論文の概要: Advantages of Machine Learning in Bus Transport Analysis
- arxiv url: http://arxiv.org/abs/2310.19810v1
- Date: Mon, 16 Oct 2023 13:02:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-05 13:26:06.383960
- Title: Advantages of Machine Learning in Bus Transport Analysis
- Title（参考訳）: バス輸送解析における機械学習の利点
- Authors: Amirsadegh Roshanzamir
- Abstract要約: 教師付き機械学習アルゴリズムを用いて,テヘランBRTバスシステムの周期性に寄与する要因を解析する。
所定時間帯の性能基準を満たすバス経路を予測できる正確なモデルを構築した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Supervised Machine Learning is an innovative method that aims to mimic human
learning by using past experiences. In this study, we utilize supervised
machine learning algorithms to analyze the factors that contribute to the
punctuality of Tehran BRT bus system. We gather publicly available datasets of
2020 to 2022 from Municipality of Tehran to train and test our models. By
employing various algorithms and leveraging Python's Sci Kit Learn and Stats
Models libraries, we construct accurate models capable of predicting whether a
bus route will meet the prescribed standards for on-time performance on any
given day. Furthermore, we delve deeper into the decision-making process of
each algorithm to determine the most influential factor it considers. This
investigation allows us to uncover the key feature that significantly impacts
the effectiveness of bus routes, providing valuable insights for improving
their performance.
- Abstract（参考訳）: Supervised Machine Learningは、過去の経験を使って人間の学習を模倣することを目的とした革新的な手法である。
本研究では,テヘランBRTバスシステムの周期性に寄与する要因を,教師付き機械学習アルゴリズムを用いて解析する。
テヘラン市から2020年から2022年までの公開データセットを収集して、モデルをトレーニングし、テストしています。
様々なアルゴリズムを採用し,PythonのSci Kit Learn and Stats Modelsライブラリを活用することで,バスルートが特定の日のオンタイムパフォーマンスの所定の基準を満たすかどうかを予測できる正確なモデルを構築する。
さらに、各アルゴリズムの意思決定過程を深く掘り下げて、最も影響力のある要因を判断する。
この調査により,バス経路の有効性に大きな影響を及ぼす重要な特徴を明らかにすることができ,性能向上のための貴重な洞察を提供することができる。
関連論文リスト
- PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳（メタデータ） (2023-09-13T17:55:11Z) - Recent Advances in Optimal Transport for Machine Learning [5.492296610282042]
2012～2023年の間に、マシンラーニングのための最適なトランスポートのコントリビューションを検討します。
機械学習の4つのサブフィールド(教師なし、教師なし、転送、強化学習)に焦点を当てる。
計算最適輸送とその拡張の最近の発展に注目した。
論文 参考訳（メタデータ） (2023-06-28T12:37:23Z) - A Survey on the Integration of Machine Learning with Sampling-based
Motion Planning [9.264471872135623]
本調査は、サンプリングベースモーションプランナー(SBMP)の計算効率と適用性を改善するための機械学習の取り組みを概観する。
まず、ノードサンプリング、衝突検出、距離または最も近い隣人、ローカルプランニング、終了条件など、SBMPのキーコンポーネントの強化に学習がどのように使われているかについて論じる。
また、機械学習を用いてロボットのデータ駆動モデルを提供し、それをSBMPで使用する方法についても論じている。
論文 参考訳（メタデータ） (2022-11-15T18:13:49Z) - Machine Learning-Augmented Optimization of Large Bilevel and Two-stage Stochastic Programs: Application to Cycling Network Design [4.092552518040045]
我々は、多数の独立したフォロワーを持つバイレベルプログラムを解くための機械学習アプローチを提案する。
機械学習モデルを用いて、アンサンプされたフォロワーの客観的な価値を推定する。
現在の慣行と比較して、我々の手法は輸送距離を19.2%改善し、1800万ドルのコスト削減につながる可能性がある。
論文 参考訳（メタデータ） (2022-09-20T01:43:38Z) - On the Choice of Data for Efficient Training and Validation of
End-to-End Driving Models [32.381828309166195]
エンド・ツー・エンドでトレーニング可能なディープ・ドライビング・モデルのトレーニングと検証に対するデータ設計選択の影響について検討する。
検証設計により、検証中に測定された駆動性能を未知のテスト環境に一般化できることを示す。
論文 参考訳（メタデータ） (2022-06-01T16:25:28Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement
Learning [52.2663102239029]
アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。
本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。
配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
論文 参考訳（メタデータ） (2021-03-08T05:34:05Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-26T02:08:07Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳（メタデータ） (2020-11-17T22:24:26Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z)
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。