論文の概要: Public Transit Demand Prediction During Highly Dynamic Conditions: A Meta-Analysis of State-of-the-Art Models and Open-Source Benchmarking Infrastructure

• arxiv url: http://arxiv.org/abs/2306.06194v1
• Date: Fri, 9 Jun 2023 18:48:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 20:31:24.388952
• Title: Public Transit Demand Prediction During Highly Dynamic Conditions: A Meta-Analysis of State-of-the-Art Models and Open-Source Benchmarking Infrastructure
• Title（参考訳）: 高動的条件下における公共交通需要予測:最先端モデルとオープンソースベンチマークインフラストラクチャのメタ分析
• Authors: Juan D. Caicedo, Marta C. Gonz\'alez, Joan L. Walker
• Abstract要約: リアルタイム需要予測は動的バスルーティングにとって重要な入力である。 エコノメトリとディープラーニングのアプローチを含む,5つの共通方法論を備えた,オープンソースのインフラストラクチャを構築しました。 我々は,コロンビア・ボゴタのBRTシステムの翌日の需要予測に,スマートカードデータからの時系列を用いた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time demand prediction is a critical input for dynamic bus routing. While many researchers have developed numerous complex methods to predict short-term transit demand, the applications have been limited to short, stable time frames and a few stations. How these methods perform in highly dynamic environments has not been studied, nor has their performance been systematically compared. We built an open-source infrastructure with five common methodologies, including econometric and deep learning approaches, and assessed their performance under stable and highly dynamic conditions. We used a time series from smartcard data to predict demand for the following day for the BRT system in Bogota, Colombia. The dynamic conditions in the time series include a month-long protest and the COVID-19 pandemic. Both conditions triggered drastic shifts in demand. The results reveal that most tested models perform similarly in stable conditions, with MAAPE varying from 0.08 to 0.12. The benchmark demonstrated that all models performed significantly worse in both dynamic conditions compared to the stable conditions. In the month-long protest, the increased MAAPE ranged from 0.14 to 0.24. Similarly, during the COVID-19 pandemic, the increased MAAPE ranged from 0.12 to 0.82. Notably, in the COVID-19 pandemic condition, an LSTM model with adaptive training and a multi-output design outperformed other models, adapting faster to disruptions. The prediction error stabilized within approximately 1.5 months, whereas other models continued to exhibit higher error rates even a year after the start of the pandemic. The aim of this open-source codebase infrastructure is to lower the barrier for other researchers to replicate and reproduce models, facilitate a collective effort within the research community to improve the benchmarking process and accelerate the advancement of short-term ridership prediction models.
• Abstract（参考訳）: リアルタイム需要予測は動的バスルーティングにとって重要な入力である。 多くの研究者は短期の交通需要を予測するために多くの複雑な方法を開発したが、アプリケーションは短い、安定した時間枠といくつかの駅に限られている。 これらの手法が極めてダイナミックな環境でどのように機能するかは研究されていない。 econometricおよびdeep learningアプローチを含む5つの一般的な方法論を備えたオープンソースインフラストラクチャを構築し,安定かつ高ダイナミックな条件下でのパフォーマンスを評価した。 我々は,コロンビア・ボゴタのBRTシステムの翌日の需要予測に,スマートカードデータからの時系列を用いた。 時系列のダイナミックな状況には、1カ月にわたる抗議と新型コロナウイルスのパンデミックが含まれる。 どちらの条件も需要の急激な変化を引き起こした。 その結果、ほとんどの試験モデルも同様に安定な条件で動作し、MAAPEは0.08から0.12に変化することがわかった。 このベンチマークは、安定条件と比較して両方の動的条件において、全てのモデルが著しく悪い結果を示した。 この1ヶ月の抗議活動で、マペは0.14から0.24まで増加した。 同様に、新型コロナウイルスのパンデミックの間、MAAPEは0.12から0.82まで増加した。 新型コロナウイルス(COVID-19)のパンデミックでは、適応トレーニングとマルチアウトプットデザインを備えたLSTMモデルが他のモデルより優れ、破壊に迅速に適応した。 予測誤差は約1.5カ月で安定し、他のモデルもパンデミック開始後1年も高い誤差率を示し続けた。 このオープンソースのコードベースインフラストラクチャの目的は、他の研究者によるモデルの複製と再現の障壁の低減、ベンチマークプロセスの改善と短期的なライダーシップ予測モデルの促進のための研究コミュニティの集団的取り組みの促進である。

関連論文リスト

• A Comprehensive Survey of Direct Preference Optimization: Datasets, Theories, Variants, and Applications [52.42860559005861]
  DPO(Direct Preference Optimization)は、アライメントのための有望なアプローチとして登場した。 DPOの様々な進歩と固有の制限にもかかわらず、これらの側面の詳細なレビューは現在、文献に欠けている。
  論文  参考訳（メタデータ） (2024-10-21T02:27:24Z)
• Assessing Reusability of Deep Learning-Based Monotherapy Drug Response Prediction Models Trained with Omics Data [43.57729817547386]
  がん薬物応答予測モデルは、精度オンコロジーへの有望なアプローチを示す。 深層学習(DL)法はこの分野で大きな可能性を秘めている。 これは、より広い科学コミュニティによって改善され、テストされる、再利用可能で適応可能なモデルの必要性を強調している。
  論文  参考訳（メタデータ） (2024-09-18T16:08:28Z)
• A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19 [0.6874745415692134]
  本稿では,感染症予測の課題に対処する新しいアプローチを提案する。 本稿では,複数の情報源からの情報を活用するマルチラテラルアテンション強化型GRUモデルを提案する。 GRUフレームワークに注意機構を組み込むことで、我々のモデルはデータ内の複雑な関係や時間的依存を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-08-26T06:31:53Z)
• Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。 本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。 最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-02T05:53:22Z)
• Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
  本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。 因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T06:33:48Z)
• Assaying Out-Of-Distribution Generalization in Transfer Learning [103.57862972967273]
  私たちは、経験的に対処するメッセージの相違を強調して、以前の作業の統一的なビューを取ります。 私たちは9つの異なるアーキテクチャから、多数の、あるいは少数の設定で31K以上のネットワークを微調整しました。
  論文  参考訳（メタデータ） (2022-07-19T12:52:33Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Towards Robust and Reliable Algorithmic Recourse [11.887537452826624]
  モデルシフトに堅牢なリコースを見つけるための敵対的トレーニングを活用する新しいフレームワークであるRObust Algorithmic Recourse(ROAR)を提案します。 また,モデルシフトにロバストなリコースの構築の重要性を強調する詳細な理論解析を行う。
  論文  参考訳（メタデータ） (2021-02-26T17:38:52Z)
• Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany [0.0]
  いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。 ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。 本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-03T16:39:00Z)
• A Self-supervised Approach for Semantic Indexing in the Context of COVID-19 Pandemic [1.8782750537161614]
  本稿では,最先端の自己教師型表現学習とトランスフォーマー符号化に基づくセマンティックインデクシング手法を提案する。 本研究は,パンデミック時にセマンティックインデックスモデルに直面する主な課題,すなわち,新たなドメインと分布の劇的な変化に注目した。
  論文  参考訳（メタデータ） (2020-10-07T17:43:55Z)
• On the model-based stochastic value gradient for continuous reinforcement learning [50.085645237597056]
  モデルベースエージェントは,サンプル効率と最終報酬の両方の観点から,最先端のモデルフリーエージェントより優れていることを示す。 以上の結果から,モデルに基づく政策評価がより注目に値することが示唆された。
  論文  参考訳（メタデータ） (2020-08-28T17:58:29Z)

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。