論文の概要: Real-Time Bus Arrival Prediction: A Deep Learning Approach for Enhanced
Urban Mobility
- arxiv url: http://arxiv.org/abs/2303.15495v3
- Date: Mon, 4 Mar 2024 15:42:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 03:45:54.572825
- Title: Real-Time Bus Arrival Prediction: A Deep Learning Approach for Enhanced
Urban Mobility
- Title（参考訳）: リアルタイムバス到着予測:都市移動性向上のための深層学習アプローチ
- Authors: Narges Rashvand, Sanaz Sadat Hosseini, Mona Azarbayjani, Hamed Tabkhi
- Abstract要約: 一般的な課題は、実際のバス到着時刻と予定された時刻とのミスマッチであり、固定されたスケジュールの混乱につながる。
本研究は,様々な交通機関(駅)におけるバス到着時刻を予測するための,革新的なAIに基づくデータ駆動手法を提案する。
完全に接続されたニューラルネットワークの展開により,公共バスの交通システムの精度と効率が向上する。
- 参考スコア（独自算出の注目度）: 2.1374208474242815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In urban settings, bus transit stands as a significant mode of public
transportation, yet faces hurdles in delivering accurate and reliable arrival
times. This discrepancy often culminates in delays and a decline in ridership,
particularly in areas with a heavy reliance on bus transit. A prevalent
challenge is the mismatch between actual bus arrival times and their scheduled
counterparts, leading to disruptions in fixed schedules. Our study, utilizing
New York City bus data, reveals an average delay of approximately eight minutes
between scheduled and actual bus arrival times. This research introduces an
innovative, AI-based, data-driven methodology for predicting bus arrival times
at various transit points (stations), offering a collective prediction for all
bus lines within large metropolitan areas. Through the deployment of a fully
connected neural network, our method elevates the accuracy and efficiency of
public bus transit systems. Our comprehensive evaluation encompasses over 200
bus lines and 2 million data points, showcasing an error margin of under 40
seconds for arrival time estimates. Additionally, the inference time for each
data point in the validation set is recorded at below 0.006 ms, demonstrating
the potential of our Neural-Net-based approach in substantially enhancing the
punctuality and reliability of bus transit systems.
- Abstract（参考訳）: 都市部では、バスの交通は公共交通の重要な手段であるが、正確な到着時間と信頼性の確保には困難が伴う。
この格差は、特にバスの交通に強く依存している地域では、しばしば遅延と乗客数の減少に繋がる。
一般的な課題は、実際のバスの到着時刻と予定時刻のミスマッチであり、固定されたスケジュールの混乱に繋がる。
本研究は,ニューヨーク市バスデータを用いて,予定時刻から実際のバス到着までの所要時間は平均8分であった。
本研究は,様々な交通点(駅)におけるバスの到着時刻を予測するための,革新的でaiに基づくデータ駆動手法を導入し,大都市内の全バス路線を総合的に予測する。
本手法は,完全接続型ニューラルネットワークの展開を通じて,公共バス輸送システムの精度と効率を高める。
総合評価では,200以上のバス路線と200万のデータポイントを包含し,到着時刻推定に40秒未満の誤差率を示した。
さらに、検証セットの各データポイントの推測時間を0.006ms以下に記録し、バス輸送システムの時間性と信頼性を大幅に向上させるニューラルネットワークベースのアプローチの可能性を示す。
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。