論文の概要: Interpretable Machine Learning Models for Modal Split Prediction in Transportation Systems

• arxiv url: http://arxiv.org/abs/2203.14191v1
• Date: Sun, 27 Mar 2022 02:59:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 16:04:17.376096
• Title: Interpretable Machine Learning Models for Modal Split Prediction in Transportation Systems
• Title（参考訳）: 交通システムにおけるモード分割予測のための解釈可能な機械学習モデル
• Authors: Aron Brenner, Manxi Wu, and Saurabh Amin
• Abstract要約: 交通ネットワークにおけるモーダル分割予測は、交通渋滞の管理と交通サービスの信頼性向上にネットワークオペレーターをサポートする可能性がある。 本研究では,高次元の旅行時間データを用いて,旅行者の時間差予測の問題に焦点をあてる。 変数選択に様々な正則化手法を用いて、オーバーフィッティングを防止し、多重線形性の問題を解決する。
• 参考スコア（独自算出の注目度）: 0.43012765978447565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modal split prediction in transportation networks has the potential to support network operators in managing traffic congestion and improving transit service reliability. We focus on the problem of hourly prediction of the fraction of travelers choosing one mode of transportation over another using high-dimensional travel time data. We use logistic regression as base model and employ various regularization techniques for variable selection to prevent overfitting and resolve multicollinearity issues. Importantly, we interpret the prediction accuracy results with respect to the inherent variability of modal splits and travelers' aggregate responsiveness to changes in travel time. By visualizing model parameters, we conclude that the subset of segments found important for predictive accuracy changes from hour-to-hour and include segments that are topologically central and/or highly congested. We apply our approach to the San Francisco Bay Area freeway and rapid transit network and demonstrate superior prediction accuracy and interpretability of our method compared to pre-specified variable selection methods.
• Abstract（参考訳）: 交通ネットワークにおけるモーダル分割予測は、交通渋滞の管理と交通サービスの信頼性向上にネットワークオペレーターをサポートする可能性がある。 本研究では,1つの交通手段を選択する旅行者の割合を,高次元の移動時間データを用いて時間単位で予測する問題に焦点をあてる。 我々は,ロジスティック回帰を基本モデルとし,変数選択に様々な正規化手法を用いて,過度に適合し,多重線形性の問題を解決する。 重要なのは,モーダルスプリットの固有変動率と旅行時間の変化に対する旅行者の総合応答性について,予測精度結果を解釈することである。 モデルパラメータを可視化することにより,時間単位から時間単位の予測精度の変化に重要なセグメントのサブセットが,トポロジ的に中心的,あるいは混雑性の高いセグメントを含むことがわかった。 提案手法をサンフランシスコベイエリア高速道路および高速交通網に適用し,提案手法の予測精度と解釈性について,あらかじめ特定した変数選択法と比較した。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
  急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。 本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。 CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
  論文  参考訳（メタデータ） (2024-06-14T12:57:17Z)
• A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
  交通流予測のための多チャンネル時空間変圧器モデルを提案する。 トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。 6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-05-10T06:37:07Z)
• 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)
• 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)
• A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting [21.6456624219159]
  トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。 本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。 提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
  論文  参考訳（メタデータ） (2023-03-31T03:07:53Z)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts for Inventory Management [8.441020454345932]
  本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。 本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
  論文  参考訳（メタデータ） (2021-07-28T14:11:34Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。