論文の概要: Exploring Human Mobility for Multi-Pattern Passenger Prediction: A Graph Learning Framework

• arxiv url: http://arxiv.org/abs/2202.10339v1
• Date: Thu, 17 Feb 2022 06:17:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-22 22:11:19.409481
• Title: Exploring Human Mobility for Multi-Pattern Passenger Prediction: A Graph Learning Framework
• Title（参考訳）: 多パターン乗客予測のためのヒューマンモビリティの探索 : グラフ学習フレームワーク
• Authors: Xiangjie Kong, Kailai Wang, Mingliang Hou, Feng Xia, Gour Karmakar, Jianxin Li
• Abstract要約: グラフ畳み込みネットワーク(GCN)に基づく多パターン乗客フロー予測フレームワークMPGCNを提案する。 我々はGCNを用いて、有用なトポロジ情報から特徴を抽出し、バスの乗客に隠された移動パターンを認識するディープクラスタリング手法を導入する。 我々の知る限り、この論文は、グラフ学習からバスの乗客フローを予測するためのマルチパターンアプローチを採用した最初の試みである。
• 参考スコア（独自算出の注目度）: 10.75153377806738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic flow prediction is an integral part of an intelligent transportation system and thus fundamental for various traffic-related applications. Buses are an indispensable way of moving for urban residents with fixed routes and schedules, which leads to latent travel regularity. However, human mobility patterns, specifically the complex relationships between bus passengers, are deeply hidden in this fixed mobility mode. Although many models exist to predict traffic flow, human mobility patterns have not been well explored in this regard. To reduce this research gap and learn human mobility knowledge from this fixed travel behaviors, we propose a multi-pattern passenger flow prediction framework, MPGCN, based on Graph Convolutional Network (GCN). Firstly, we construct a novel sharing-stop network to model relationships between passengers based on bus record data. Then, we employ GCN to extract features from the graph by learning useful topology information and introduce a deep clustering method to recognize mobility patterns hidden in bus passengers. Furthermore, to fully utilize Spatio-temporal information, we propose GCN2Flow to predict passenger flow based on various mobility patterns. To the best of our knowledge, this paper is the first work to adopt a multipattern approach to predict the bus passenger flow from graph learning. We design a case study for optimizing routes. Extensive experiments upon a real-world bus dataset demonstrate that MPGCN has potential efficacy in passenger flow prediction and route optimization.
• Abstract（参考訳）: 交通流予測は、インテリジェント交通システムにおいて不可欠な部分であり、様々な交通関連アプリケーションに基礎を置いている。 バスは、固定された路線とスケジュールを持つ都市住民にとって必須の移動手段であり、定期運行が遅れる。 しかし、この固定移動モードでは、人間の移動パターン、特にバス乗客間の複雑な関係が深く隠されている。 交通流の予測には多くのモデルが存在するが、この点に関して人間の移動パターンは十分に研究されていない。 この研究のギャップを減らし、この固定走行行動から人間の移動性知識を学習するために、グラフ畳み込みネットワーク(GCN)に基づく多パターンの乗客フロー予測フレームワークMPGCNを提案する。 まず,バス記録データに基づいて乗客間の関係をモデル化する新しい共有ストップネットワークを構築する。 そこで我々はGCNを用いて,有用なトポロジ情報から特徴を抽出し,バス乗客に隠された移動パターンを認識するディープクラスタリング手法を提案する。 さらに, 時空間情報を完全に活用するために, 様々な移動パターンに基づき, gcn2flow を提案する。 我々の知る限り、この論文は、グラフ学習からバスの乗客フローを予測するためのマルチパターンアプローチを採用した最初の試みである。 経路最適化のためのケーススタディを設計する。 実世界のバスデータセットに対する大規模な実験は、MPGCNが乗客フロー予測と経路最適化に潜在的に有効であることを示した。

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)
• Dynamic Graph Representation Learning for Passenger Behavior Prediction [7.179458364817048]
  乗客の行動予測は、過去の搭乗情報と照会データを通して、乗客の旅行パターンを追跡することを目的としている。 これはスマートシティ開発と公共交通計画にとって不可欠である。 既存の研究は、個々の歴史的相互作用から学ぶための統計手法とシーケンシャルモデルに依存している。
  論文  参考訳（メタデータ） (2024-08-17T04:35:17Z)
• MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
  本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。 車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。 複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
  論文  参考訳（メタデータ） (2024-01-16T14:22:44Z)
• A Dynamic Model for Bus Arrival Time Estimation based on Spatial Patterns using Machine Learning [1.2891210250935146]
  限られたデータセットを用いて到着時刻を予測するため,バス到着予測モデルを提案する。 インド・トゥムクル市の交通路の一つ、トゥムクル(Tumakuru)が選択され、2つの空間パターンに分けられる。 前回の旅行情報と機械学習モデルを用いてバス到着時刻を動的に予測するモデルを開発し、下流のバス停で到着時刻を推定する。
  論文  参考訳（メタデータ） (2022-10-03T06:35:03Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data [7.394726159860848]
  本稿では,今後の交通量のデータを活用することで,将来の走行時間を「推定」できるHybrid Spatio-Temporal Graph Convolutional Network (H-STGCN)を提案する。 以上の結果から,H-STGCNは様々な指標,特に非再帰性渋滞の予測において,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-06-23T03:25:48Z)
• 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)
• 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)
• Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
  本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。 特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。 類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
  論文  参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。