform forecasting
based on the values in the past several steps. However, this approach
essentially overlooks the fact that passenger flow consists of trips from each
individual traveler. For example, a traveler's work trip in the morning can
help predict his/her home trip in the evening, while this causal structure
cannot be explicitly encoded in standard time series models. In this paper, we
propose a new forecasting framework for boarding flow by incorporating the
generative mechanism into standard time series models and leveraging the strong
regularity rooted in travel behavior. In doing so, we introduce returning flow
from previous alighting trips as a new covariate, which captures the causal
structure and long-range dependencies in passenger flow data based on travel
behavior. We develop the return probability parallelogram (RPP) to summarize
the causal relationships and estimate the return flow. The proposed framework
is evaluated using real-world passenger flow data, and the results confirm that
the returning flow -- a single covariate -- can substantially and consistently
improve various forecasting tasks, including one-step ahead forecasting,
multi-step ahead forecasting, and forecasting under special events. And the
proposed method is more effective for business-type stations with most
passengers come and return within the same day. This study can be extended to
other modes of transport, and it also sheds new light on general demand time
series forecasting problems, in which causal structure and long-range
dependencies are generated by the user behavior.
- Abstract（参考訳）: 都市地下鉄の運行には、正確な旅客流の予測(乗務員)が不可欠である。
これまでの研究は主に、個々のトリップを集約して時系列として乗客の流れをモデル化し、過去数回のステップでその値に基づいて予測を行う。
しかし、このアプローチは、乗客の流れが個々の旅行者からの旅行から成り立っているという事実を本質的に見落としている。
例えば、朝の旅行者の出勤は夕方の自宅旅行を予測するのに役立つが、この因果構造は標準的な時系列モデルでは明示的にエンコードできない。
本稿では,生成機構を標準時系列モデルに組み込んで,旅行行動に根ざした強い規則性を活用することにより,搭乗フローの予測フレームワークを提案する。
そこで我々は, 移動行動に基づく乗客フローデータの因果構造と長距離依存性を捉えた, 新たな共変量として, 前回からの帰路フローを導入する。
我々は,因果関係を要約し,逆流を推定するリターン確率パラレルグラム(RPP)を開発した。
提案手法は, 実世界の乗客フローデータを用いて評価し, 回帰フロー -- 単一共変量 -- が, 1 段階の予測, 多段階の予測, 特殊イベント時の予測など, 様々な予測タスクを実質的に, 一貫して改善できることを確認した。
また,本提案手法は,利用者のほとんどが1日以内に再来する業務用駅に対して,より効果的である。
この研究は他の交通手段にも拡張でき、またユーザ行動によって因果構造や長距離依存性が生成される一般的な需要時系列予測問題にも新たな光を当てることができる。
関連論文リスト
- Dynamic Graph Representation Learning for Passenger Behavior Prediction [7.179458364817048]
乗客の行動予測は、過去の搭乗情報と照会データを通して、乗客の旅行パターンを追跡することを目的としている。
これはスマートシティ開発と公共交通計画にとって不可欠である。
既存の研究は、個々の歴史的相互作用から学ぶための統計手法とシーケンシャルモデルに依存している。
論文 参考訳（メタデータ） (2024-08-17T04:35:17Z) - Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。
私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。
私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文 参考訳（メタデータ） (2024-06-12T11:50:51Z) - HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。
逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。
私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文 参考訳（メタデータ） (2024-04-09T14:42:31Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - 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) - Interpretable Machine Learning Models for Modal Split Prediction in
Transportation Systems [0.43012765978447565]
交通ネットワークにおけるモーダル分割予測は、交通渋滞の管理と交通サービスの信頼性向上にネットワークオペレーターをサポートする可能性がある。
本研究では,高次元の旅行時間データを用いて,旅行者の時間差予測の問題に焦点をあてる。
変数選択に様々な正則化手法を用いて、オーバーフィッティングを防止し、多重線形性の問題を解決する。
論文 参考訳（メタデータ） (2022-03-27T02:59:00Z) - 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) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow
Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。
具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。
短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文 参考訳（メタデータ） (2020-04-23T08:30:00Z)
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。