論文の概要: TRIPDECODER: Study Travel Time Attributes and Route Preferences of Metro
Systems from Smart Card Data
- arxiv url: http://arxiv.org/abs/2005.01492v1
- Date: Fri, 1 May 2020 08:39:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 23:29:02.145322
- Title: TRIPDECODER: Study Travel Time Attributes and Route Preferences of Metro
Systems from Smart Card Data
- Title(参考訳): TRIPDECODER:スマートカードデータを用いたメトロシステムの走行時間属性と経路推定に関する研究
- Authors: Xiancai Tian, Baihua Zheng, Yazhe Wang, Hsiao-Ting Huang, Chih-Chieh
Hung
- Abstract要約: 筆者らは,都道府県内の旅行の総時間に寄与する各旅行リンクの移動時間を推定する2つの推論タスクを戦略的に提案した。
TripDecoderは両方のデータセットで最高の精度と効率を達成する。
- 参考スコア(独自算出の注目度): 7.09698718567578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we target at recovering the exact routes taken by commuters
inside a metro system that arenot captured by an Automated Fare Collection
(AFC) system and hence remain unknown. We strategicallypropose two inference
tasks to handle the recovering, one to infer the travel time of each travel
link thatcontributes to the total duration of any trip inside a metro network
and the other to infer the route preferencesbased on historical trip records
and the travel time of each travel link inferred in the previous inferencetask.
As these two inference tasks have interrelationship, most of existing works
perform these two taskssimultaneously. However, our solutionTripDecoderadopts a
totally different approach. To the best of ourknowledge,TripDecoderis the first
model that points out and fully utilizes the fact that there are some
tripsinside a metro system with only one practical route available. It
strategically decouples these two inferencetasks by only taking those trip
records with only one practical route as the input for the first inference
taskof travel time and feeding the inferred travel time to the second inference
task as an additional input whichnot only improves the accuracy but also
effectively reduces the complexity of both inference tasks. Twocase studies
have been performed based on the city-scale real trip records captured by the
AFC systems inSingapore and Taipei to compare the accuracy and efficiency
ofTripDecoderand its competitors. As expected,TripDecoderhas achieved the best
accuracy in both datasets, and it also demonstrates its superior efficiencyand
scalability.
- Abstract(参考訳): 本稿では,afc(automated fare collection)システムでは捉えられていない地下鉄内の通勤者による正確な経路の復元を目標とし,そのため不明である。
我々は,2つの推定タスクを戦略的に提案する。1つは,メトロネットワーク内の旅行のトータル持続時間に寄与する各旅行リンクの走行時間を推定し,もう1つは過去の推論タスクで推定された各旅行リンクの走行時間と履歴記録に基づく経路嗜好を推定する。
これら2つの推論タスクには相互関係があるため、既存の作業の多くはこれらの2つのタスクを同時に実行する。
しかし、私たちのソリューションTripDecoderadoptは全く異なるアプローチです。
われわれの知る限りでは、TripDecoderisは最初のモデルで、1つの実用的なルートしか持たない地下鉄の内側に旅行があるという事実を指摘し、完全に活用している。
2つの推論タスクを戦略的に分離し、旅行時間の最初の推論タスクの入力として、これらのトリップレコードだけを1つの実用的なルートで取得し、推定された旅行時間を第2の推論タスクに供給することで、精度を向上させるだけでなく、両方の推論タスクの複雑さを効果的に低減する。
シンガポールと台北のAFCシステムによる都市規模の実走行記録に基づいて,TripDecoderandの精度と効率を比較検討した。
予想通り、tripdecoderhasは両方のデータセットで最高の精度を達成し、その優れた効率性とスケーラビリティを実証している。
関連論文リスト
- Visual Exemplar Driven Task-Prompting for Unified Perception in
Autonomous Driving [100.3848723827869]
本稿では,タスク固有のプロンプトを通じて視覚的見本を提示する,効果的なマルチタスクフレームワークVE-Promptを提案する。
具体的には、境界ボックスと色に基づくマーカーに基づいて視覚的な例を生成し、ターゲットカテゴリの正確な視覚的外観を提供する。
我々は変圧器をベースとしたエンコーダと畳み込み層を橋渡しし、自律運転における効率的かつ正確な統合認識を実現する。
論文 参考訳(メタデータ) (2023-03-03T08:54:06Z) - Multitask Weakly Supervised Learning for Origin Destination Travel Time
Estimation [8.531695291898815]
本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。
現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。
我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
論文 参考訳(メタデータ) (2023-01-13T00:11:56Z) - Route to Time and Time to Route: Travel Time Estimation from Sparse
Trajectories [7.602975042011819]
本稿では,スパースシナリオにおける旅行時間推定(TTE)と経路回復の問題を解決することを目的とする。
我々は、この問題を、トレーニングデータが粗いラベルを持つ不正確な監督問題として定式化する。
本稿では,推定経路の走行時間をEステップの弱い監督によって推定し,Mステップの走行時間に基づいて経路を抽出するEMアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-21T14:16:58Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳(メタデータ) (2022-05-31T01:19:18Z) - Identifying Suitable Tasks for Inductive Transfer Through the Analysis
of Feature Attributions [78.55044112903148]
我々は、単一タスクモデル間のニューラルネットワークアクティベーションの比較を通じて、タスクペアが相補的になるかどうかを予測するために、説明可能性技術を使用する。
提案手法により,TREC-IS 2020-Aデータセットでは,正のクラスF1の0.034の削減に留まらず,最大83.5%のトレーニング時間を短縮することが可能である。
論文 参考訳(メタデータ) (2022-02-02T15:51:07Z) - Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。
歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。
2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
論文 参考訳(メタデータ) (2021-01-07T06:08:21Z) - Finding Action Tubes with a Sparse-to-Dense Framework [62.60742627484788]
本稿では,ビデオストリームからのアクションチューブ提案を1つのフォワードパスでスパース・トゥ・デンス方式で生成するフレームワークを提案する。
UCF101-24, JHMDB-21, UCFSportsベンチマークデータセット上で, 本モデルの有効性を評価する。
論文 参考訳(メタデータ) (2020-08-30T15:38:44Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳(メタデータ) (2020-06-24T04:45:14Z) - STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time
Estimation [1.1731001328350983]
本稿では,出先,目的地,出発時刻の形式で表現された旅行要求に対して,旅行時間推定を調節するシステムSTADを提案する。
STADは、機械学習とスパーストリップデータを使用して、基本的なルーティングエンジンの欠陥を学習する。
Doha、New York City、Portoの実際の旅行データセットの実験では、最初の2都市では14%、後者では29%の絶対誤差が減少している。
論文 参考訳(メタデータ) (2020-06-08T09:47:55Z) - Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。
本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
論文 参考訳(メタデータ) (2020-01-13T21:14:38Z)
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。