論文の概要: Predicting the probability distribution of bus travel time to move towards reliable planning of public transport services

• arxiv url: http://arxiv.org/abs/2102.02292v1
• Date: Wed, 3 Feb 2021 21:05:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 16:06:30.341766
• Title: Predicting the probability distribution of bus travel time to move towards reliable planning of public transport services
• Title（参考訳）: 公共交通サービスの確実な計画に向けたバス走行時間の確率分布の予測
• Authors: L\'ea Ricard, Guy Desaulniers, Andrea Lodi, Louis-Martin Rousseau
• Abstract要約: 公共交通機関におけるサービス計画の問題,すなわち多目的車両スケジューリング問題(MDVSP)に対する信頼性の高いアプローチを導入する。 この研究は、MDVSPソリューションへの第一歩として、旅行時間の条件p.d.f.を予測するための確率モデルを実証的に比較する。
• 参考スコア（独自算出の注目度）: 4.913013713982677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An important aspect of the quality of a public transport service is its reliability, which is defined as the invariability of the service attributes. Preventive measures taken during planning can reduce risks of unreliability throughout operations. In order to tackle reliability during the service planning phase, a key piece of information is the long-term prediction of the density of the travel time, which conveys the uncertainty of travel times. We introduce a reliable approach to one of the problems of service planning in public transport, namely the Multiple Depot Vehicle Scheduling Problem (MDVSP), which takes as input a set of trips and the probability density function (p.d.f.) of the travel time of each trip in order to output delay-tolerant vehicle schedules. This work empirically compares probabilistic models for the prediction of the conditional p.d.f. of the travel time, as a first step towards reliable MDVSP solutions. Two types of probabilistic models, namely similarity-based density estimation models and a smoothed Logistic Regression for probabilistic classification model, are compared on a dataset of more than 41,000 trips and 50 bus routes of the city of Montr\'eal. The result of a vast majority of probabilistic models outperforms that of a Random Forests model, which is not inherently probabilistic, thus highlighting the added value of modeling the conditional p.d.f. of the travel time with probabilistic models. A similarity-based density estimation model using a $k$ Nearest Neighbors method and a Kernel Density Estimation predicted the best estimate of the true conditional p.d.f. on this dataset.
• Abstract（参考訳）: 公共交通サービスの品質の重要な側面は、その信頼性であり、それはサービス属性の不変性として定義される。 計画中の予防措置は、運用中の信頼できないリスクを減らすことができます。 サービス計画段階での信頼性に取り組むために、重要な情報の一つは、旅行時間の不確実性を伝える旅行時間密度の長期予測である。 本稿では,公共交通機関におけるサービス計画問題,すなわち,一連の旅行と確率密度関数(p.d.f.)を入力とする多目的車両スケジューリング問題(MDVSP)に対する信頼性の高いアプローチを提案する。 遅延耐性車両のスケジュールを出力するために、各旅行の移動時間の。 この研究は、条件 p.d.f の予測のための確率モデルを経験的に比較する。 旅行時間の、信頼できるMDVSPの解決への第一歩として。 2種類の確率モデル(類似度に基づく密度推定モデルと確率的分類モデルのための滑らかなロジスティック回帰モデル)を41,000以上の旅行と50のバス路線のデータセットで比較した。 確率モデルの大部分の結果は、本質的に確率的ではないランダムフォレストモデルよりも優れており、条件 p.d.f をモデル化する付加価値を強調している。 確率論的モデルによる旅行時間です k$近傍法とカーネル密度推定を用いた類似度に基づく密度推定モデルは、真の条件付きp.d.fの最適推定を予測した。 このデータセットで

関連論文リスト

• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• WeatherBench Probability: A benchmark dataset for probabilistic medium-range weather forecasting along with deep learning baseline models [22.435002906710803]
  WeatherBenchは、測地、温度、降水量の中距離天気予報のためのベンチマークデータセットである。 WeatherBench Probabilityはこれを確率的予測に拡張し、確立された確率的検証メトリクスのセットを追加する。
  論文  参考訳（メタデータ） (2022-05-02T12:49:05Z)
• CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
  本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。 多様なデータソースから表現と不確実性を学ぶことができる。 動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:13:47Z)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。