論文の概要: Study on Key Technologies of Transit Passengers Travel Pattern Mining
and Applications based on Multiple Sources of Data
- arxiv url: http://arxiv.org/abs/2006.02526v1
- Date: Tue, 26 May 2020 22:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 00:55:10.338375
- Title: Study on Key Technologies of Transit Passengers Travel Pattern Mining
and Applications based on Multiple Sources of Data
- Title（参考訳）: 交通利用者の旅行パターンマイニングの鍵技術と複数のデータソースを用いた応用に関する研究
- Authors: Yongxin Liu
- Abstract要約: 本稿では,移動客の移動パターンと行動選好をマイニングするための一連の手法を提案する。
これらの知識を交通システムの調整と最適化に利用しています。
- 参考スコア（独自算出の注目度）: 1.370633147306388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this research, we propose a series of methodologies to mine transit riders
travel pattern and behavioral preferences, and then we use these knowledges to
adjust and optimize the transit systems. Contributions are: 1) To increase the
data validity: a) we propose a novel approach to rectify the time discrepancy
of data between the AFC (Automated Fare Collection) systems and AVL (Automated
Vehicle Location) system, our approach transforms data events into signals and
applies time domain correlation the detect and rectify their relative
discrepancies. b) By combining historical data and passengers ticketing time
stamps, we induct and compensate missing information in AVL datasets. 2) To
infer passengers alighting point, we introduce a maximum probabilistic model
incorporating passengers home place to recover their complete transit
trajectory from semi-complete boarding records.Then we propose an enhance
activity identification algorithm which is capable of specifying passengers
short-term activity from ordinary transfers. Finally, we analyze the
temporal-spatial characteristic of transit ridership. 3) To discover passengers
travel demands. We integrate each passengers trajectory data in multiple days
and construct a Hybrid Trip Graph (HTG). We then use a depth search algorithm
to derive the spatially closed transit trip chains; Finally, we use closed
transit trip chains of passengers to study their travel pattern from various
perspectives. Finally, we analyze urban transit corridors by aggregating the
passengers critical transit chains.4) We derive eight influential factors, and
then construct passengers choice models under various scenarios. Next, we
validate our model using ridership re-distribute simulations. Finally, we
conduct a comprehensive analysis on passengers temporal choice preference and
use this information to optimize urban transit systems.
- Abstract（参考訳）: 本研究では,通行者の移動パターンと行動嗜好をマイニングするための一連の手法を提案し,その知識を用いて交通システムの調整と最適化を行う。
1)データの妥当性を高めること。
a) AFC(Automated Fare Collection)システムとAVL(Automated Vehicle Location)システム間のデータの時間差を補正するための新しい手法を提案する。
b) 歴史的データと乗客チケットのタイムスタンプを組み合わせることで, AVLデータセットの欠落情報を誘導・補償する。
2) 乗客の照会点を推定するために, 乗客の自宅を組み込んだ最大確率モデルを導入し, 半完全搭乗記録から完全な交通経路を復元する。
最後に,トランジットライダーの時間空間特性を解析する。
3) 乗客の移動要求を発見する。
各乗客の軌跡データを複数日統合し,ハイブリッドトリップグラフ(htg)を構築する。
次に、深度探索アルゴリズムを用いて、空間的に閉じた旅行連鎖を導出する。最後に、乗客の閉じた旅行連鎖を用いて、様々な視点から旅行パターンを研究する。
最後に, 都市交通回廊を, 乗客クリティカルトランジットチェーンを集約して分析する。4) 8つの重要な要因を導出し, 様々なシナリオで乗客選択モデルを構築した。
次に,ライダーシップ再分配シミュレーションを用いてモデルを検証する。
最後に、乗客の時間選択選好に関する包括的な分析を行い、この情報を用いて都市交通システムの最適化を行う。
関連論文リスト
- DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models [31.509436717815102]
本稿では,大規模言語モデル(DelayPTC-LLM)によるメトロ遅延を考慮した旅行選択予測手法を提案する。
従来の予測モデルとDelayPTC-LLMの比較分析は、輸送システムの破壊下で一般的に発生する複雑なスパースデータセットを扱う上で、LLMの優れた能力を示している。
論文 参考訳（メタデータ） (2024-09-28T13:09:15Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - A Bibliometric Analysis and Review on Reinforcement Learning for
Transportation Applications [43.356096302298056]
交通は経済と都市の発展のバックボーンである。
自律的な意思決定者が複雑な環境と対話できるようにする強化学習(RL)。
本稿では, 交通用RL法の開発状況を明らかにするために, 文献分析を行った。
論文 参考訳（メタデータ） (2022-10-26T07:34:51Z) - On Designing Day Ahead and Same Day Ridership Level Prediction Models
for City-Scale Transit Networks Using Noisy APC Data [0.0]
本稿では,複数のソースからのデータの収集,クリーン化,処理,マージを併用して,トランジットライダーシップの予測に機械学習モデルをトレーニングする手法を提案する。
ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2022-10-10T19:50:59Z) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳（メタデータ） (2022-03-04T18:39:31Z) - Exploring Human Mobility for Multi-Pattern Passenger Prediction: A Graph
Learning Framework [10.75153377806738]
グラフ畳み込みネットワーク(GCN)に基づく多パターン乗客フロー予測フレームワークMPGCNを提案する。
我々はGCNを用いて、有用なトポロジ情報から特徴を抽出し、バスの乗客に隠された移動パターンを認識するディープクラスタリング手法を導入する。
我々の知る限り、この論文は、グラフ学習からバスの乗客フローを予測するためのマルチパターンアプローチを採用した最初の試みである。
論文 参考訳（メタデータ） (2022-02-17T06:17:23Z) - A Deep-Learning Based Optimization Approach to Address Stop-Skipping
Strategy in Urban Rail Transit Lines [0.0]
都市鉄道路線における最適なストップスキップパターンを決定するための高度なデータ駆動最適化手法を提案する。
我々は、ピーク時のステーションレベルの需要率を予測するために、LSTM(Long Short-Term Memory)ディープラーニングモデルを用いている。
この問題の指数関数的性質を考慮し,適切な時間で解決するAnt Colony Optimization手法を提案する。
論文 参考訳（メタデータ） (2021-09-17T23:52:19Z) - 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) - Public Transit for Special Events: Ridership Prediction and Train
Optimization [10.531110013870792]
交通機関は、ディスラプション、遅延、運賃収入への影響を理解することが重要である。
本稿では,特殊イベントによる渋滞ピーク時の交通システムの性能評価,予測,管理を行うための一連のデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2021-06-09T19:52:18Z) - A Distributed Model-Free Ride-Sharing Approach for Joint Matching,
Pricing, and Dispatching using Deep Reinforcement Learning [32.0512015286512]
我々は、動的で需要に敏感で、価格に基づく車両通行者マッチングとルート計画フレームワークを提案する。
我々の枠組みはニューヨーク市税のデータセットを用いて検証されている。
実験の結果,実時間および大規模設定におけるアプローチの有効性が示された。
論文 参考訳（メタデータ） (2020-10-05T03:13:47Z) - Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data [11.781685156308475]
本稿では,閉鎖型地下鉄システム内の乗客密度を推定する統計モデルを提案する。
予測結果に基づいて,将来の時刻の乗客密度の正確な予測を行うことができる。
論文 参考訳（メタデータ） (2020-09-07T04:07:37Z)
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。