論文の概要: A Regression Mixture Model to understand the effect of the Covid-19 pandemic on Public Transport Ridership

• arxiv url: http://arxiv.org/abs/2402.12392v1
• Date: Fri, 16 Feb 2024 09:37:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 19:02:59.250718
• Title: A Regression Mixture Model to understand the effect of the Covid-19 pandemic on Public Transport Ridership
• Title（参考訳）: Covid-19パンデミックが公共交通機関に対する影響を理解するための回帰混合モデル
• Authors: Hugues Moreau, \'Etienne C\^ome, Allou Sam\'e, Latifa Oukhellou
• Abstract要約: 本稿では,公共交通機関のクラスタリングと時間分割を両立できる専用回帰混合モデルを提案する。 パリの公共交通機関における乗客の5年間のデータセットのおかげで、パンデミックの影響を分析しました。
• 参考スコア（独自算出の注目度）: 2.164975887581861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Covid-19 pandemic drastically changed urban mobility, both during the height of the pandemic with government lockdowns, but also in the longer term with the adoption of working-from-home policies. To understand its effects on rail public transport ridership, we propose a dedicated Regression Mixture Model able to perform both the clustering of public transport stations and the segmentation of time periods, while ignoring variations due to additional variables such as the official lockdowns or non-working days. Each cluster is thus defined by a series of segments in which the effect of the exogenous variables is constant. As each segment within a cluster has its own regression coefficients to model the impact of the covariates, we analyze how these coefficients evolve to understand the changes in the cluster. We present the regression mixture model and the parameter estimation using the EM algorithm, before demonstrating the benefits of the model on both simulated and real data. Thanks to a five-year dataset of the ridership in the Paris public transport system, we analyze the impact of the pandemic, not only in terms of the number of travelers but also on the weekly commute. We further analyze the specific changes that the pandemic caused inside each cluster.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)のパンデミックは、政府のロックダウンによるパンデミックの最盛期にも、在宅勤務政策の導入によっても、都市移動を大きく変えた。 鉄道公共交通機関の乗務員への影響を理解するために,公共交通局のクラスタリングと時間帯の分割を両立できる専用回帰混合モデルを提案し,公式のロックダウンや非作業日などの追加変数による変動を無視する。 したがって、各クラスタは、外生変数の効果が定数である一連のセグメントによって定義される。 クラスタ内の各セグメントは、共変量の影響をモデル化する独自の回帰係数を持つので、これらの係数がどのように進化してクラスタの変化を理解するかを分析する。 シミュレーションデータと実データの両方においてモデルの有効性を示す前に,emアルゴリズムを用いた回帰混合モデルとパラメータ推定を提案する。 パリ公共交通システム(paris public transport system)における5年間の乗車率データセットのおかげで、旅行者数だけでなく毎週の通勤にも、パンデミックの影響を分析できる。 さらに,各クラスタ内で発生したパンデミックの具体的変化についても分析する。

関連論文リスト

• Modeling, Inference, and Prediction in Mobility-Based Compartmental Models for Epidemiology [5.079807662054658]
  疾患の伝達と制御の鍵となる要因として,個人の移動が紹介される。 各区画の移動度分布関数を用いて, 疾患の動態を特徴付ける。 感染集団の時系列から移動度分布を推定する。
  論文  参考訳（メタデータ） (2024-06-17T18:13:57Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Forecasting Auxiliary Energy Consumption for Electric Heavy-Duty Vehicles [6.375656754994484]
  電気自動車の運転を最適化するためには、エネルギー消費予測が不可欠である。 本稿では、データのサブセット上で複数の回帰モデルをトレーニングすることで、潜在的な解決策を実証する。 合成データセットと実世界のデータセットの両方の実験では、複雑な問題をより単純なデータセットに分割することで、より良い回帰性能と解釈可能性が得られることが示されている。
  論文  参考訳（メタデータ） (2023-11-27T16:52:25Z)
• Causal Analysis and Prediction of Human Mobility in the U.S. during the COVID-19 Pandemic [0.0]
  米国における新型コロナウイルスの感染拡大以来、ほとんどの州は旅行制限を強制しており、移動度は大幅に低下している。 本研究は、このパンデミックの間、米国における人間の移動と旅行に最も影響を及ぼす要因を決定・分析する分析枠組みを開発する。
  論文  参考訳（メタデータ） (2021-11-24T05:15:12Z)
• Nonnegative Matrix Factorization to understand Spatio-Temporal Traffic Pattern Variations during COVID-19: A Case Study [5.5114073907045205]
  このデータから巨大な時間的トラフィックパターンを理解することが重要です。 ケーススタディは,CO-19VID中の時間的交通パターンの変化を理解するために行われた。 アウトプットは、パンデミックのさまざまな段階における交通管理や管理の分野で有用であり、道路交通の関連性は避けられない。
  論文  参考訳（メタデータ） (2021-11-05T16:24:43Z)
• CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
  本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。 我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-26T20:14:30Z)
• Harnessing Perceptual Adversarial Patches for Crowd Counting [92.79051296850405]
  群衆のカウントは、物理的な世界の敵の例に弱い。 本稿では,モデル間での知覚的特徴の共有を学習するためのPAP(Perceptual Adrial Patch)生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:51:39Z)
• Routine Clustering of Mobile Sensor Data Facilitates Psychotic Relapse Prediction in Schizophrenia Patients [2.7423978784152743]
  本研究では,連続的マルチモーダル移動センシングデータからリラプス予測タスクへの行動表現を得るために,クラスタリングモデルを開発することを目的とする。 特定されたクラスターは、患者の日常生活に関連する行動傾向と、差し迫った再発に関連する非定型的行動傾向を表わすことができる。
  論文  参考訳（メタデータ） (2021-06-22T02:27:45Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)
• When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
  新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。 さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。 本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
  論文  参考訳（メタデータ） (2020-05-13T18:21:50Z)

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。