論文の概要: A Global Transport Capacity Risk Prediction Method for Rail Transit Based on Gaussian Bayesian Network

• arxiv url: http://arxiv.org/abs/2308.01556v1
• Date: Thu, 3 Aug 2023 06:36:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 15:07:00.327865
• Title: A Global Transport Capacity Risk Prediction Method for Rail Transit Based on Gaussian Bayesian Network
• Title（参考訳）: ガウスベイジアンネットワークに基づく鉄道交通のグローバル交通容量リスク予測手法
• Authors: Zhang Zhengyang and Dong Wei and Liu jun and Sun Xinya and Ji Yindong
• Abstract要約: 本稿では,鉄道輸送網の輸送能力と旅客輸送需要のミスマッチに起因する輸送能力リスクの予測問題について述べる。 鉄道交通システムのシミュレーションモデルに基づいて,予測モデルのトレーニングデータを取得する。
• 参考スコア（独自算出の注目度）: 2.639145056127198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aiming at the prediction problem of transport capacity risk caused by the mismatch between the carrying capacity of rail transit network and passenger flow demand, this paper proposes an explainable prediction method of rail transit network transport capacity risk based on linear Gaussian Bayesian network. This method obtains the training data of the prediction model based on the simulation model of the rail transit system with a three-layer structure including rail transit network, train flow and passenger flow. A Bayesian network structure construction method based on the topology of the rail transit network is proposed, and the MLE (Maximum Likelihood Estimation) method is used to realize the parameter learning of the Bayesian network. Finally, the effectiveness of the proposed method is verified by simulation examples.
• Abstract（参考訳）: 本稿では,鉄道交通網の搬送容量と旅客流量需要のミスマッチによる輸送容量リスクの予測問題に着目し,リニアガウス・ベイズネットワークに基づく鉄道交通網輸送容量リスクの説明可能な予測手法を提案する。 この方法は、鉄道交通網、列車流れ、旅客流を含む3層構造を有する鉄道交通システムのシミュレーションモデルに基づいて予測モデルのトレーニングデータを得る。 鉄道交通網のトポロジに基づくベイジアンネットワーク構造構築手法を提案し, ベイジアンネットワークのパラメータ学習を実現するために, MLE (Maximum Likelihood Estimation) 手法を用いた。 最後に,提案手法の有効性をシミュレーション例で検証した。

関連論文リスト

• IPF-HMGNN: A novel integrative prediction framework for metro passenger flow [7.1307454420513245]
  階層型メッセージパッシンググラフニューラルネットワーク(IPF-HMGNN)を用いた新しい統合予測フレームワークを提案する。 従来の予測手法では、我々のIPF-HMGNNは、GNN予測モデルの平均絶対誤差(MAE)と根平均二乗誤差(RMSE)をそれぞれ49.56%、53.88%削減できる。 階層的予測アプローチでは、IPF-HMGNNは、階層的制約を満たすことなく、MAEで35.32%、RMSEで36.18%の最大還元を達成することができる。
  論文  参考訳（メタデータ） (2024-09-21T11:11:05Z)
• Informed along the road: roadway capacity driven graph convolution network for network-wide traffic prediction [4.233357765212044]
  本研究では,道路駆動グラフ畳み込みネットワーク(RCDGCN)モデルを導入し,静的キャパシティ特性を時間的設定に組み込んでネットワーク全体のトラフィック状態を予測する。 その結果, RCDGCN の精度は, ベースライン法よりも優れていた。 本研究は,交通システム管理にRCCGCNを用いることの可能性を示す。
  論文  参考訳（メタデータ） (2024-06-18T21:04:23Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• A transport approach to sequential simulation-based inference [0.0]
  静的モデルパラメータの逐次ベイズ推定を効率的に行うためのトランスポートベース手法を提案する。 この戦略は、パラメータとデータの合同分布から条件分布を抽出し、構造化された(例えば、ブロック三角形)輸送マップを推定する。 これにより、モデルのないオンラインフェーズにおける輸送マップによる後部密度の勾配に基づく特徴付けが可能になる。
  論文  参考訳（メタデータ） (2023-08-26T18:53:48Z)
• Neural Optimal Transport [82.2689844201373]
  本稿では、最適な輸送マップを計算し、強力で弱い輸送コストを計画するニューラルネットベースの新しいアルゴリズムを提案する。 ニューラルネットワークが確率分布間の輸送計画の普遍的近似であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T16:24:13Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
  我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。 提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
  論文  参考訳（メタデータ） (2021-07-02T10:11:51Z)
• Optimal transport in multilayer networks [68.8204255655161]
  本稿では,各層上の最適フローが,コストの最小化に寄与するモデルを提案する。 アプリケーションとして,各層が異なる輸送システムに関連付けられている交通ネットワークを考察する。 この結果の例をボルドー市とバスと路面電車の2層ネットワークで示し、ある状況下では路面電車網の存在が道路網の交通を著しく覆い隠している。
  論文  参考訳（メタデータ） (2021-06-14T07:33:09Z)
• Integrated Traffic Simulation-Prediction System using Neural Networks with Application to the Los Angeles International Airport Road Network [39.975268616636]
  提案システムは,最適化に基づくOD行列生成手法と,トラフィックフローのパターンを介してOD行列を予測するニューラルネットワーク(NN)モデルと,微視的トラフィックシミュレータを含む。 ロサンゼルス国際空港(LAX)中央ターミナルエリア(CTA)の道路ネットワーク上で提案システムをテストする。
  論文  参考訳（メタデータ） (2020-08-05T01:41:10Z)
• Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
  交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。 本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。 我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
  論文  参考訳（メタデータ） (2020-07-06T12:31:27Z)

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。