論文の概要: Enhancing Next Destination Prediction: A Novel LSTM Approach Using
Real-World Airline Data
- arxiv url: http://arxiv.org/abs/2401.12830v1
- Date: Tue, 23 Jan 2024 15:07:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 15:20:20.219097
- Title: Enhancing Next Destination Prediction: A Novel LSTM Approach Using
Real-World Airline Data
- Title(参考訳): 次世代のデスティネーション予測の強化:実世界の航空データを用いた新しいLSTMアプローチ
- Authors: Salih Salihoglu, Gulser Koksal, Orhan Abar
- Abstract要約: 本研究では,旅行データにおける逐次パターンや依存関係を正確に把握するモデルの開発に焦点をあてる。
交通業界における目的地予測のために,スライディングウインドウを用いた新しいモデルアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the modern transportation industry, accurate prediction of travelers' next
destinations brings multiple benefits to companies, such as customer
satisfaction and targeted marketing. This study focuses on developing a precise
model that captures the sequential patterns and dependencies in travel data,
enabling accurate predictions of individual travelers' future destinations. To
achieve this, a novel model architecture with a sliding window approach based
on Long Short-Term Memory (LSTM) is proposed for destination prediction in the
transportation industry. The experimental results highlight satisfactory
performance and high scores achieved by the proposed model across different
data sizes and performance metrics. This research contributes to advancing
destination prediction methods, empowering companies to deliver personalized
recommendations and optimize customer experiences in the dynamic travel
landscape.
- Abstract(参考訳): 現代の交通業界では、旅行者の次の目的地を正確に予測することは、顧客満足やターゲットマーケティングといった企業に多くの利益をもたらす。
本研究は,旅行データの逐次パターンと依存関係を捉え,個々の旅行者の将来の目的地を正確に予測する精密モデルの開発に焦点をあてる。
そこで交通産業における目的地予測のために,long short-term memory (lstm) に基づくスライディングウインドウアプローチによる新しいモデルアーキテクチャを提案する。
実験結果は,データサイズや性能指標の異なるモデルによって達成された満足な性能と高いスコアを強調した。
本研究は、目的地予測手法の推進、企業へのパーソナライズされたレコメンデーションの提供、動的旅行環境における顧客エクスペリエンスの最適化に寄与する。
関連論文リスト
- Predicting the Skies: A Novel Model for Flight-Level Passenger Traffic
Forecasting [0.0]
本研究では,飛行レベルの旅客輸送を予測するための新しい多モード深層学習手法を提案する。
本モデルでは, フライト毎に, 過去の交通情報, 運賃情報, 季節特性を収集する。
従来のベンチマークと比較すると,平均二乗誤差はおよそ33%改善した。
論文 参考訳(メタデータ) (2024-01-07T06:51:26Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - Exploring Deep Learning Approaches to Predict Person and Vehicle Trips:
An Analysis of NHTS Data [0.0]
本研究では、旅行予測へのアプローチ方法を変えるためのディープラーニング技術の可能性を探求する。
我々は、人や車の旅行を予測するためのディープラーニングモデルを開発し、訓練した。
人的旅行予測では98%,自動車旅行推定では96%の精度が得られた。
論文 参考訳(メタデータ) (2023-08-10T16:06:10Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - How do you go where? Improving next location prediction by learning
travel mode information using transformers [6.003006906852134]
本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。
特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。
実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
論文 参考訳(メタデータ) (2022-10-08T19:36:58Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-29T17:58:12Z) - Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。
提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。
我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文 参考訳(メタデータ) (2022-03-21T17:59:40Z) - LaPred: Lane-Aware Prediction of Multi-Modal Future Trajectories of
Dynamic Agents [10.869902339190949]
本稿では,レーンアウェア予測 (lapred) ネットワークと呼ばれる新しい予測モデルを提案する。
LaPredは、セマンティックマップから抽出されたインスタンスレベルのレーンエンティティを使用して、マルチモーダルな将来の軌跡を予測する。
公開nuScenesとArgoverseデータセットで実施された実験は、提案したLaPred法が既存の予測モデルを大幅に上回ることを示した。
論文 参考訳(メタデータ) (2021-04-01T04:33:36Z) - A machine learning approach to itinerary-level booking prediction in
competitive airline markets [0.0]
競合データ、価格、ソーシャルメディア、安全、航空会社のレビューなど、複数のソースからのデータを組み合わせています。
顧客行動は価格に敏感でスケジュールに敏感で快適なODに分類できることを示す。
このモデルは、従来の時系列予測よりも高い収益をもたらす予測を生成する。
論文 参考訳(メタデータ) (2021-03-15T14:32:11Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z)
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。