論文の概要: Network-wide link travel time and station waiting time estimation using automatic fare collection data: A computational graph approach

• arxiv url: http://arxiv.org/abs/2108.09292v1
• Date: Thu, 19 Aug 2021 00:18:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 13:15:29.269444
• Title: Network-wide link travel time and station waiting time estimation using automatic fare collection data: A computational graph approach
• Title（参考訳）: 自動運賃収集データを用いたネットワーク全体のリンク移動時間と駅待ち時間推定:計算グラフによるアプローチ
• Authors: Jinlei Zhang, Feng Chen, Lixing Yang, Wei Ma, Guangyin Jin, and Ziyou Gao
• Abstract要約: 本稿では,URTシステムにおける自動運賃収集(AFC)データを用いて,ネットワーク全体のリンク移動時間と駅待ち時間を推定する上で,不可欠かつ困難な問題に焦点をあてる。 機械学習分野における計算グラフ(CG)モデルのような新しいデータ駆動技術は、この問題を解決するための新しいソリューションを提供する。 私たちの知る限りでは、CGがURTに適用されたのはこれが初めてです。
• 参考スコア（独自算出の注目度）: 14.59638384522569
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Urban rail transit (URT) system plays a dominating role in many megacities like Beijing and Hong Kong. Due to its important role and complex nature, it is always in great need for public agencies to better understand the performance of the URT system. This paper focuses on an essential and hard problem to estimate the network-wide link travel time and station waiting time using the automatic fare collection (AFC) data in the URT system, which is beneficial to better understand the system-wide real-time operation state. The emerging data-driven techniques, such as computational graph (CG) models in the machine learning field, provide a new solution for solving this problem. In this study, we first formulate a data-driven estimation optimization framework to estimate the link travel time and station waiting time. Then, we cast the estimation optimization model into a CG framework to solve the optimization problem and obtain the estimation results. The methodology is verified on a synthetic URT network and applied to a real-world URT network using the synthetic and real-world AFC data, respectively. Results show the robustness and effectiveness of the CG-based framework. To the best of our knowledge, this is the first time that the CG is applied to the URT. This study can provide critical insights to better understand the operational state in URT.
• Abstract（参考訳）: 北京や香港などの大都市では、都市鉄道交通(URT)が支配的な役割を担っている。 重要な役割と複雑な性質のため、公共機関が URT システムの性能をよりよく理解することが常に必要である。 本稿では,URTシステムにおける自動運賃収集(AFC)データを用いて,ネットワーク全体のリンク移動時間と局待ち時間を推定する上で,本質的かつ困難な問題に焦点を当てた。 機械学習分野における計算グラフ(CG)モデルのような新しいデータ駆動技術は、この問題を解決するための新しいソリューションを提供する。 本研究では,まずデータ駆動型推定手法を定式化し,リンク走行時間と駅待ち時間を推定する。 そこで我々は,最適化問題を解き,評価結果を得るために,推定最適化モデルをCGフレームワークにキャストした。 本手法は, 合成URTネットワーク上で検証し, 実世界のAFCデータを用いて実世界のURTネットワークに適用する。 その結果,CGベースのフレームワークの堅牢性と有効性を示した。 私たちの知る限りでは、CGがURTに適用されたのはこれが初めてです。 この研究は、RTの運用状態をよりよく理解するための重要な洞察を与えることができる。

関連論文リスト

• SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
  学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。 トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
  論文  参考訳（メタデータ） (2024-11-20T10:23:21Z)
• Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
  最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。 本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-17T01:11:07Z)
• A Graph-based Adversarial Imitation Learning Framework for Reliable & Realtime Fleet Scheduling in Urban Air Mobility [5.19664437943693]
  本稿では,艦隊スケジューリング問題の包括的最適化について述べる。 また、代替ソリューションのアプローチの必要性も認識している。 新しい模倣アプローチは、目に見えない最悪のシナリオにおいて、パフォーマンスと顕著な改善を実現する。
  論文  参考訳（メタデータ） (2024-07-16T18:51:24Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• Real-Time Forecasting of Dockless Scooter-Sharing Demand: A Spatio-Temporal Multi-Graph Transformer Approach [5.6973480878880824]
  本稿では,S-TMGT (S-Temporal Multi-Graph Transformer) という新しいディープラーニングアーキテクチャを提案する。 提案したモデルは、マイクロモビリティーオペレーターが最適な車両再バランススキームを開発し、ドックレススクーターシェアリングオペレーションをよりよく管理するために都市を案内するのに役立つ。
  論文  参考訳（メタデータ） (2021-11-02T03:48:48Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
  渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。 今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。 実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。 本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-18T13:49:28Z)
• FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting [11.011268090482575]
  本稿では,既存のアルゴリズムと競合する性能を実現する新しい学習アーキテクチャを提案する。 提案アーキテクチャの鍵となる要素は、学習可能な完全に連結されたハードグラフゲーティング機構である。 2つのパブリックトラフィックネットワークデータセットの実験結果は、我々のアプローチの価値を示しています。
  論文  参考訳（メタデータ） (2020-07-30T15:35:15Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。