Fugu-MT 論文翻訳(概要): Applying machine learning to predict behavior of bus transport in Warsaw, Poland

論文の概要: Applying machine learning to predict behavior of bus transport in Warsaw, Poland

arxiv url: http://arxiv.org/abs/2204.04515v1
Date: Sat, 9 Apr 2022 17:11:45 GMT
ステータス: 処理完了
システム内更新日: 2022-04-15 02:40:11.166994
Title: Applying machine learning to predict behavior of bus transport in Warsaw, Poland
Title（参考訳）: ポーランド・ワルシャワにおけるバス輸送行動予測のための機械学習の適用
Authors: {\L}ukasz Pa{\l}ys, Maria Ganzha, Marcin Paprzycki
Abstract要約: 公共交通機関の動きを記述する正確なデータを収集することが可能である。モデルはバスの振る舞いを表現し、遅延を予測するために構築できますか? この研究は、この疑問に答えようと試みた最初の結果を提供する。
参考スコア（独自算出の注目度）: 0.30938904602244344
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Nowadays, it is possible to collect precise data describing movements of public transport. Specifically, for each bus (or tram) geoposition data can be regularly collected. This includes data for all buses in Warsaw, Poland. Moreover, this data can be downloaded and analyzed. In this context, one of the simplest questions is: can a model be build to represent behavior of busses, and predict their delays. This work provides initial results of our attempt to answer this question.
Abstract（参考訳）: 現在、公共交通機関の動きを正確に記述したデータを収集することが可能である。具体的には、各バス(または路面電車)の位置データを定期的に収集することができる。これにはポーランドのワルシャワのすべてのバスのデータが含まれる。さらに、このデータはダウンロードして分析することができる。この文脈では、最も単純な質問の1つは、モデルを構築してバスの振る舞いを表現し、遅延を予測することができることである。この研究は私たちのこの質問に答える試みの最初の結果を提供する。

関連論文リスト

Humanoid Locomotion as Next Token Prediction [84.21335675130021]
我々のモデルは感覚運動軌道の自己回帰予測によって訓練された因果変換器である。われわれのモデルでは、フルサイズのヒューマノイドがサンフランシスコでゼロショットで歩けることが示されている。われわれのモデルは、わずか27時間の歩行データで訓練された場合でも現実世界に移行でき、後方歩行のような訓練中に見えないコマンドを一般化することができる。
論文参考訳（メタデータ） (2024-02-29T18:57:37Z)
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)
TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文参考訳（メタデータ） (2023-03-07T18:28:41Z)
Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文参考訳（メタデータ） (2023-01-06T15:13:23Z)
On Designing Day Ahead and Same Day Ridership Level Prediction Models for City-Scale Transit Networks Using Noisy APC Data [0.0]
本稿では,複数のソースからのデータの収集,クリーン化,処理,マージを併用して,トランジットライダーシップの予測に機械学習モデルをトレーニングする手法を提案する。ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
論文参考訳（メタデータ） (2022-10-10T19:50:59Z)
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)
Valuation of Public Bus Electrification with Open Data [1.2740654484866891]
本研究は、オープンソースのデータに基づいて、世界中の都市を対象に、公共交通バスの電気化の経済的、環境的、社会的価値を推定する新しい枠組みを提供する。物理インフォームド機械学習モデルを構築し,エネルギー消費量,二酸化炭素排出量,健康影響,輸送経路の総所有コストを評価する。
論文参考訳（メタデータ） (2022-09-25T00:02:23Z)
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)
Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文参考訳（メタデータ） (2020-08-29T15:14:03Z)
BusTr: Predicting Bus Travel Times from Real-Time Traffic [11.832652376678295]
本稿では,道路交通予測をバス遅延予測に変換する機械学習モデルBusTrを提案する。これはGoogle Mapsによって、公式のリアルタイムバス追跡が提供されていない世界の公共交通システムの大部分に利用されている。
論文参考訳（メタデータ） (2020-07-02T05:05:23Z)
BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
論文参考訳（メタデータ） (2020-03-20T17:03:36Z)

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。