論文の概要: A Novel Neural Network Approach for Predicting the Arrival Time of Buses
for Smart On-Demand Public Transit
- arxiv url: http://arxiv.org/abs/2303.15495v1
- Date: Mon, 27 Mar 2023 16:45:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 17:34:29.446360
- Title: A Novel Neural Network Approach for Predicting the Arrival Time of Buses
for Smart On-Demand Public Transit
- Title（参考訳）: スマートオンデマンド公共交通におけるバスの到着時間予測のための新しいニューラルネットワーク手法
- Authors: Narges Rashvand, Sanaz Sadat Hosseini, Mona Azarbayjani, Hamed Tabkhi
- Abstract要約: 乗務員の到着時刻を推定する際には、より正確で信頼性の高いバス輸送が問題となる。
一般的な問題は、バスの到着時刻がスケジュールと一致せず、固定されたスケジュールの遅延が生じることである。
本研究では,各交通機関(駅)におけるバスの到着時刻を推定するための,AIに基づく新しいデータ駆動型アプローチを提案する。
我々のアプローチは、完全に接続されたニューラルネットワークに基づいており、大都市圏のすべてのバス路線の到着時刻を総合的に予測することができる。
- 参考スコア（独自算出の注目度）: 2.6774008509840996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Among the major public transportation systems in cities, bus transit has its
problems, including more accuracy and reliability when estimating the bus
arrival time for riders. This can lead to delays and decreased ridership,
especially in cities where public transportation is heavily relied upon. A
common issue is that the arrival times of buses do not match the schedules,
resulting in latency for fixed schedules. According to the study in this paper
on New York City bus data, there is an average delay of around eight minutes or
491 seconds mismatch between the bus arrivals and the actual scheduled time.
This research paper presents a novel AI-based data-driven approach for
estimating the arrival times of buses at each transit point (station). Our
approach is based on a fully connected neural network and can predict the
arrival time collectively across all bus lines in large metropolitan areas. Our
neural-net data-driven approach provides a new way to estimate the arrival time
of the buses, which can lead to a more efficient and smarter way to bring the
bus transit to the general public. Our evaluation of the network bus system
with more than 200 bus lines, and 2 million data points, demonstrates less than
40 seconds of estimated error for arrival times. The inference time per each
validation set data point is less than 0.006 ms.
- Abstract（参考訳）: 都市の主要公共交通システムのうち、バス交通には、乗客の到着時刻を推定する際の精度や信頼性などの問題がある。
これは特に公共交通機関が大いに依存している都市において、遅延と乗客の減少につながる。
一般的な問題は、バスの到着時刻がスケジュールと一致せず、固定スケジュールの遅延が発生することである。
ニューヨーク市のバスデータに関する研究によると、バスの到着と実際の予定時刻の間には、平均8分または491秒の遅延がある。
本研究は,各交通機関(駅)におけるバスの到着時刻を推定するための,AIに基づく新しいデータ駆動手法を提案する。
提案手法は,完全接続型ニューラルネットワークを基盤とし,大都市圏の全バス路線にまたがる到着時刻を総合的に予測する。
我々のニューラルネットデータ駆動アプローチは、バスの到着時刻を推定する新しい方法を提供する。
200以上のバス路線と200万のデータポイントを持つネットワークバスシステムの評価では,到着時間の推定誤差が40秒未満であることを示す。
検証セットデータポイント毎の推測時間は0.006ms未満である。
関連論文リスト
- GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - Traffic Smoothing Controllers for Autonomous Vehicles Using Deep
Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。
我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。
その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
論文 参考訳（メタデータ） (2024-01-18T00:50:41Z) - Bus Ridership Prediction with Time Section, Weather, and Ridership Trend
Aware Multiple LSTM [0.10499611180329801]
この予測には,連続する停留所間のバス乗り合いの相関を考慮する必要がある。
この予測は、関連する研究で有用であることが示されているすべての特徴を用いてまだなされていない。
本研究では,これらの問題に対処する予測手法を提案する。
論文 参考訳（メタデータ） (2023-04-13T04:35:41Z) - 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) - A Dynamic Model for Bus Arrival Time Estimation based on Spatial
Patterns using Machine Learning [1.2891210250935146]
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。
論文 参考訳（メタデータ） (2022-10-03T06:35:03Z) - 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) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Estimating the Robustness of Public Transport Systems Using Machine
Learning [62.997667081978825]
公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。
乗客の観点からの堅牢性の統合により、作業はさらに困難になる。
本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
論文 参考訳（メタデータ） (2021-06-10T05:52:56Z) - 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) - Polestar: An Intelligent, Efficient and National-Wide Public
Transportation Routing Engine [43.09401975244128]
Polestarは、インテリジェントで効率的な公共交通機関ルーティングのためのデータ駆動型エンジンである。
具体的には,交通費の異なる公共交通機関をモデル化するための新しい公共交通グラフ(PTG)を提案する。
次に、効率的な経路候補生成のための効率的な局結合法と組み合わせた一般経路探索アルゴリズムを提案する。
2つの実世界のデータセットの実験は、効率性と有効性の両方の観点からPoestarの利点を実証している。
論文 参考訳（メタデータ） (2020-07-11T05:14:52Z) - 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)
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。