Fugu-MT 論文翻訳(概要): Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data

論文の概要: Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data

arxiv url: http://arxiv.org/abs/2009.02880v1
Date: Mon, 7 Sep 2020 04:07:37 GMT
ステータス: 処理完了
システム内更新日: 2022-10-21 02:21:13.228211
Title: Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data
Title（参考訳）: スマートカードデータを用いた地下鉄利用者の混雑予測
Authors: Xiancai Tian, Chen Zhang, Baihua Zheng
Abstract要約: 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。
参考スコア（独自算出の注目度）: 11.781685156308475
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The metro system is playing an increasingly important role in the urban public transit network, transferring a massive human flow across space everyday in the city. In recent years, extensive research studies have been conducted to improve the service quality of metro systems. Among them, crowd management has been a critical issue for both public transport agencies and train operators. In this paper, by utilizing accumulated smart card data, we propose a statistical model to predict in-situ passenger density, i.e., number of on-board passengers between any two neighbouring stations, inside a closed metro system. The proposed model performs two main tasks: i) forecasting time-dependent Origin-Destination (OD) matrix by applying mature statistical models; and ii) estimating the travel time cost required by different parts of the metro network via truncated normal mixture distributions with Expectation-Maximization (EM) algorithm. Based on the prediction results, we are able to provide accurate prediction of in-situ passenger density for a future time point. A case study using real smart card data in Singapore Mass Rapid Transit (MRT) system demonstrate the efficacy and efficiency of our proposed method.
Abstract（参考訳）: 地下鉄は都市公共交通網においてますます重要な役割を担い、市内の日々の空間に大量の人的流れを輸送している。近年、地下鉄システムのサービス品質を向上させるための広範な研究が行われている。その中でも、公共交通機関や鉄道事業者にとって、群衆管理は重要な問題となっている。そこで本稿では,蓄積されたスマートカードデータを用いて,近接する各駅間における車内乗客数を,閉鎖型地下鉄システム内で予測する統計モデルを提案する。提案するモデルは2つの主なタスクを実行する。一成熟した統計モデルを適用することにより、時間依存起因推定(OD)行列の予測二期待最大化(em)アルゴリズムによる正規混合分布の切断により、メトロネットワークの異なる部分で必要とされる走行時間コストの推定。予測結果に基づいて,現在地における乗客密度の将来の予測を行うことができる。シンガポール・マス・ラピッド・トランジット(MRT)システムにおける実際のスマートカードデータを用いたケーススタディでは,提案手法の有効性と有効性を示す。

関連論文リスト

ODMixer: Fine-grained Spatial-temporal MLP for Metro Origin-Destination Prediction [89.46685577447496]
具体的には、ODMixerは二重分岐構造を持ち、Channel Mixer、Multi-view Mixer、Bidirectional Trend Learnerが関与する。
論文参考訳（メタデータ） (2024-04-24T08:46:25Z)
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)
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)
Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction [10.300311879377734]
トランスファー駅やノントランスファー駅など、異なる地下鉄駅には独自の交通パターンがある。メトロステーションの複雑な時間的動的関係をモデル化することは困難である。
論文参考訳（メタデータ） (2022-04-06T08:07:40Z)
Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文参考訳（メタデータ） (2021-07-02T10:11:51Z)
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)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)
Polestar: An Intelligent, Efficient and National-Wide Public Transportation Routing Engine [43.09401975244128]
Polestarは、インテリジェントで効率的な公共交通機関ルーティングのためのデータ駆動型エンジンである。具体的には,交通費の異なる公共交通機関をモデル化するための新しい公共交通グラフ(PTG)を提案する。次に、効率的な経路候補生成のための効率的な局結合法と組み合わせた一般経路探索アルゴリズムを提案する。 2つの実世界のデータセットの実験は、効率性と有効性の両方の観点からPoestarの利点を実証している。
論文参考訳（メタデータ） (2020-07-11T05:14:52Z)
Study on Key Technologies of Transit Passengers Travel Pattern Mining and Applications based on Multiple Sources of Data [1.370633147306388]
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。
論文参考訳（メタデータ） (2020-05-26T22:35:28Z)
BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
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。
論文参考訳（メタデータ） (2020-03-20T17:03:36Z)
Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。