論文の概要: Exploring the Multi-modal Demand Dynamics During Transport System Disruptions

• arxiv url: http://arxiv.org/abs/2307.00877v1
• Date: Mon, 3 Jul 2023 09:15:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 13:49:53.207217
• Title: Exploring the Multi-modal Demand Dynamics During Transport System Disruptions
• Title（参考訳）: 交通システムの破壊に伴うマルチモーダル需要動態の解明
• Authors: Ali Shateri Benam, Angelo Furno, Nour-Eddin El Faouzi
• Abstract要約: 本研究は、データ駆動型アプローチを用いて、ディスラプション下でのマルチモーダル需要ダイナミクスを探索する。 まず、過去の時間旅行需要データから異常なインスタンスを自動的に検出する手法を開発した。 そして、これらの異常時間にクラスタリングを適用し、破壊時に発生する様々な形態のマルチモーダル需要動態を識別する。
• 参考スコア（独自算出の注目度）: 0.47267770920095536
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Various forms of disruption in transport systems perturb urban mobility in different ways. Passengers respond heterogeneously to such disruptive events based on numerous factors. This study takes a data-driven approach to explore multi-modal demand dynamics under disruptions. We first develop a methodology to automatically detect anomalous instances through historical hourly travel demand data. Then we apply clustering to these anomalous hours to distinguish various forms of multi-modal demand dynamics occurring during disruptions. Our study provides a straightforward tool for categorising various passenger responses to disruptive events in terms of mode choice and paves the way for predictive analyses on estimating the scope of modal shift under distinct disruption scenarios.
• Abstract（参考訳）: 交通システムの様々な形態のディスラプションは、異なる方法で都市移動を揺るがす。 乗客は、多くの要因に基づいて、このような破壊的な出来事に不均一に反応する。 本研究は、データ駆動型アプローチを用いて、ディスラプション下でのマルチモーダル需要ダイナミクスを探索する。 まず,過去の時間旅行需要データから異常インスタンスを自動的に検出する手法を開発した。 そして、これらの異常時間にクラスタリングを適用し、破壊時に発生する様々な形態のマルチモーダル需要動態を識別する。 本研究は,モード選択による破壊事象に対する様々な乗客の反応を分類し,異なる破壊シナリオ下でのモーダルシフトの範囲を推定する予測的分析を行うための簡単なツールを提供する。

関連論文リスト

• Multi-View Neural Differential Equations for Continuous-Time Stream Data in Long-Term Traffic Forecasting [10.70370586311912]
  我々は,Multi-View Neural Differential Equationsと呼ばれる新しいNDEアーキテクチャを提案する。 我々のモデルは、遅延した複数の表現を学習することで、現在の状態、遅延状態、および異なる状態変数(ビュー)の傾向を捉えます。 提案手法は最先端技術より優れ,ノイズや入力の欠如による堅牢性を実現している。
  論文  参考訳（メタデータ） (2024-08-12T18:49:02Z)
• Endogenous Macrodynamics in Algorithmic Recourse [52.87956177581998]
  対実説明(CE)とアルゴリズム・リコース(AR)に関する既存の研究は、静的環境における個人に主に焦点を当ててきた。 既存の方法論の多くは、一般化されたフレームワークによってまとめて記述できることを示す。 次に、既存のフレームワークは、グループレベルでの言論の内在的ダイナミクスを研究する際にのみ明らかとなるような、隠された対外的関係のコストを考慮に入れていないと論じる。
  論文  参考訳（メタデータ） (2023-08-16T07:36:58Z)
• Deep reinforcement learning for the dynamic vehicle dispatching problem: An event-based approach [0.0]
  この問題を半マルコフ決定プロセスとしてモデル化することで、時間を連続的に扱うことができます。 イベントベースのアプローチは決定空間の複雑さを大幅に減らし、離散時間モデルの他の制限を克服する、と我々は主張する。 その結果、我々の政策は平均待ち時間、キャンセル率、サービス全体の時間に優れており、他のテスト済みのポリシーと比較して最大50%の削減が期待できることがわかった。
  論文  参考訳（メタデータ） (2023-07-13T16:29:25Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Automatic extraction of similar traffic scenes from large naturalistic datasets using the Hausdorff distance [0.0]
  集合の数学的距離計量であるハウスドルフ距離を用いる4段階抽出法を提案する。 この方法により、コストと時間を要する運転シミュレーション実験を必要とせず、操作的および戦術的人間の行動の変動について検討することができる。
  論文  参考訳（メタデータ） (2022-06-17T06:59:51Z)
• Nonnegative Matrix Factorization to understand Spatio-Temporal Traffic Pattern Variations during COVID-19: A Case Study [5.5114073907045205]
  このデータから巨大な時間的トラフィックパターンを理解することが重要です。 ケーススタディは,CO-19VID中の時間的交通パターンの変化を理解するために行われた。 アウトプットは、パンデミックのさまざまな段階における交通管理や管理の分野で有用であり、道路交通の関連性は避けられない。
  論文  参考訳（メタデータ） (2021-11-05T16:24:43Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)
• Studying Person-Specific Pointing and Gaze Behavior for Multimodal Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
  物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。 既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。 本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
  論文  参考訳（メタデータ） (2020-09-23T14:56:19Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
  深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。 これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。 本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
  論文  参考訳（メタデータ） (2020-05-13T14:22:20Z)
• MCENET: Multi-Context Encoder Network for Homogeneous Agent Trajectory Prediction in Mixed Traffic [35.22312783822563]
  都市混合交通圏における軌道予測は多くのインテリジェント交通システムにとって重要である。 本稿では,過去と未来の両方のシーンコンテキストを符号化して学習するマルチコンテキストネットワーク(MCENET)を提案する。 推定時間において,対象エージェントの過去の状況と動作情報と潜伏変数のサンプリングを組み合わせ,複数の現実的軌跡を予測する。
  論文  参考訳（メタデータ） (2020-02-14T11:04:41Z)

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。