論文の概要: Exploring the impact of weather on Metro demand forecasting using
machine learning method
- arxiv url: http://arxiv.org/abs/2210.13965v1
- Date: Mon, 24 Oct 2022 13:01:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 16:01:00.796973
- Title: Exploring the impact of weather on Metro demand forecasting using
machine learning method
- Title(参考訳): 機械学習を用いたメトロ需要予測における気象の影響の探索
- Authors: Yiming Hu, Yangchuan Huang, Shuyin Liu, Yuanyang Qi, and Danhui Bai
- Abstract要約: 本研究は,2018年4月から6月にかけてのアジア地下鉄の実際の乗客フローデータを用いた。
短時間の交通流予測を用いて, 交通流の時空間分布を解析する。
- 参考スコア(独自算出の注目度): 1.0765359420035392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban rail transit provides significant comprehensive benefits such as large
traffic volume and high speed, serving as one of the most important components
of urban traffic construction management and congestion solution. Using real
passenger flow data of an Asian subway system from April to June of 2018, this
work analyzes the space-time distribution of the passenger flow using
short-term traffic flow prediction. Stations are divided into four types for
passenger flow forecasting, and meteorological records are collected for the
same period. Then, machine learning methods with different inputs are applied
and multivariate regression is performed to evaluate the improvement effect of
each weather element on passenger flow forecasting of representative metro
stations on hourly basis. Our results show that by inputting weather variables
the precision of prediction on weekends enhanced while the performance on
weekdays only improved marginally, while the contribution of different elements
of weather differ. Also, different categories of stations are affected
differently by weather. This study provides a possible method to further
improve other prediction models, and attests to the promise of data-driven
analytics for optimization of short-term scheduling in transit management.
- Abstract(参考訳): 都市鉄道は大規模な交通量や高速化などの包括的利益をもたらし、都市交通建設管理と渋滞対策の最も重要な要素の1つとなっている。
本研究は、2018年4月から6月にかけてのアジア地下鉄の実際の乗客フローデータを用いて、短時間の交通流予測を用いて、乗客フローの時空間分布を解析する。
駅は旅客流量予測のために4つのタイプに分けられ、気象記録は同じ期間に収集される。
そして、異なる入力を持つ機械学習手法を適用し、各気象要素の改善効果を時間順に評価する多変量回帰を行う。
その結果、天気変数を入力すると、週末の予測精度が向上し、平日のパフォーマンスはわずかに向上したが、天候要素の違いによる寄与は異なることがわかった。
また、異なるカテゴリーの駅は天候によって異なる。
本研究は、他の予測モデルをさらに改善する方法を提供し、トランジット管理における短期スケジューリングの最適化のためのデータ駆動分析の可能性を実証する。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - 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) - An Application of Vector Autoregressive Model for Analyzing the Impact
of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。
また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
論文 参考訳(メタデータ) (2023-11-12T16:45:29Z) - 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) - A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic
Flow Forecasting [21.6456624219159]
トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。
本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。
提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
論文 参考訳(メタデータ) (2023-03-31T03:07:53Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - 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) - 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) - Multi-Airport Delay Prediction with Transformers [0.0]
TFT(Temporal Fusion Transformer)は、複数の空港での出発と到着の遅れを同時に予測するために提案された。
このアプローチは、予測時に既知の入力の複雑な時間的ダイナミクスをキャプチャし、選択された遅延メトリクスを4時間先まで予測することができる。
論文 参考訳(メタデータ) (2021-11-04T21:58:11Z) - 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) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z)
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。