論文の概要: Share, Collaborate, Benchmark: Advancing Travel Demand Research through rigorous open-source collaboration
- arxiv url: http://arxiv.org/abs/2306.06194v2
- Date: Sun, 14 Jul 2024 22:11:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 05:18:31.655324
- Title: Share, Collaborate, Benchmark: Advancing Travel Demand Research through rigorous open-source collaboration
- Title（参考訳）: Share, Collaborate, Benchmark: 厳格なオープンソースコラボレーションによる旅行需要調査の促進
- Authors: Juan D. Caicedo, Carlos Guirado, Marta C. González, Joan L. Walker,
- Abstract要約: 旅行需要の文献が効果的にポリシーを伝えるのを防ぐ重要な障壁は、明確な統合されたベンチマークのない出版物の量である。
新型コロナウイルス(COVID-19)のパンデミックのような動的条件下での性能に着目した交通需要予測モデルのための協調的なインフラを提案する。
LSTM深層学習手法の予測誤差は,1.5ヶ月以内に平均弧状絶対パーセンテージ誤差(MAAPE)が約0.12に安定化したのに対し,他のモデルでは,パンデミックから1年以内に高いエラー率を示し続けた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research foregrounds general practices in travel demand research, emphasizing the need to change our ways. A critical barrier preventing travel demand literature from effectively informing policy is the volume of publications without clear, consolidated benchmarks, making it difficult for researchers and policymakers to gather insights and use models to guide decision-making. By emphasizing reproducibility and open collaboration, we aim to enhance the reliability and policy relevance of travel demand research. We present a collaborative infrastructure for transit demand prediction models, focusing on their performance during highly dynamic conditions like the COVID-19 pandemic. Drawing from over 300 published papers, we develop an open-source infrastructure with five common methodologies and assess their performance under stable and dynamic conditions. We found that the prediction error for the LSTM deep learning approach stabilized at a mean arctangent absolute percentage error (MAAPE) of about 0.12 within 1.5 months, whereas other models continued to exhibit higher error rates even a year into the pandemic. If research practices had prioritized reproducibility before the COVID-19 pandemic, transit agencies would have had clearer guidance on the best forecasting methods and quickly identified those best suited for pandemic conditions to inform operations in response to changes in transit demand. The aim of this open-source codebase is to lower the barrier for other researchers to replicate, reproduce models and build upon findings. We encourage researchers to test their own modeling approaches on this benchmarking platform, challenge the analyses conducted in this paper, and develop model specifications that can outperform those evaluated here. Further, collaborative research approaches must be expanded across travel demand modeling if we wish to impact policy and planning.
- Abstract（参考訳）: この研究は、旅行需要調査における一般的な実践を前提として、私たちの方法を変える必要性を強調している。
旅行需要の文献が効果的にポリシーを伝えるのを防ぐ重要な障壁は、明確な統合されたベンチマークのない出版物の量であり、研究者や政策立案者が洞察を集め、意思決定を導くためにモデルを使うのが困難である。
再現性とオープンなコラボレーションを強調することで,旅行需要調査の信頼性と政策関連性を高めることを目指す。
新型コロナウイルス(COVID-19)のパンデミックなど,非常にダイナミックな状況下でのパフォーマンスに着目し,交通需要予測モデルのための協調的なインフラストラクチャを提案する。
300以上の論文から引用し、我々は5つの共通手法によるオープンソースのインフラを開発し、その性能を安定かつダイナミックな条件下で評価する。
LSTM深層学習手法の予測誤差は,1.5ヶ月以内に約0.12のアークタンジェント絶対パーセンテージ誤差(MAAPE)で安定化したが,他のモデルでは,パンデミックから1年以内に高い誤差率を示し続けた。
もし、新型コロナウイルス(COVID-19)のパンデミック前に再現性を優先していたなら、交通機関は最高の予測方法をより明確にし、交通需要の変化に対応するために、パンデミックの状況に適したものを特定しただろう。
このオープンソースコードベースの目的は、他の研究者がモデルを複製し、再現し、発見に基づいて構築する障壁を低くすることである。
我々は、このベンチマークプラットフォーム上で独自のモデリングアプローチをテストし、本論文で実施した分析に挑戦し、ここで評価されたモデル仕様よりも優れたモデル仕様を開発することを推奨する。
さらに、政策や計画に影響を及ぼしたい場合、旅行需要モデリング全体で共同研究のアプローチを拡大する必要がある。
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。