論文の概要: Short-term bus travel time prediction for transfer synchronization with intelligent uncertainty handling

• arxiv url: http://arxiv.org/abs/2104.06819v1
• Date: Wed, 14 Apr 2021 12:38:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 18:16:53.819494
• Title: Short-term bus travel time prediction for transfer synchronization with intelligent uncertainty handling
• Title（参考訳）: インテリジェント不確実性ハンドリングを用いた転送同期のための短期バス走行時間予測
• Authors: Niklas Christoffer Petersen, Anders Parslov, Filipe Rodrigues
• Abstract要約: マルチリンクバスの走行時間問題に適応・拡張した不確実性推定のための2つの新しいアプローチを提案する。 不確実性は、反復的な人工ニューラルネットワークの一部として直接モデル化されるが、2つの根本的に異なるアプローチを用いる。
• 参考スコア（独自算出の注目度）: 12.504473943407092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents two novel approaches for uncertainty estimation adapted and extended for the multi-link bus travel time problem. The uncertainty is modeled directly as part of recurrent artificial neural networks, but using two fundamentally different approaches: one based on Deep Quantile Regression (DQR) and the other on Bayesian Recurrent Neural Networks (BRNN). Both models predict multiple time steps into the future, but handle the time-dependent uncertainty estimation differently. We present a sampling technique in order to aggregate quantile estimates for link level travel time to yield the multi-link travel time distribution needed for a vehicle to travel from its current position to a specific downstream stop point or transfer site. To motivate the relevance of uncertainty-aware models in the domain, we focus on the connection assurance application as a case study: An expert system to determine whether a bus driver should hold and wait for a connecting service, or break the connection and reduce its own delay. Our results show that the DQR-model performs overall best for the 80%, 90% and 95% prediction intervals, both for a 15 minute time horizon into the future (t + 1), but also for the 30 and 45 minutes time horizon (t + 2 and t + 3), with a constant, but very small underestimation of the uncertainty interval (1-4 pp.). However, we also show, that the BRNN model still can outperform the DQR for specific cases. Lastly, we demonstrate how a simple decision support system can take advantage of our uncertainty-aware travel time models to prioritize the difference in travel time uncertainty for bus holding at strategic points, thus reducing the introduced delay for the connection assurance application.
• Abstract（参考訳）: 本稿では,複数リンクバスの走行時間問題に適応し,拡張した不確実性推定のための2つの新しい手法を提案する。 この不確実性は、リカレントニューラルネットワークの一部として直接モデル化されるが、Deep Quantile Regression(DQR)とBayesian Recurrent Neural Networks(BRNN)の2つの基本的なアプローチを使用する。 どちらのモデルも未来への複数の時間ステップを予測するが、時間依存の不確実性推定は異なる。 本稿では,車両が現在位置から特定の下流停止地点や移動地点へ移動するのに必要な多リンク移動時間分布を実現するために,リンクレベル移動時間に対する質的推定値を集計するサンプリング手法を提案する。 ドメインにおける不確実性認識モデルの関連性を動機付けるために,バスドライバが接続サービスを保持して待機すべきかどうかを判断するエキスパートシステムや,接続を切断して遅延を低減するエキスパートシステムといったケーススタディとしてコネクション保証アプリケーションに焦点を当てる。 以上の結果から,DQRモデルは,未来への15分間の地平線(t+1)と,30～45分間の時間地平線(t+2,t+3)において,一定であるが,不確定区間の過小評価(1～4pp)において,全体の80%,90%,95%の予測区間において,総合的に最良であることがわかった。 しかし、BRNNモデルが特定のケースでDQRより優れていることも示している。 最後に, 簡易意思決定支援システムが, 不確実性を考慮した旅行時間モデルを利用して, 戦略的地点でのバス保持における移動時間の不確実性の違いを優先し, 接続保証アプリケーションの導入遅延を低減できることを示す。

関連論文リスト

• Unveiling Delay Effects in Traffic Forecasting: A Perspective from Spatial-Temporal Delay Differential Equations [20.174094418301245]
  交通流予測は交通計画と管理の基本的な研究課題である。 近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。 1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
  論文  参考訳（メタデータ） (2024-02-02T08:55:23Z)
• Multi-Path Long-Term Vessel Trajectories Forecasting with Probabilistic Feature Fusion for Problem Shifting [8.970625329763559]
  本稿では,AIS(Automatic Identification System, 自動識別システム)データに基づく多経路長期船体軌道予測の精度向上を課題とする。 我々は,1～3時間のAISデータを入力として,深層自動エンコーダモデルとフェーズド・フレームワーク・アプローチを開発した。 提案モデルでは, 平均誤差と中央値誤差をそれぞれ11km, 6kmと精度良く予測できることを実証した。
  論文  参考訳（メタデータ） (2023-10-29T09:15:22Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate Time Series [0.0]
  時系列の異常検出,特に多変量時系列(複数センサ付き時系列)は,ここ数年にわたって注目されてきた。 ニューラルネットワークを含む既存の方法は、タイムスタンプの観点からのみ、関係に集中する。 提案手法では,グラフニューラルネットワークから派生したGATを用いて,センサ間の接続を求める。 また,VAE(Variational Auto-Encoder)による予測損失と復元損失を両立させる手法も提案している。
  論文  参考訳（メタデータ） (2022-11-22T10:17:42Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• 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)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix [0.0]
  2つのニューラルネットワークモデル、すなわち多層パーセプトロン(MLP)と長短期モデル(LSTM)を開発し、忙しい経路のリンク移動時間を予測する。 実験の結果,両モデルともほぼ正確な予測が可能であることがわかった。
  論文  参考訳（メタデータ） (2020-04-08T15:01:13Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。