論文の概要: Leveraging IoT and Weather Conditions to Estimate the Riders Waiting for
the Bus Transit on Campus
- arxiv url: http://arxiv.org/abs/2102.01364v1
- Date: Tue, 2 Feb 2021 07:31:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 10:15:58.985448
- Title: Leveraging IoT and Weather Conditions to Estimate the Riders Waiting for
the Bus Transit on Campus
- Title（参考訳）: IoTと気象条件を利用して、キャンパス内のバストランジットを待つライダーを推定
- Authors: Ismail Arai, Ahmed Elnoshokaty, Samy El-Tawab
- Abstract要約: 我々は、IoTデバイスデータを活用し、気象条件とともに乗客のスマートフォンのWi-Fiデータをキャプチャし、ディープラーニングモデルを用いて特定の時間にバス停で待っている乗客の予想人数を予測することを提案する。
本稿では,停留所で待機する乗客数と気象条件との関係について検討する。
我々は、線形回帰(LR)とワイドニューラルネットワーク(WNN)の2つのベースラインモデルと比較した。
- 参考スコア（独自算出の注目度）: 0.6961253535504979
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The communication technology revolution in this era has increased the use of
smartphones in the world of transportation. In this paper, we propose to
leverage IoT device data, capturing passengers' smartphones' Wi-Fi data in
conjunction with weather conditions to predict the expected number of
passengers waiting at a bus stop at a specific time using deep learning models.
Our study collected data from the transit bus system at James Madison
University (JMU) in Virginia, USA. This paper studies the correlation between
the number of passengers waiting at bus stops and weather conditions.
Empirically, an experiment with several bus stops in JMU, was utilized to
confirm a high precision level. We compared our Deep Neural Network (DNN) model
against two baseline models: Linear Regression (LR) and a Wide Neural Network
(WNN). The gap between the baseline models and DNN was 35% and 14% better Mean
Squared Error (MSE) scores for predictions in favor of the DNN compared to LR
and WNN, respectively.
- Abstract（参考訳）: この時代の通信技術革命は、輸送の世界でスマートフォンの使用を増加させています。
本論文では,スマートフォンのWi-Fiデータと気象条件を併用したIoTデバイスデータを用いて,ディープラーニングモデルを用いて,バス停で待機する乗客の予想数を予測することを提案する。
本研究は、アメリカ合衆国バージニア州のジェームズ・マディソン大学(jmu)の交通バスシステムから収集した。
本稿では,停留所で待機する乗客数と気象条件との関係について検討する。
実証実験では,JMUにおける複数の停留所を用いた実験を行い,高い精度で確認した。
Deep Neural Network (DNN) モデルと Linear Regression (LR) と Wide Neural Network (WNN) の2つのベースラインモデルを比較しました。
ベースラインモデルとDNNのギャップは、LRとWNNと比較してDNNに有利な予測のための平均偏角誤差(MSE)スコアをそれぞれ35%と14%改善した。
関連論文リスト
- MatchNAS: Optimizing Edge AI in Sparse-Label Data Contexts via
Automating Deep Neural Network Porting for Mobile Deployment [54.77943671991863]
MatchNASはDeep Neural Networksをモバイルデバイスに移植するための新しいスキームである。
ラベル付きデータと非ラベル付きデータの両方を用いて、大規模なネットワークファミリを最適化する。
そして、さまざまなハードウェアプラットフォーム用に調整されたネットワークを自動的に検索する。
論文 参考訳（メタデータ） (2024-02-21T04:43:12Z) - 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) - 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) - Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。
3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文 参考訳（メタデータ） (2021-10-05T18:20:42Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Pedestrian Trajectory Prediction using Context-Augmented Transformer
Networks [3.0839245814393728]
近年,多くのシーケンシャルなタスクにおいて,より効率的かつ優れたRNNを実現することが示されているトランスフォーマーネットワークに基づくフレームワークを提案する。
我々は,共有都市交通環境における歩行者のリアルタイムデータセットの枠組みについて検討した。
論文 参考訳（メタデータ） (2020-12-03T08:43:12Z) - Deep Time Delay Neural Network for Speech Enhancement with Full Data
Learning [60.20150317299749]
本稿では,全データ学習による音声強調のためのディープタイム遅延ニューラルネットワーク(TDNN)を提案する。
トレーニングデータを完全に活用するために,音声強調のための完全なデータ学習手法を提案する。
論文 参考訳（メタデータ） (2020-11-11T06:32:37Z) - 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) - 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) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z) - 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)
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。