Fugu-MT 論文翻訳(概要): Assessing Machine Learning Algorithms for Near-Real Time Bus Ridership Prediction During Extreme Weather

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

Advancing Meteorological Forecasting: AI-based Approach to Synoptic Weather Map Analysis [3.686808512438363]
本研究では,新しい事前処理手法と畳み込みオートエンコーダモデルを提案する。このモデルでは、現在の大気条件にほぼ一致する歴史的シンフォティック気象図を認識できた。
論文参考訳（メタデータ） (2024-11-08T07:46:50Z)
Multi-Source Temporal Attention Network for Precipitation Nowcasting [4.726419619132143]
降水量は様々な産業で重要であり、気候変動の緩和と適応に重要な役割を果たしている。降水量予測のための効率的な深層学習モデルを導入し,既存の運用モデルよりも高い精度で降雨を最大8時間予測する。
論文参考訳（メタデータ） (2024-10-11T09:09:07Z)
Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
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)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
STC-ViT: Spatio Temporal Continuous Vision Transformer for Weather Forecasting [0.0]
天気予報のための時空間連続トランスフォーマービジョンであるSTC-ViTを提案する。 STC-ViTは、連続した天気変化を時間とともに学習するために、マルチヘッドアテンション機構を備えた連続時間ニューラルODE層を組み込んでいる。 STC-ViTは,操作型数値天気予報(NWP)モデルと,深層学習に基づく天気予報モデルとを比較した。
論文参考訳（メタデータ） (2024-02-28T01:15:30Z)
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)
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)
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)

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。