論文の概要: Day-to-day and seasonal regularity of network passenger delay for metro networks

• arxiv url: http://arxiv.org/abs/2107.14094v1
• Date: Wed, 7 Jul 2021 12:28:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-01 13:54:41.837667
• Title: Day-to-day and seasonal regularity of network passenger delay for metro networks
• Title（参考訳）: 地下鉄網におけるネットワーク乗降遅延の日・季節変動
• Authors: Panchamy Krishnakumari, Oded Cats and Hans van Lint
• Abstract要約: 本稿では,個々の軌道からネットワーク利用者の遅延を推定する新しい手法を提案する。 トランジットネットワークの遅延パターンの日次的・季節的規則性を明らかにするために,時間的クラスタリングを採用している。 その結果,1日平均乗車遅延は1日中比較的安定していることがわかった。
• 参考スコア（独自算出の注目度）: 8.60488284249921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In an effort to improve user satisfaction and transit image, transit service providers worldwide offer delay compensations. Smart card data enables the estimation of passenger delays throughout the network and aid in monitoring service performance. Notwithstanding, in order to prioritize measures for improving service reliability and hence reducing passenger delays, it is paramount to identify the system components - stations and track segments - where most passenger delay occurs. To this end, we propose a novel method for estimating network passenger delay from individual trajectories. We decompose the delay along a passenger trajectory into its corresponding track segment delay, initial waiting time and transfer delay. We distinguish between two different types of passenger delay in relation to the public transit network: average passenger delay and total passenger delay. We employ temporal clustering on these two quantities to reveal daily and seasonal regularity in delay patterns of the transit network. The estimation and clustering methods are demonstrated on one year of data from Washington metro network. The data consists of schedule information and smart card data which includes passenger-train assignment of the metro network for the months of August 2017 to August 2018. Our findings show that the average passenger delay is relatively stable throughout the day. The temporal clustering reveals pronounced and recurrent and thus predictable daily and weekly patterns with distinct characteristics for certain months.
• Abstract（参考訳）: ユーザ満足度とトランジットイメージを改善するため、世界中の交通サービスプロバイダは遅延補償を提供している。 スマートカードデータは、ネットワーク全体で乗客の遅延を推定し、サービスパフォーマンスの監視を支援する。 しかしながら、サービスの信頼性の向上と乗客の遅延の低減を優先するためには、ほとんどの乗客の遅延が発生している駅や線路などのシステムコンポーネントを特定することが最重要である。 そこで本研究では,個々の軌道からネットワーク利用者の遅延を推定する手法を提案する。 乗客軌道に沿った遅延を,対応する線路セグメント遅延,初期待ち時間,移動遅延に分解する。 我々は、公共交通機関網に関して、平均旅客遅延と全乗客遅延の2つの異なるタイプの乗客遅延を区別する。 これら2つの量に時間的クラスタリングを適用して,トランジットネットワークの遅延パターンの日次的および季節的規則性を明らかにする。 この推定とクラスタリング手法はワシントン大都市圏ネットワークから1年間のデータで実証される。 データはスケジュール情報と、2017年8月から2018年8月までの地下鉄ネットワークの旅客列車割り当てを含むスマートカードデータで構成されている。 その結果,1日平均乗車遅延は比較的安定していることがわかった。 時間的クラスタリングは発音と再帰性を示し、そのため、特定の月ごとに異なる特徴を持つ毎日のパターンと毎週のパターンを予測できる。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• 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)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• Streaming detection of significant delay changes in public transport systems [0.9217021281095907]
  遅延などの公共交通機関の混乱は、モビリティの選択に悪影響を及ぼす可能性がある。 本稿では,遅延検出手法と参照アーキテクチャを提案する。 方法は、スケジュールからの逸脱として定義される遅延の計算を補完することができる。
  論文  参考訳（メタデータ） (2024-04-11T15:54:20Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• 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)
• Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data [11.781685156308475]
  本稿では,閉鎖型地下鉄システム内の乗客密度を推定する統計モデルを提案する。 予測結果に基づいて,将来の時刻の乗客密度の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-09-07T04:07:37Z)
• Forecasting of the Montreal Subway Smart Card Entry Logs with Event Data [0.814375035858607]
  本研究では, 時間分解能の微粒化による長期需要予測のための汎用データ整形法を提案する。 具体的には,輸送ネットワークの各駅に4分の1のアグリゲーションで入場する乗客数より1年前までの予測について検討する。 モデルと予測の質を比較するために、カナダのモンローアル市で設定された実際のスマートカードとイベントデータセットを使用します。
  論文  参考訳（メタデータ） (2020-08-22T14:08:57Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)

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。