論文の概要: Transformers \`a Grande Vitesse
- arxiv url: http://arxiv.org/abs/2105.08526v1
- Date: Tue, 18 May 2021 13:43:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 18:35:22.212122
- Title: Transformers \`a Grande Vitesse
- Title（参考訳）: Transformers \`a Grande Vitesse
- Authors: Farid Arthaud, Guillaume Lecoeur, Alban Pierre
- Abstract要約: 鉄道網全体の規模で鉄道区間の列車の走行時間をリアルタイムで予測することを目指しています。
提案手法は,現在使われている,実験的な予測手法と比較して,実世界のデータに対して非常に肯定的な結果をもたらす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Robust travel time predictions are of prime importance in managing any
transportation infrastructure, and particularly in rail networks where they
have major impacts both on traffic regulation and passenger satisfaction. We
aim at predicting the travel time of trains on rail sections at the scale of an
entire rail network in real-time, by estimating trains' delays relative to a
theoretical circulation plan. Existing implementations within railway companies
generally work using the approximation that a train's delay will stay constant
for the rest of its trip.
Predicting the evolution of a given train's delay is a uniquely hard problem,
distinct from mainstream road traffic forecasting problems, since it involves
several hard-to-model phenomena: train spacing, station congestion and
heterogeneous rolling stock among others. We first offer empirical evidence of
the previously unexplored phenomenon of delay propagation in the French
National Railway Network, leading to delays being amplified by interactions
between trains. We then contribute a novel technique using the transformer
architecture and pre-trained embeddings to make real-time massively parallel
predictions for train delays at the scale of the whole rail network (over 3k
trains at peak hours, making predictions at an average horizon of 70 minutes).
Our approach yields very positive results on real-world data when compared to
currently-used and experimental prediction techniques. Our work is in the early
stages of implementation for industrial use at the French railway company SNCF
for passenger information systems, and a contender as a tool to aid traffic
regulation decisions.
- Abstract（参考訳）: 堅牢な走行時間予測は、交通インフラ、特に交通規制と乗客満足度の両方に大きな影響を与える鉄道網の管理において最も重要なものである。
我々は,鉄道網全体の規模で鉄道区間を走行する列車の走行時間を予測することを目的として,理論的循環計画に対する列車の遅延を推定する。
鉄道会社内の既存の実装は、列車の遅延が残りの旅行の間一定であるように近似して機能する。
列車の遅延の進行を予測することは、主要な道路交通予測問題と異なり、列車の間隔、駅の混雑、不均一な車両など、いくつかの難解な現象を含むため、ユニークな難題である。
まず,フランス国鉄の遅延伝播現象の実証的証拠を提示し,列車間の相互作用によって遅延が増幅されることを示した。
次に, 変圧器アーキテクチャと事前学習した組込みを用いた新しい手法を提案し, 鉄道網全体のスケールで列車の遅延をリアルタイムに並列に予測する手法を提案する(ピーク時3k以上の列車は平均70分間隔で予測を行う)。
提案手法は,現在使われている,実験的な予測手法と比較して,実世界のデータに対して非常に肯定的な結果をもたらす。
私たちの仕事は、フランスの鉄道会社sncfによる旅客情報システムの実装の初期段階にあり、交通規制決定を支援するツールとして候補となっている。
関連論文リスト
- DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models [31.509436717815102]
本稿では,大規模言語モデル(DelayPTC-LLM)によるメトロ遅延を考慮した旅行選択予測手法を提案する。
従来の予測モデルとDelayPTC-LLMの比較分析は、輸送システムの破壊下で一般的に発生する複雑なスパースデータセットを扱う上で、LLMの優れた能力を示している。
論文 参考訳（メタデータ） (2024-09-28T13:09:15Z) - Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。
既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。
本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文 参考訳（メタデータ） (2024-03-31T17:18:57Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - A Mobile Data-Driven Hierarchical Deep Reinforcement Learning Approach
for Real-time Demand-Responsive Railway Rescheduling and Station Overcrowding
Mitigation [11.10169568480794]
リアルタイム鉄道再スケジュールは, 予期せぬ, ダイナミックな状況に応じて, 運転復旧を可能にする重要な手法である。
2022年(2022年)に中国・江州で起きた洪水などの災害は、江州鉄道駅自体に前例のない影響をもたらしただけでなく、他の主要拠点にも及んでいる。
本研究では,RTDR(Real-time demand-responsive)鉄道再スケジュール問題,すなわち需要のボラティリティと駅混雑管理に焦点をあてる。
論文 参考訳（メタデータ） (2023-08-23T00:55:39Z) - Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow
Prediction [0.5551832942032954]
毎日の交通量予測は、ネットワーク全体の料金所で依然として課題に直面している。
本稿では,流路時間深度学習による日中交通流ハイウェイ領域の相関予測手法を提案する。
本手法は,ビジネスにおけるベースラインや実践的利益よりも予測精度が向上したことを示す。
論文 参考訳（メタデータ） (2023-08-10T14:20:43Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳（メタデータ） (2022-11-15T15:04:06Z) - Efficient Traffic State Forecasting using Spatio-Temporal Network
Dependencies: A Sparse Graph Neural Network Approach [6.203371866342754]
交通ネットワークにおける交通予測は、効果的な交通運営と管理にとって最重要事項である。
現在の研究では、長期的な交通予測(30分以上)は依然として難しい。
予測精度を保ちながら、トレーニングコストに対するスパーストレーニングを提案する。
論文 参考訳（メタデータ） (2022-11-06T05:41:39Z) - 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) - 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) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z) - How Important is the Train-Validation Split in Meta-Learning? [155.5088631672781]
メタラーニングにおける一般的な実践は、前者がデータの1つの分割に対してタスクに適応し、その結果の予測器が別の分割に対して評価される列車バリデーション分割(emphtrain-val method)を実行することである。
有病率にもかかわらず、列車の改札の重要性は理論上も実際上もよく理解されていない。
そこで本研究では,実際のメタ学習タスクとシミュレーションの両方において,トレイン・トレイン法がトレイン・ヴァル法より優れていることを示す。
論文 参考訳（メタデータ） (2020-10-12T16:48:42Z)
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。