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
- Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Test-time Adaptive Vision-and-Language Navigation [75.50521064106732]
視覚・言語ナビゲーションのためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。
高速更新フェーズでは、最近のマルチステップナビゲーションプロセスで発生する勾配を、さまざまなレベルの一貫性を持つコンポーネントに分解する。
遅い更新フェーズでは、歴史的に記録されたパラメータを収集し、同様の分解蓄積分析を行い、モデルを安定状態に戻す。
論文 参考訳(メタデータ) (2023-11-22T07:47:39Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Temporal Deep Learning Architecture for Prediction of COVID-19 Cases in
India [1.7969777786551424]
最近、新型コロナウイルスの拡散のダイナミックな傾向を理解するために、新しい機械学習アプローチが使用されている。
我々は、バニラLSTM、積み重ねLSTM、ED-LSTM、Bi-LSTM、CNN、ハイブリッドCNN+LSTMモデルという、繰り返しおよび畳み込みニューラルネットワークモデルを設計した。
その結果,積み重ね型LSTMとハイブリッド型CNN+LSTMは,他のモデルと比較して高い性能を示した。
論文 参考訳(メタデータ) (2021-08-31T13:28:51Z) - Model-based micro-data reinforcement learning: what are the crucial
model properties and which model to choose? [0.2836066255205732]
我々は,マイクロデータモデルに基づく強化学習(MBRL)に寄与する。
マルチモーダルな後続予測を必要とする環境では、混合密度ネットは他のモデルよりも大きなマージンで優れていることがわかった。
また、決定論的モデルは同等であり、実際、確率論的モデルよりも一貫して(非目立ったことではないが)優れていることも見出した。
論文 参考訳(メタデータ) (2021-07-24T11:38:25Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - An Empirical Experiment on Deep Learning Models for Predicting Traffic
Data [18.103216508546645]
交通制御領域における意思決定者を支援するためのディープラーニングモデルが提案されている。
どのモデルが最先端のパフォーマンスを提供するのかを理解することは困難です。
交通状況が急変した場合、どのモデルが動作するかを決定することも困難である。
論文 参考訳(メタデータ) (2021-05-12T08:28:12Z) - No MCMC for me: Amortized sampling for fast and stable training of
energy-based models [62.1234885852552]
エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。
本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。
次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
論文 参考訳(メタデータ) (2020-10-08T19:17:20Z) - Assessment of COVID-19 hospitalization forecasts from a simplified SIR
model [0.0]
SHモデルは、数ヶ月にわたる新型コロナウイルスの入院データに高い精度で適合することができる。
ベルギー初の入院ピーク前後で3週間のトレーニングを行ったところ,平均絶対パーセンテージ誤差(MAPE)を4%以下で予測した。
論文 参考訳(メタデータ) (2020-07-20T21:42:41Z) - Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and
ARIMA Models [4.56877715768796]
世界保健機関(WHO)が世界的な公衆衛生危機を宣言している。
本研究では,いくつかのLong Short-Term Memory(LSTM)モデルとAuto-Regressive Integrated Integrated Average(ARIMA)モデルを用いて,新型コロナウイルス感染者数の予測を行った。
論文 参考訳(メタデータ) (2020-06-05T20:07:48Z)
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。