論文の概要: Assessing Machine Learning Algorithms for Near-Real Time Bus Ridership
Prediction During Extreme Weather
- arxiv url: http://arxiv.org/abs/2204.09792v1
- Date: Wed, 20 Apr 2022 21:39:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 14:54:59.444697
- Title: Assessing Machine Learning Algorithms for Near-Real Time Bus Ridership
Prediction During Extreme Weather
- Title(参考訳): 異常気象時のリアルタイムバス乗車予測のための機械学習アルゴリズムの評価
- Authors: Francisco Rowe and Michael Mahony and Sui Tao
- Abstract要約: 本研究は、気象条件の急激な変化に関連して、リアルタイムに近いライダーシップをモデル化し、予測するための一連の機械学習アルゴリズムを採用し、評価する。
本研究は, 気象・気象関係のバス時間変動には, 有意な変動レベルが存在することを確認した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Given an increasingly volatile climate, the relationship between weather and
transit ridership has drawn increasing interest. However, challenges stemming
from spatio-temporal dependency and non-stationarity have not been fully
addressed in modelling and predicting transit ridership under the influence of
weather conditions especially with the traditional statistical approaches.
Drawing on three-month smart card data in Brisbane, Australia, this research
adopts and assesses a suite of machine-learning algorithms, i.e., random
forest, eXtreme Gradient Boosting (XGBoost) and Tweedie XGBoost, to model and
predict near real-time bus ridership in relation to sudden change of weather
conditions. The study confirms that there indeed exists a significant level of
spatio-temporal variability of weather-ridership relationship, which produces
equally dynamic patterns of prediction errors. Further comparison of model
performance suggests that Tweedie XGBoost outperforms the other two
machine-learning algorithms in generating overall more accurate prediction
outcomes in space and time. Future research may advance the current study by
drawing on larger data sets and applying more advanced machine and
deep-learning approaches to provide more enhanced evidence for real-time
operation of transit systems.
- Abstract(参考訳): 不安定な気候が増すにつれて、天候と交通機関の乗務員との関係がますます関心を集めている。
しかしながら、時空間依存や非定常性から生じる課題は、特に従来の統計的アプローチによる気象条件の影響下でのトランジットライダーシップのモデル化や予測において、完全には解決されていない。
オーストラリアのブリスベンで3ヶ月にわたるスマートカードデータに基づいて、この研究はランダムフォレスト、eXtreme Gradient Boosting (XGBoost)、Tweedie XGBoostといった機械学習アルゴリズムを採用し、気象条件の急激な変化に関連して、ほぼリアルタイムのバス乗り場をモデル化し予測する。
この研究は、気象・乾燥関係の時空間変動のかなりのレベルが存在し、予測誤差の動的パターンが等しく生じることを確認した。
モデル性能のさらなる比較は、Tweedie XGBoostが他の2つの機械学習アルゴリズムより優れていることを示唆している。
将来の研究は、より大きなデータセットを描画し、より高度な機械学習アプローチを適用して、トランジットシステムのリアルタイム運用に関するより高度な証拠を提供することで、現在の研究を前進させる可能性がある。
関連論文リスト
- Scaling transformer neural networks for skillful and reliable
medium-range weather forecasting [24.02355555479722]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳(メタデータ) (2023-12-06T19:46:06Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳(メタデータ) (2022-04-01T14:55:10Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - 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) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Predicting Demand for Air Taxi Urban Aviation Services using Machine
Learning Algorithms [3.2872586139884623]
この研究は、ニューヨーク市のさまざまな地理的地域における1日の異なる時間帯のエアタクシー都市航空モビリティ(UAM)サービスの需要を予測することに焦点を当てています。
いくつかのライド関連要因(年月、曜日、曜日、曜日など)と天気関連変数は、4つの一般的な機械学習アルゴリズムの予測器として使用されます。
論文 参考訳(メタデータ) (2021-03-26T17:12:43Z) - Joint Air Quality and Weather Prediction Based on Multi-Adversarial
Spatiotemporal Networks [44.34236994440102]
本稿では,複数対数連続グラフニューラルネットワーク(MasterGNN)を共同空気質と天気予報のために提案する。
具体的には,大気質と気象モニタリングステーション間の不均一な自己時間相関をモデル化するグラフニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2020-12-30T04:42:03Z)
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。