論文の概要: A Deep-Learning Based Optimization Approach to Address Stop-Skipping Strategy in Urban Rail Transit Lines

• arxiv url: http://arxiv.org/abs/2109.08786v1
• Date: Fri, 17 Sep 2021 23:52:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 12:58:19.032270
• Title: A Deep-Learning Based Optimization Approach to Address Stop-Skipping Strategy in Urban Rail Transit Lines
• Title（参考訳）: 深層学習に基づく都市鉄道路線におけるストップスキッピング戦略の最適化手法
• Authors: Mohammadjavad Javadinasr, Amir Bahador Parsa, and Abolfazl (Kouros) Mohammadian
• Abstract要約: 都市鉄道路線における最適なストップスキップパターンを決定するための高度なデータ駆動最適化手法を提案する。 我々は、ピーク時のステーションレベルの需要率を予測するために、LSTM(Long Short-Term Memory)ディープラーニングモデルを用いている。 この問題の指数関数的性質を考慮し,適切な時間で解決するAnt Colony Optimization手法を提案する。
• 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: Different passenger demand rates in transit stations underscore the importance of adopting operational strategies to provide a demand-responsive service. Aiming at improving passengers' travel time, the present study introduces an advanced data-driven optimization approach to determine the optimal stop-skip pattern in urban rail transit lines. In detail, first, using the time-series smart card data for an entire month, we employ a Long Short-Term Memory (LSTM) deep learning model to predict the station-level demand rates for the peak hour. This prediction is based on four preceding hours and is especially important knowing that the true demand rates of the peak hour are posterior information that can be obtained only after the peak hour operation is finished. Moreover, utilizing a real-time prediction instead of assuming fixed demand rates, allows us to account for unexpected real-time changes which can be detrimental to the subsequent analyses. Then, we integrate the output of the LSTM model as an input to an optimization model with the objective of minimizing patrons' total travel time. Considering the exponential nature of the problem, we propose an Ant Colony Optimization technique to solve the problem in a desirable amount of time. Finally, the performance of the proposed models and the solution algorithm is assessed using real case data. The results suggest that the proposed approach can enhance the performance of the service by improving both passengers' in-vehicle time as well as passengers' waiting time.
• Abstract（参考訳）: 駅の旅客需要率の違いは、需要対応サービスを提供するための運用戦略を採用することの重要性を強調している。 本研究は, 乗客の移動時間を改善することを目的として, 都市鉄道路線における最適なストップスキップパターンを決定するためのデータ駆動最適化手法を提案する。 まず,1ヶ月間の時系列スマートカードデータを用いて,長時間短期記憶(lstm)深層学習モデルを用いて,ピーク時の局レベルの需要率を予測した。 この予測は、前回の4時間に基づいており、特にピーク時の真の需要率が、ピーク時の動作終了後にのみ取得可能な後部情報であることを知ることが重要である。 さらに、固定需要率を仮定する代わりにリアルタイム予測を利用することで、その後の分析に有害な予期せぬリアルタイム変化を考慮できる。 そして、最適化モデルへの入力としてLSTMモデルの出力を、パトロンの総走行時間を最小化する目的で統合する。 本稿では,この問題の指数関数的性質を考慮し,好適な時間内に解く ant コロニー最適化手法を提案する。 最後に,提案モデルと解法アルゴリズムの性能を実ケースデータを用いて評価する。 提案手法は,車内時間と待ち時間の両方を改善することにより,サービスの性能を向上させることができることが示唆された。

関連論文リスト

• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• DAISY: Data Adaptive Self-Supervised Early Exit for Speech Representation Models [55.608981341747246]
  本稿では,データ適応型自己監督早期退避(DAISY)を導入する。 DAISYの適応性に関する分析では、ノイズの多いデータ上で(より多くのレイヤを使用して)遅い時間に、クリーンデータ上で(より少ないレイヤを使用して)モデルが早期に(より少ないレイヤを使用して)終了することを示しています。
  論文  参考訳（メタデータ） (2024-06-08T12:58:13Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• 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)
• Learning Model Predictive Controllers for Real-Time Ride-Hailing Vehicle Relocation and Pricing Decisions [15.80796896560034]
  大規模配車システムは、個々の要求レベルでのリアルタイムルーティングと、動的価格設定と車両の移動のためのマクロなモデル予測制御(MPC)の最適化を組み合わせることが多い。 本稿では、MPC最適化を学習することで、これらの計算課題に対処する。 結果の機械学習モデルは最適化プロキシとして機能し、その最適解を予測する。
  論文  参考訳（メタデータ） (2021-11-05T00:52:15Z)
• Deep Reinforcement Learning based Dynamic Optimization of Bus Timetable [4.337939117851783]
  深層強化学習に基づくバス時刻動的最適化法(DRL-TO)を提案する。 DQN(Deep Q-Network)は、サービス期間中にバスサービスをディスパッチするかどうかを決定する決定モデルとして使用される。 DRL-TOは、リアルタイムの乗客フローに基づいて出発間隔を動的に決定し、車両の8$%を節約し、乗客の待ち時間の平均17$%を削減できる。
  論文  参考訳（メタデータ） (2021-07-15T01:22:49Z)
• Boosting Algorithms for Delivery Time Prediction in Transportation Logistics [2.147325264113341]
  旅行時間の予測は郵便サービスの遅延を軽減できることを示す。 光勾配ブースティングやカソーストなどのブースティングアルゴリズムは、精度と実行効率の点で高い性能を持つ。
  論文  参考訳（メタデータ） (2020-09-24T11:01:22Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• Travel Time Prediction using Tree-Based Ensembles [4.74324101583772]
  本稿では,都市シナリオにおける2つの任意の地点間の移動時間予測の課題について考察する。 我々はこの問題を2つの時間的視点から見る: 長期予測は数日間、短期予測は1時間である。
  論文  参考訳（メタデータ） (2020-05-28T07:43:54Z)
• Study on Key Technologies of Transit Passengers Travel Pattern Mining and Applications based on Multiple Sources of Data [1.370633147306388]
  本稿では,移動客の移動パターンと行動選好をマイニングするための一連の手法を提案する。 これらの知識を交通システムの調整と最適化に利用しています。
  論文  参考訳（メタデータ） (2020-05-26T22:35:28Z)

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。