論文の概要: Optimizing Bus Travel: A Novel Approach to Feature Mining with P-KMEANS
and P-LDA Algorithms
- arxiv url: http://arxiv.org/abs/2312.01687v1
- Date: Mon, 4 Dec 2023 07:21:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 16:03:11.459725
- Title: Optimizing Bus Travel: A Novel Approach to Feature Mining with P-KMEANS
and P-LDA Algorithms
- Title（参考訳）: バス旅行の最適化:P-KMEANSとP-LDAアルゴリズムによる特徴マイニングの新しいアプローチ
- Authors: Hongjie Liu, Haotian Shi, Sicheng Fu, Tengfei Yuan, Xinhuan Zhang,
Hongzhe Xu, Bin Ran
- Abstract要約: 本研究では,POI(Point of Interest)データに根ざしたバス走行特徴抽出手法を提案する。
本手法は, 年齢, 職業, 性別, スポーツ, コスト, 安全性, 性格特性など, バス旅行の多様な側面をマイニングする。
- 参考スコア（独自算出の注目度）: 12.67101421854941
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Customizing services for bus travel can bolster its attractiveness, optimize
usage, alleviate traffic congestion, and diminish carbon emissions. This
potential is realized by harnessing recent advancements in positioning
communication facilities, the Internet of Things, and artificial intelligence
for feature mining in public transportation. However, the inherent complexities
of disorganized and unstructured public transportation data introduce
substantial challenges to travel feature extraction. This study presents a bus
travel feature extraction method rooted in Point of Interest (POI) data,
employing enhanced P-KMENAS and P-LDA algorithms to overcome these limitations.
While the KMEANS algorithm adeptly segments passenger travel paths into
distinct clusters, its outcomes can be influenced by the initial K value. On
the other hand, Latent Dirichlet Allocation (LDA) excels at feature
identification and probabilistic interpretations yet encounters difficulties
with feature intermingling and nuanced sub-feature interactions. Incorporating
the POI dimension enhances our understanding of travel behavior, aligning it
more closely with passenger attributes and facilitating easier data analysis.
By incorporating POI data, our refined P-KMENAS and P-LDA algorithms grant a
holistic insight into travel behaviors and attributes, effectively mitigating
the limitations above. Consequently, this POI-centric algorithm effectively
amalgamates diverse POI attributes, delineates varied travel contexts, and
imparts probabilistic metrics to feature properties. Our method successfully
mines the diverse aspects of bus travel, such as age, occupation, gender,
sports, cost, safety, and personality traits. It effectively calculates
relationships between individual travel behaviors and assigns explanatory and
evaluative probabilities to POI labels, thereby enhancing bus travel
optimization.
- Abstract（参考訳）: バス旅行のサービスをカスタマイズすることは、その魅力を高め、利用を最適化し、渋滞を緩和し、二酸化炭素排出量を減らすことができる。
このポテンシャルは、公共交通機関における機能マイニングのための通信施設、モノのインターネット、人工知能の最近の進歩を活用して実現されている。
しかし、非構造化・非構造化公共交通データの固有の複雑さは、旅行の特徴抽出に実質的な課題をもたらす。
本研究では,P-KMENASアルゴリズムとP-LDAアルゴリズムを用いて,POI(Point of Interest)データに根ざしたバス走行特徴抽出手法を提案する。
KMEANSアルゴリズムは乗客の移動経路を異なるクラスタに分割するが、その結果は初期K値の影響を受け得る。
一方、LDA(Latent Dirichlet Allocation)は特徴識別と確率論的解釈に優れるが、機能干渉とニュアンスサブ機能相互作用の困難に遭遇する。
POI次元を組み込むことで、旅行行動の理解を深め、乗客属性とより緊密に連携し、データ分析を容易にする。
POIデータを組み込むことで、P-KMENASとP-LDAアルゴリズムは旅行行動や属性に関する総合的な洞察を与え、上記の制限を効果的に緩和する。
したがって、このPOI中心のアルゴリズムは、様々なPOI属性を効果的にアマルガットし、様々な旅行コンテキストを規定し、特徴特性に確率的指標を与える。
本手法は, 年齢, 職業, 性別, スポーツ, 費用, 安全, 性格特性など, バス旅行の多様な側面を発掘することに成功した。
個々の旅行行動の関係を効果的に計算し、説明的および評価的確率をPOIラベルに割り当て、バス旅行最適化を強化する。
関連論文リスト
- Semantic Trajectory Data Mining with LLM-Informed POI Classification [11.90100976089832]
セマンティック情報を用いた人旅行トラジェクトリマイニングのための新しいパイプラインを提案する。
提案手法は,POI分類において93.4%の精度,96.1%のF-1スコア,91.7%の精度,92.3%のF-1スコアを活性推論で達成する。
論文 参考訳（メタデータ） (2024-05-20T01:29:45Z) - Wireless Crowd Detection for Smart Overtourism Mitigation [50.031356998422815]
この章では、モバイルデバイスのワイヤレスアクティビティに基づいたオーバツーリズムを監視するための、低コストなアプローチについて説明する。
群集センサは、無線技術のトレース要素を検出することで、周囲のモバイルデバイスの数をカウントする。
いくつかの技術で検出プログラムを実行し、指紋解析の結果は匿名データベースにのみローカルに保存される。
論文 参考訳（メタデータ） (2024-02-14T13:20:24Z) - Anchoring Path for Inductive Relation Prediction in Knowledge Graphs [69.81600732388182]
APSTはAPとCPを統一されたSentence Transformerアーキテクチャの入力として扱う。
我々は3つの公開データセット上でAPSTを評価し、36のトランスダクティブ、インダクティブ、および数ショットの実験的設定のうち30の最先端(SOTA)性能を達成する。
論文 参考訳（メタデータ） (2023-12-21T06:02:25Z) - Analysis and mining of low-carbon and energy-saving tourism data
characteristics based on machine learning algorithm [0.0]
本稿では,機械学習アルゴリズムに基づく低炭素省エネルギー旅行データの特徴分析とマイニングを提案する。
筆者らはK平均クラスタリングアルゴリズムを用いて住民の低炭素移動意欲の強さを分類する。
論文 参考訳（メタデータ） (2023-12-04T14:32:54Z) - Urban Regional Function Guided Traffic Flow Prediction [117.75679676806296]
メタデータとして各領域の機能を利用するPOI-MetaBlockという新しいモジュールを提案する。
我々のモジュールはトラフィックフロー予測の性能を大幅に改善し、メタデータを使用する最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-03-17T06:03:49Z) - MASS: Mobility-Aware Sensor Scheduling of Cooperative Perception for
Connected Automated Driving [19.66714697653504]
コラボレーティブ・パーセプション(CP)と呼ばれる新しいパラダイムが、コラボレーティブ・ビークル(CoV)からのセンサデータを共有することで救助にやってくる。
既存の方法は、近くの車両からの知覚の利得を予測するために、可視性マップのようなメタ情報交換に依存している。
CPの分散スケジューリングにおいて,スケジューリング中に学習する新しい手法を提案する。
提案したMASSアルゴリズムは,他の学習ベースアルゴリズムと比較して,最大4.2ポイントのリコール率向上を実現している。
論文 参考訳（メタデータ） (2023-02-25T09:03:05Z) - Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ
LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。
本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
論文 参考訳（メタデータ） (2022-05-24T20:51:37Z) - Sequential Information Design: Markov Persuasion Process and Its
Efficient Reinforcement Learning [156.5667417159582]
本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。
MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。
我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
論文 参考訳（メタデータ） (2022-02-22T05:41:43Z) - Vehicular Cooperative Perception Through Action Branching and Federated
Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。
車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。
その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文 参考訳（メタデータ） (2020-12-07T02:09:15Z) - Leveraging the Self-Transition Probability of Ordinal Pattern Transition
Graph for Transportation Mode Classification [0.0]
本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。
提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
論文 参考訳（メタデータ） (2020-07-16T23:25:09Z) - Study on Key Technologies of Transit Passengers Travel Pattern Mining
and Applications based on Multiple Sources of Data [1.370633147306388]
本稿では,移動客の移動パターンと行動選好をマイニングするための一連の手法を提案する。
これらの知識を交通システムの調整と最適化に利用しています。
論文 参考訳（メタデータ） (2020-05-26T22:35:28Z)
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。