論文の概要: Smart Metro: Deep Learning Approaches to Forecasting the MRT Line 3 Ridership

• arxiv url: http://arxiv.org/abs/2304.07303v1
• Date: Fri, 14 Apr 2023 07:39:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 19:50:28.516893
• Title: Smart Metro: Deep Learning Approaches to Forecasting the MRT Line 3 Ridership
• Title（参考訳）: Smart Metro: MRT Line 3 Ridership予測のためのディープラーニングアプローチ
• Authors: Jayrald Empino, Jean Allyson Junsay, Mary Grace Verzon, Mideth Abisado, Shekinah Lor Huyo-a, Gabriel Avelino Sampedro
• Abstract要約: フィリピン政府の交通部門は、毎日MRT3を使用している1000人以上を記録している。 MRT3の日々の乗客数は、休日、勤務日、その他の予期せぬ問題などによって変動している。 本研究は, 特定の駅における日中交通の時系列予測を行い, 特定の駅の入場日数を予測することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since its establishment in 1999, the Metro Rail Transit Line 3 (MRT3) has served as a transportation option for numerous passengers in Metro Manila, Philippines. The Philippine government's transportation department records more than a thousand people using the MRT3 daily and forecasting the daily passenger count may be rather challenging. The MRT3's daily ridership fluctuates owing to variables such as holidays, working days, and other unexpected issues. Commuters do not know how many other commuters are on their route on a given day, which may hinder their ability to plan an efficient itinerary. Currently, the DOTr depends on spreadsheets containing historical data, which might be challenging to examine. This study presents a time series prediction of daily traffic to anticipate future attendance at a particular station on specific days.
• Abstract（参考訳）: 1999年に開業して以来、メトロ・レール・トランジット・ライン3 (MRT3) はフィリピンのメトロマニラで多くの乗客の交通手段となっている。 フィリピン政府の交通部門は、毎日MRT3を使用している1000人以上を記録し、毎日の乗客数を予測することはかなり難しいかもしれない。 MRT3の日々の乗客数は、休日、勤務日、その他の予期せぬ問題によって変動している。 通勤者は、その日に他の通勤者が何人いるかを知らないため、効率的な旅程を計画できない可能性がある。 現在、DOTrは過去のデータを含むスプレッドシートに依存しており、調査は困難かもしれない。 本研究では,日々の交通量の時系列予測を行い,特定駅への将来来場を予測した。

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)
• TraveLLM: Could you plan my new public transit route in face of a network disruption? [4.58733012283457]
  我々は,大規模言語モデル(LLM)に依存するディスラプションに直面して公共交通機関のルーティングを計画するプロトタイプTraveLLMを開発した。 各種のテストケースは、さまざまな気象条件、緊急イベント、新しい交通サービスの導入など、さまざまなシナリオで設計されている。 比較分析により, LLM, 特に GPT-4 がナビゲーション計画に有効であることが示された。
  論文  参考訳（メタデータ） (2024-07-20T16:25:34Z)
• 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)
• 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)
• TransportationGames: Benchmarking Transportation Knowledge of (Multimodal) Large Language Models [46.862519898969325]
  TransportationGamesは(M)LLMを評価するための評価ベンチマークである。 各種(M)LLMの性能を記憶し,理解し,選択したタスクによる交通知識の適用において検証する。
  論文  参考訳（メタデータ） (2024-01-09T10:20:29Z)
• 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)
• Public Transit for Special Events: Ridership Prediction and Train Optimization [10.531110013870792]
  交通機関は、ディスラプション、遅延、運賃収入への影響を理解することが重要である。 本稿では,特殊イベントによる渋滞ピーク時の交通システムの性能評価,予測,管理を行うための一連のデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2021-06-09T19:52:18Z)
• Public Transportation Demand Analysis: A Case Study of Metropolitan Lagos [0.0]
  ラゴスは急速な都市化を経験しており、現在人口は1500万人弱である。 長い待ち時間と不確実な旅行時間により、多くの人々は自分の車を購入したり、代替の輸送手段を使わざるを得なくなった。 本稿では,ラゴスにおける都市交通需要を調査し,時間と空間における乗客動態について考察する。
  論文  参考訳（メタデータ） (2021-05-25T10:35:30Z)
• 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)
• 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)
• CVPR 2019 WAD Challenge on Trajectory Prediction and 3D Perception [39.12032141911959]
  BaiduのRobotics and Autonomous Driving Lab (RAL)は、Trajectoryと3D知覚データセットというラベルで150分を提供する。 課題は(1)軌道予測と(2)ライダー物体検出の2つの課題である。
  論文  参考訳（メタデータ） (2020-04-06T06:36:33Z)

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。