論文の概要: Meta-learning Based Short-Term Passenger Flow Prediction for Newly-Operated Urban Rail Transit Stations

• arxiv url: http://arxiv.org/abs/2210.07098v1
• Date: Thu, 13 Oct 2022 15:27:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 17:53:58.155910
• Title: Meta-learning Based Short-Term Passenger Flow Prediction for Newly-Operated Urban Rail Transit Stations
• Title（参考訳）: メタラーニングに基づく新運行都市鉄道駅の短期旅客流予測
• Authors: Kuo Han, Jinlei Zhang, Chunqi Zhu, Lixing Yang, Xiaoyu Huang, Songsong Li
• Abstract要約: 本稿では,Meta-LSTM(Meta Long Short-Term Memory Network)というメタラーニング手法を提案する。 メタLSTM(メタLSTM)は、中国・南京、杭州、北京の地下鉄網に適用される。
• 参考スコア（独自算出の注目度）: 3.718942345103135
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate short-term passenger flow prediction in urban rail transit stations has great benefits for reasonably allocating resources, easing congestion, and reducing operational risks. However, compared with data-rich stations, the passenger flow prediction in newly-operated stations is limited by passenger flow data volume, which would reduce the prediction accuracy and increase the difficulty for station management and operation. Hence, how accurately predicting passenger flow in newly-operated stations with limited data is an urgent problem to be solved. Existing passenger flow prediction approaches generally depend on sufficient data, which might be unsuitable for newly-operated stations. Therefore, we propose a meta-learning method named Meta Long Short-Term Memory Network (Meta-LSTM) to predict the passenger flow in newly-operated stations. The Meta-LSTM is to construct a framework that increases the generalization ability of long short-term memory network (LSTM) to various passenger flow characteristics by learning passenger flow characteristics from multiple data-rich stations and then applying the learned parameter to data-scarce stations by parameter initialization. The Meta-LSTM is applied to the subway network of Nanning, Hangzhou, and Beijing, China. The experiments on three real-world subway networks demonstrate the effectiveness of our proposed Meta-LSTM over several competitive baseline models. Results also show that our proposed Meta-LSTM has a good generalization ability to various passenger flow characteristics, which can provide a reference for passenger flow prediction in the stations with limited data.
• Abstract（参考訳）: 都市鉄道駅における正確な短期的旅客フロー予測は、資源配分の合理的化、混雑緩和、運用リスクの低減に大いに寄与する。 しかし,データ量の多い駅と比較して,新運転駅の旅客フロー予測は,利用者フローデータ量によって制限されるため,予測精度が低下し,駅管理・運用の困難が増大する。 したがって、データ制限のある新駅における乗客フローの予測がいかに正確かは、緊急に解決すべき課題である。 既存の旅客流量予測手法は一般に十分なデータに依存しており、新しく運用される駅には不向きである。 そこで,本稿ではメタ長短期記憶ネットワーク (meta long short-term memory network, meta-lstm) というメタラーニング手法を提案する。 Meta-LSTMは、複数のデータリッチステーションから乗客フロー特性を学習し、パラメータ初期化により学習パラメータをデータスカースステーションに適用することにより、長期記憶ネットワーク(LSTM)の様々な乗客フロー特性への一般化能力を高める枠組みを構築する。 メタLSTM(メタLSTM)は、中国・南京、杭州、北京の地下鉄網に適用される。 提案するMeta-LSTMは,複数の競合するベースラインモデルに対して有効であることを示す。 また,提案するメタlstmは,各種の乗客流特性に対して良好な一般化が可能であり,限られたデータで駅内の乗客流予測の基準となることを示唆した。

関連論文リスト

• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models [31.509436717815102]
  本稿では,大規模言語モデル(DelayPTC-LLM)によるメトロ遅延を考慮した旅行選択予測手法を提案する。 従来の予測モデルとDelayPTC-LLMの比較分析は、輸送システムの破壊下で一般的に発生する複雑なスパースデータセットを扱う上で、LLMの優れた能力を示している。
  論文  参考訳（メタデータ） (2024-09-28T13:09:15Z)
• ODMixer: Fine-grained Spatial-temporal MLP for Metro Origin-Destination Prediction [89.46685577447496]
  具体的には、ODMixerは二重分岐構造を持ち、Channel Mixer、Multi-view Mixer、Bidirectional Trend Learnerが関与する。
  論文  参考訳（メタデータ） (2024-04-24T08:46:25Z)
• Spatial-Temporal Attention Fusion Network for short-term passenger flow prediction on holidays in urban rail transit systems [9.725264855780482]
  都市鉄道交通システムの短期的旅客フロー予測は、交通の運用と管理において非常に重要である。 既存のモデルのほとんどは、通常平日や週末に乗客の流れを予測するものである。 ホリデーシーズンの短期的乗客フロー予測のために,時空間注意融合ネットワークという深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-27T01:06:24Z)
• Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
  我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。 提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
  論文  参考訳（メタデータ） (2021-07-02T10:11:51Z)
• Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data [11.781685156308475]
  本稿では,閉鎖型地下鉄システム内の乗客密度を推定する統計モデルを提案する。 予測結果に基づいて,将来の時刻の乗客密度の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-09-07T04:07:37Z)
• Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
  本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。 我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。 本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2020-07-10T16:00:44Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)
• Short-Term Traffic Flow Prediction Using Variational LSTM Networks [3.2364716800671873]
  本研究では,歴史データに基づく深層学習手法を用いて交通流予測モデルを提案する。 2019年、カルトランス性能測定システム(PeMS)から6ヶ月間収集された歴史的データ。 提案した予測モデルは、短いVLSTM-Eにおける変分長短期記憶である。
  論文  参考訳（メタデータ） (2020-02-18T23:22:31Z)
• AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting [4.415977307120616]
  本稿では,首都圏の交通量を予測するための適応型アンサンブル(AdaEnsemble)学習手法を提案する。 これは、変動モード分解(VMD)、季節的自己回帰統合移動平均(SARIMA)、多層パーセプトロンネットワーク(MLP)、長期記憶(LSTM)ネットワークの相補的な利点を組み合わせたものである。 提案したAdaEnsembleラーニングアプローチは,最先端モデルと比較して最高の予測性能を持つだけでなく,深セン地下鉄における歴史的乗客フローデータに基づいて,最も有望かつ堅牢であると考えられる。
  論文  参考訳（メタデータ） (2020-02-18T14:18:53Z)
• 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。