論文の概要: Bus Ridership Prediction with Time Section, Weather, and Ridership Trend
Aware Multiple LSTM
- arxiv url: http://arxiv.org/abs/2304.08233v1
- Date: Thu, 13 Apr 2023 04:35:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 15:28:33.577908
- Title: Bus Ridership Prediction with Time Section, Weather, and Ridership Trend
Aware Multiple LSTM
- Title（参考訳）: 複数LSTMを考慮した時間区間・天気・乗り込み傾向を考慮したバス乗り込み予測
- Authors: Tatsuya Yamamura, Ismail Arai, Masatoshi Kakiuchi, Arata Endo,
Kazutoshi Fujikawa
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.10499611180329801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Public transportation has been essential in people's lives in recent years.
Bus ridership is a factor in people's choice to board the bus. Therefore, from
the perspective of improving service quality, it is important to inform
passengers who have not boarded the bus yet about future bus ridership.
However, there is a concern that providing inaccurate information may cause a
negative experience. Against this backdrop, there is a need to provide bus
passengers who have not boarded yet with highly accurate predictions. Many
researchers are working on studies on this. However, two issues summarize
related studies. The first is that the correlation of bus ridership between
consecutive bus stops should be considered for the prediction. The second is
that the prediction has yet to be made using all of the features shown to be
useful in each related study. This study proposes a prediction method that
addresses both of these issues. We solve the first issue by designing an
LSTM-based architecture for each bus stop and a single model for the entire bus
stop. We solve the second issue by inputting all useful data, the past bus
ridership, day of the week, time section, weather, and precipitation, as
features. Bus ridership at each bus stop collected from buses operated by
Minato Kanko Bus Inc, in Kobe city, Hyogo, Japan, from October 1, 2021, to
September 30, 2022, were used to compare accuracy. The proposed method improved
RMSE by 23% on average and up to 27% compared to existing methods.
- Abstract（参考訳）: 近年、公共交通機関は人々の生活に欠かせないものとなっている。
バス乗りは、バスに乗る人の選択の要因である。
したがって、サービス品質の向上の観点からは、バスに乗らない乗客に将来のバス乗り場を知らせることが重要である。
しかし、不正確な情報を提供することが否定的な経験を引き起こす恐れがある。
この背景に対して、まだ搭乗していないバスの乗客に高い精度の予測を提供する必要がある。
多くの研究者が研究に取り組んでいる。
しかし、2つの問題は関連する研究をまとめている。
1つ目は、連続する停留所間のバス乗り合いの相関を予測として考慮することである。
第2に、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、予測がまだ行われていない。
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。
バスストップ毎にLSTMアーキテクチャを設計し,バスストップ全体に対して単一モデルを設計することで,最初の問題を解決する。
第2の問題は,過去のバスの乗車状況,週の日,時間帯,天気,降水など,すべての有用なデータを特徴として入力することで解決する。
2021年10月1日から2022年9月30日まで兵庫県神戸市の港観光バス(神戸市)が運行するバスから収集した各停留所におけるバスの乗車状況を比較した。
提案手法はrmseを平均23%改善し,既存手法と比較して最大27%改善した。
関連論文リスト
- An Online Approach to Solving Public Transit Stationing and Dispatch
Problem [7.948662269574215]
交通機関は限られた数の車両を予備に保管し、破壊時に被害経路を緩和するために派遣する。
本稿では、この問題を解決するために、非ミオピックシーケンシャルな決定手順を用いた原則的アプローチについて述べる。
実験の結果、提案手法は乗客を2%増やし、デッドヘッドマイルを40%削減することがわかった。
論文 参考訳（メタデータ） (2024-03-05T21:48:29Z) - Real-Time Bus Arrival Prediction: A Deep Learning Approach for Enhanced
Urban Mobility [2.1374208474242815]
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。
論文 参考訳（メタデータ） (2023-03-27T16:45:22Z) - Multi-Vehicle Trajectory Prediction at Intersections using State and
Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。
この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。
この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文 参考訳（メタデータ） (2023-01-06T15:13:23Z) - 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) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳（メタデータ） (2022-03-04T18:39:31Z) - The Effect of COVID-19 on the Transit System in Two Regions: Japan and
USA [0.20646127669654826]
本稿では,インターネット・オブ・モノ(IoT)デバイスを活用した,パンデミック前後のバス利用者数予測手法を提案する。
当社のゴールは、2020年までの2つの異なる国の乗客に対するパンデミックの影響を示すことです。
論文 参考訳（メタデータ） (2021-12-02T13:10:52Z) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳（メタデータ） (2021-06-22T15:40:21Z) - Pedestrian Intention Prediction: A Multi-task Perspective [83.7135926821794]
グローバルに展開するためには、自動運転車は歩行者の安全を保証する必要がある。
本研究は歩行者の意図と視覚状態を共同で予測することでこの問題を解決しようとするものである。
この方法はマルチタスク学習アプローチにおけるリカレントニューラルネットワークである。
論文 参考訳（メタデータ） (2020-10-20T13:42:31Z) - 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)
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。