Fugu-MT 論文翻訳(概要): Predicting Demand for Air Taxi Urban Aviation Services using Machine Learning Algorithms

論文の概要: Predicting Demand for Air Taxi Urban Aviation Services using Machine Learning Algorithms

arxiv url: http://arxiv.org/abs/2103.14604v1
Date: Fri, 26 Mar 2021 17:12:43 GMT
ステータス: 処理完了
システム内更新日: 2021-03-29 12:29:16.347908
Title: Predicting Demand for Air Taxi Urban Aviation Services using Machine Learning Algorithms
Title（参考訳）: 機械学習アルゴリズムを用いたエアタクシー都市航空サービスの需要予測
Authors: Suchithra Rajendran, Sharan Srinivas, Trenton Grimshaw
Abstract要約: この研究は、ニューヨーク市のさまざまな地理的地域における1日の異なる時間帯のエアタクシー都市航空モビリティ(UAM)サービスの需要を予測することに焦点を当てています。いくつかのライド関連要因(年月、曜日、曜日、曜日など)と天気関連変数は、4つの一般的な機械学習アルゴリズムの予測器として使用されます。
参考スコア（独自算出の注目度）: 3.2872586139884623
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This research focuses on predicting the demand for air taxi urban air mobility (UAM) services during different times of the day in various geographic regions of New York City using machine learning algorithms (MLAs). Several ride-related factors (such as month of the year, day of the week and time of the day) and weather-related variables (such as temperature, weather conditions and visibility) are used as predictors for four popular MLAs, namely, logistic regression, artificial neural networks, random forests, and gradient boosting. Experimental results suggest gradient boosting to consistently provide higher prediction performance. Specific locations, certain time periods and weekdays consistently emerged as critical predictors.
Abstract（参考訳）: 本研究は、機械学習アルゴリズム(MLA)を用いて、ニューヨーク市の各地域において、日中異なる時間帯における空タクシー都市空力(UAM)サービスの需要を予測することに焦点を当てる。いくつかの乗車関連要因(年月、週、日時など)と天候関連変数(気温、気象条件、可視性など)は、ロジスティック回帰、人工ニューラルネットワーク、ランダム森林、勾配加速の4つの一般的なmlasの予測因子として使用される。実験の結果, 勾配上昇は高い予測性能をもたらすことが示唆された。特定の場所、特定の期間、平日が常に重要な予測因子として出現した。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文参考訳（メタデータ） (2023-07-29T22:49:50Z)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
Exploring the impact of weather on Metro demand forecasting using machine learning method [1.602570550027996]
本研究は,2018年4月から6月にかけてのアジア地下鉄の実際の乗客フローデータを用いた。短時間の交通流予測を用いて, 交通流の時空間分布を解析する。
論文参考訳（メタデータ） (2022-10-24T13:01:47Z)
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)
Assessing Machine Learning Algorithms for Near-Real Time Bus Ridership Prediction During Extreme Weather [0.0]
本研究は、気象条件の急激な変化に関連して、リアルタイムに近いライダーシップをモデル化し、予測するための一連の機械学習アルゴリズムを採用し、評価する。本研究は, 気象・気象関係のバス時間変動には, 有意な変動レベルが存在することを確認した。
論文参考訳（メタデータ） (2022-04-20T21:39:30Z)
Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。最適設計と性能は場所によって異なることがわかった。
論文参考訳（メタデータ） (2022-04-01T14:55:10Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Model Generalization in Arrival Runway Occupancy Time Prediction by Feature Equivalences [0.9449650062296822]
本稿では,Arival Runway Occupancy Time (AROT) のリアルタイム予測モデルを一般化する試みについて述べる。サーブ・センシス(Saab Sensis)のエアロバーンシステム(Aerobahn system)から収集された3日間のデータはこの研究に使われている。数値等価な特徴を訓練したモデルは、少なくとも分類的特徴を訓練したモデルと同等の性能を持つだけでなく、他の空港からの見当たらないデータについても予測できることを示した。
論文参考訳（メタデータ） (2022-01-25T05:47:13Z)
Deep Learning for Flight Demand Forecasting [0.0]
この研究は、より良いデータソースと堅牢な予測アルゴリズムという2つの重要な側面から予測精度を改善することを目指している。我々は,シーケンス・ツー・シークエンス(seq2seq)とシークエンス・シークエンス(seq2seq)のDL手法を用いて予測モデルを訓練した。より優れたデータソースによって、注意を持つseq2seqは、古典的自己回帰(AR)予測法と比較して平均2乗誤差(mse)を60%以上削減することができる。
論文参考訳（メタデータ） (2020-11-06T16:46:19Z)
Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances [44.28969320556008]
サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
論文参考訳（メタデータ） (2020-06-14T18:39:27Z)

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。