論文の概要: Enhancing Next Destination Prediction: A Novel Long Short-Term Memory Neural Network Approach Using Real-World Airline Data
- arxiv url: http://arxiv.org/abs/2401.12830v2
- Date: Mon, 16 Sep 2024 14:40:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-18 03:05:43.342506
- Title: Enhancing Next Destination Prediction: A Novel Long Short-Term Memory Neural Network Approach Using Real-World Airline Data
- Title（参考訳）: 次決定予測の強化: 実世界の航空データを用いた長期記憶ニューラルネットワークアプローチ
- 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-nc-nd/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）: 近代交通業界では、旅行者の次の目的地の正確な予測は、顧客満足度やターゲットマーケティングなど、企業にとって多くの利益をもたらす。
本研究は、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し、旅行者の将来の目的地を正確に予測できるモデルを開発することに焦点を当てる。
これを実現するために,輸送産業における目的地予測のために,LSTM(Long Short-Term Memory)に基づくスライディングウインドウ手法を用いた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、目的地予測手法の進歩、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、ダイナミックな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
- Human Action Anticipation: A Survey [86.415721659234]
行動予測に関する文献は、行動予測、活動予測、意図予測、目標予測など、様々なタスクにまたがる。
我々の調査は、この断片化された文献を結びつけることを目的としており、最近の技術革新とモデルトレーニングと評価のための新しい大規模データセットの開発をカバーしています。
論文 参考訳（メタデータ） (2024-10-17T21:37:40Z) - Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。
私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。
私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文 参考訳（メタデータ） (2024-06-12T11:50:51Z) - 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) - A Survey on Service Route and Time Prediction in Instant Delivery:
Taxonomy, Progress, and Prospects [58.746820564288846]
Route&Time Prediction (RTP) は、労働者の到着時間だけでなく、将来のサービス経路を推定することを目的としている。
これまで多くのアルゴリズムが開発されてきたが、この領域の研究者を導くための体系的で包括的な調査は行われていない。
提案手法は,2つの基準に基づいて分類される: (i) タスクのタイプ, (i) 時間のみの予測, (ii) シーケンスベースモデルとグラフベースモデルを含むモデルアーキテクチャ, (iii) 教師付き学習(SL) とDeep Reinforcementを含む学習パラダイム。
論文 参考訳（メタデータ） (2023-09-03T14:43:33Z) - 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) - 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) - 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。