論文の概要: A Dynamic Model for Bus Arrival Time Estimation based on Spatial
Patterns using Machine Learning
- arxiv url: http://arxiv.org/abs/2210.00733v1
- Date: Mon, 3 Oct 2022 06:35:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 13:47:07.349890
- Title: A Dynamic Model for Bus Arrival Time Estimation based on Spatial
Patterns using Machine Learning
- Title（参考訳）: 機械学習を用いた空間パターンに基づくバス到着時間推定のための動的モデル
- Authors: B. P. Ashwini, R. Sumathi, H. S. Sudhira
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.2891210250935146
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The notion of smart cities is being adapted globally to provide a better
quality of living. A smart city's smart mobility component focuses on providing
smooth and safe commuting for its residents and promotes eco-friendly and
sustainable alternatives such as public transit (bus). Among several smart
applications, a system that provides up-to-the-minute information like bus
arrival, travel duration, schedule, etc., improves the reliability of public
transit services. Still, this application needs live information on traffic
flow, accidents, events, and the location of the buses. Most cities lack the
infrastructure to provide these data. In this context, a bus arrival prediction
model is proposed for forecasting the arrival time using limited data sets. The
location data of public transit buses and spatial characteristics are used for
the study. One of the routes of Tumakuru city service, Tumakuru, India, is
selected and divided into two spatial patterns: sections with intersections and
sections without intersections. The machine learning model XGBoost is modeled
for both spatial patterns individually. A model to dynamically predict bus
arrival time is developed using the preceding trip information and the machine
learning model to estimate the arrival time at a downstream bus stop. The
performance of models is compared based on the R-squared values of the
predictions made, and the proposed model established superior results. It is
suggested to predict bus arrival in the study area. The proposed model can also
be extended to other similar cities with limited traffic-related
infrastructure.
- Abstract（参考訳）: スマートシティーの概念は、生活の質を高めるために世界中で採用されている。
スマートシティのスマートモビリティコンポーネントは、住民にスムーズで安全な通勤を提供し、公共交通機関(bus)のようなエコフレンドリーで持続可能な代替手段を促進することに焦点を当てている。
いくつかのスマートアプリケーションのうち、バスの到着、旅行時間、スケジュールなどの最新情報を提供するシステムは、公共交通サービスの信頼性を向上させる。
それでもこのアプリケーションは、交通の流れ、事故、イベント、バスの位置に関するライブ情報が必要である。
ほとんどの都市はこれらのデータを提供するインフラを欠いている。
この文脈では,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に,バス到着予測モデルを提案する。
本研究は公共交通機関バスの位置データと空間特性を用いている。
インド・トゥムクル市道の1つとして、交差点のない区間と交差点のない区間の2つの空間パターンが選定されている。
機械学習モデルXGBoostは、両方の空間パターンを個別にモデル化する。
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、下流バス停での到着時刻を推定する。
モデルの性能は予測のr-二乗値に基づいて比較され,提案モデルの方が優れた結果を得た。
研究エリアでバスの到着を予測することが提案されている。
提案されたモデルは、交通関連のインフラが限られている他の類似都市にも拡張できる。
関連論文リスト
- UrbanGPT: Spatio-Temporal Large Language Models [34.79169613947957]
本稿では,時空間エンコーダと命令調整パラダイムをシームレスに統合するUrbanPTを提案する。
我々は、様々な公開データセットに対して広範囲な実験を行い、異なる時間的予測タスクをカバーした。
結果は、慎重に設計されたアーキテクチャを持つUrbanPTが、最先端のベースラインを一貫して上回っていることを一貫して示しています。
論文 参考訳（メタデータ） (2024-02-25T12:37:29Z) - 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) - 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) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - 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) - Exploring Human Mobility for Multi-Pattern Passenger Prediction: A Graph
Learning Framework [10.75153377806738]
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。
論文 参考訳（メタデータ） (2022-02-17T06:17:23Z) - Exploiting Multi-modal Contextual Sensing for City-bus's Stay Location
Characterization: Towards Sub-60 Seconds Accurate Arrival Time Prediction [7.29909669028776]
BuStopは、通勤者のスマートフォンを用いたマルチモーダルセンシングから滞在場所を抽出し、特徴付けるシステムである。
本研究では,BuStopが通常のバス停,ランダムなアドホック停留所,交通渋滞による停留所,急変時の停留所の特定に高い精度で有効であることを示す。
論文 参考訳（メタデータ） (2021-05-24T13:47:10Z) - 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) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z) - 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。