論文の概要: Spatiotemporal forecasting of track geometry irregularities with
exogenous factors
- arxiv url: http://arxiv.org/abs/2211.03549v1
- Date: Mon, 7 Nov 2022 13:38:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 15:51:05.684273
- Title: Spatiotemporal forecasting of track geometry irregularities with
exogenous factors
- Title(参考訳): 外因性因子をもつ軌道形状の不規則性の時空間予測
- Authors: Katsuya Kosukegawa, Yasukuni Mori, Hiroki Suyari, Kazuhiko Kawamoto
- Abstract要約: 提案手法は、畳み込み短期記憶(ConvLSTM)を用いて、要因を埋め込んで時間的相関を捉える。
その結果,空間計算とメンテナンス記録データにより,垂直アライメントの予測精度が向上することが判明した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To ensure the safety of railroad operations, it is important to monitor and
forecast track geometry irregularities. A higher safety requires forecasting
with a higher spatiotemporal frequency. For forecasting with a high
spatiotemporal frequency, it is necessary to capture spatial correlations.
Additionally, track geometry irregularities are influenced by multiple
exogenous factors. In this study, we propose a method to forecast one type of
track geometry irregularity, vertical alignment, by incorporating spatial and
exogenous factor calculations. The proposed method embeds exogenous factors and
captures spatiotemporal correlations using a convolutional long short-term
memory (ConvLSTM). In the experiment, we compared the proposed method with
other methods in terms of the forecasting performance. Additionally, we
conducted an ablation study on exogenous factors to examine their contribution
to the forecasting performance. The results reveal that spatial calculations
and maintenance record data improve the forecasting of the vertical alignment.
- Abstract(参考訳): 鉄道運転の安全性を確保するためには,軌道形状の不規則性を監視し,予測することが重要である。
高い安全性は、時空間周波数の高い予測を必要とする。
高時空間周波数で予測するには,空間相関を捉える必要がある。
さらに、トラック幾何の不規則性は複数の外因性因子に影響される。
本研究では,空間的および外生的因子計算を取り入れた1種類のトラック形状の不規則性,垂直方向の予測手法を提案する。
提案手法は外因性因子を埋め込み,畳み込み長短期記憶(ConvLSTM)を用いて時空間相関を捉える。
実験では,提案手法を予測性能の観点から他の手法と比較した。
また, 予測性能への寄与を検討するため, 外因性因子のアブレーション研究を行った。
その結果,空間計算と維持記録データにより,鉛直アライメントの予測精度が向上した。
関連論文リスト
- Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Extracting or Guessing? Improving Faithfulness of Event Temporal
Relation Extraction [87.04153383938969]
本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。
第1の視点は、文脈記述に基づいて真に抽出することである。
第2の視点は、適切な不確実性評価を提供することである。
論文 参考訳(メタデータ) (2022-10-10T19:53:13Z) - Exploring the impact of spatiotemporal granularity on the demand
prediction of dynamic ride-hailing [2.5489902365061607]
本稿では,中国成都における実証データを用いて,乗車時需要予測精度への影響について検討する。
ヘキサゴナル畳み込み操作(H-ConvLSTM)と組み合わせた畳み込み短期記憶モデルを提案する。
論文 参考訳(メタデータ) (2022-03-19T11:22:04Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - How to Train Your Flare Prediction Model: Revisiting Robust Sampling of
Rare Events [0.9851812512860351]
本稿では,メタデータの特徴時系列による太陽フレア予測のケーススタディとして,顕著なクラス不均衡と時間的コヒーレントな問題として扱う。
時系列予測における連続性の要求によって引き起こされる時間的コヒーレンスの概念を概観し、この効果の適切な理解の欠如がモデルの性能を飛躍的に向上させることを示した。
これらの課題に対する主要な改善策を再考し、これらの改善がパフォーマンスに与える影響を正確に示すいくつかの実験を示す。
論文 参考訳(メタデータ) (2021-03-12T21:37:08Z) - 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) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow
Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。
具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。
短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文 参考訳(メタデータ) (2020-04-23T08:30:00Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z) - Estimating Basis Functions in Massive Fields under the Spatial Mixed
Effects Model [8.528384027684194]
大規模データセットでは、予測最大化(EM)アルゴリズムを用いた定位クリグが、通常の計算で禁止されるクリグ法に代わるものとして提案されている。
本研究では,空間混合効果(SME)モデルを用いた代替手法を開発したが,観測値と結び目の間の空間依存性の範囲をAECMアルゴリズムを用いて推定することで,さらなる柔軟性を実現することができる。
実験により,予測精度を犠牲にすることなく,余剰パラメータ推定の計算負担を最小化しながら,予測精度の向上を図っている。
論文 参考訳(メタデータ) (2020-03-12T19:36:40Z)
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。