論文の概要: A Deep Neural Network Approach to Fare Evasion

• arxiv url: http://arxiv.org/abs/2405.17855v1
• Date: Tue, 28 May 2024 06:14:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 20:07:07.577549
• Title: A Deep Neural Network Approach to Fare Evasion
• Title（参考訳）: Fare Evasionのためのディープニューラルネットワークアプローチ
• Authors: Johannes van der Vyver,
• Abstract要約: 本研究の目的は公共交通機関における運賃回避の予測方法を探ることである。 LSTMモデルは、支払いと回避の間の乗客の行動を予測するために、これらのキーポイントに基づいて訓練される。 ReIDモデルはLSTMモデルと併用して精度を向上することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fare evasion is a problem for public transport companies, with LSTM models this issue can help companies get an analytical insight into where this issue occurs the most, to prevent capital loss. In addition to the financial burden this problem causes, having more inspectors is not enough to alleviate the problem. The purpose of this study is to find a different way to predict fare evasion in the public transport sector. Through the use of keypoint extractions of passengers in video footage, an LSTM model is trained on those keypoints to help predict the actions of passengers between payments and evasions. The results were promising when it came to predicting the actions of passengers on real-time footage. Thus a sophisticated approach can help to decrease the fare evasion problem. A ReID model can be used alongside the LSTM model for better accuracy, as there is always the chance that a person might only pay for the fare at a later stage. With both models, it is possible for public transport companies to start narrowing down where the root of their fare evasion problems emerges.
• Abstract（参考訳）: 公共交通機関にとってフェール回避は問題であり、LSTMモデルでは、この問題は企業が資本損失を防ぐために、最も問題が発生する場所について分析的な洞察を得るのに役立つ。 財政的な負担に加えて、この問題が引き起こされるため、検査官が増えるほど問題を緩和するには不十分である。 本研究の目的は公共交通機関における運賃回避の予測方法を探ることである。 映像中の乗客のキーポイント抽出により、LSTMモデルはこれらのキーポイント上で訓練され、支払いと回避の間の乗客の行動を予測する。 結果は、リアルタイムの映像で乗客の行動を予測した時に有望だった。 このように、洗練されたアプローチは、運賃回避の問題を軽減するのに役立つ。 ReIDモデルはLSTMモデルと併用して精度を向上することができる。 両モデルとも、公共交通機関が運賃回避問題の発生源を絞り込むことが可能である。

関連論文リスト

• DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models [31.509436717815102]
  本稿では,大規模言語モデル(DelayPTC-LLM)によるメトロ遅延を考慮した旅行選択予測手法を提案する。 従来の予測モデルとDelayPTC-LLMの比較分析は、輸送システムの破壊下で一般的に発生する複雑なスパースデータセットを扱う上で、LLMの優れた能力を示している。
  論文  参考訳（メタデータ） (2024-09-28T13:09:15Z)
• Steering Without Side Effects: Improving Post-Deployment Control of Language Models [61.99293520621248]
  言語モデル(LM)は、デプロイ後予期せず振る舞うことが示されている。 KL-then-steer (KTS) は, その利点を保ちながら, 操舵の副作用を低減する技術である。 本手法はLlama-2-chat-7Bモデルと比較して44%のジェイルブレイク攻撃を防ぐ。
  論文  参考訳（メタデータ） (2024-06-21T01:37:39Z)
• Large Language Models for Mobility in Transportation Systems: A Survey on Forecasting Tasks [8.548422411704218]
  機械学習とディープラーニングの方法は、その柔軟性と正確性に好まれる。 大規模言語モデル (LLMs) の出現に伴い、多くの研究者がこれらのモデルと過去の手法を組み合わせ、将来の交通情報や人間の旅行行動を直接予測するためにLLMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T02:54:43Z)
• Taxi dispatching strategies with compensations [2.952318265191524]
  本稿では,タクシー再割り当てを考慮した顧客への配車のための新しいアルゴリズムを提案する。 本稿では,個別に合理的なドライバーに依頼客に提案した修正案に同意させる経済補償スキームを提案する。
  論文  参考訳（メタデータ） (2024-01-21T17:54:46Z)
• Fair collaborative vehicle routing: A deep multi-agent reinforcement learning approach [49.00137468773683]
  協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。 従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。 我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-10-26T15:42:29Z)
• Beyond Labeling Oracles: What does it mean to steal ML models? [52.63413852460003]
  モデル抽出攻撃は、クエリアクセスのみで訓練されたモデルを盗むように設計されている。 モデル抽出攻撃の成功に影響を及ぼす要因について検討する。 我々は,ME攻撃の敵の目標を再定義するようコミュニティに促した。
  論文  参考訳（メタデータ） (2023-10-03T11:10:21Z)
• Understanding transit ridership in an equity context through a comparison of statistical and machine learning algorithms [0.0]
  より優れた旅行行動分析のためのビッグデータと機械学習(ML)アルゴリズムによる最近の実験は、主に社会的に不利なグループを見落としている。 カナダ・トロント大都市圏とハミルトン地区の交通投資に対する低所得者の旅行行動反応について検討する。 本研究は,低所得層に対するMLアルゴリズムによる旅行行動予測の強化の可能性を明らかにし,解釈可能性を大幅に損なうことなく検討した。
  論文  参考訳（メタデータ） (2022-11-30T04:48:58Z)
• Learning (Local) Surrogate Loss Functions for Predict-Then-Optimize Problems [58.954414264760956]
  決定焦点学習(Decision-Focused Learning, DFL)は、予測モデルを下流の最適化タスクに調整するためのパラダイムである。 本稿では,(a)最適化問題を解き,一般化可能なブラックボックスオラクルへのアクセスのみを必要とする忠実なタスク固有サロゲートを学習し,(b)勾配で凸し,容易に最適化できる手法を提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:46:54Z)
• Backdoor Attacks on Federated Learning with Lottery Ticket Hypothesis [49.38856542573576]
  フェデレート学習におけるエッジデバイスは通常、データセンターのサーバに比べて計算と通信のリソースがはるかに限られている。 本研究は,ロタリー・ティケットモデルが元の密集モデルと同様にバックドア攻撃に対して等しく脆弱であることを実証的に実証する。
  論文  参考訳（メタデータ） (2021-09-22T04:19:59Z)
• Survey: Leakage and Privacy at Inference Time [59.957056214792665]
  公開されている機械学習(ML)モデルからのデータの漏洩は、ますます重要になっている分野である。 公開モデルの最も可能性の高いシナリオとして、推論時のリークに注目します。 本稿では,不随意・不随意の漏洩,防御,そして現在利用可能な評価指標と応用にまたがる分類法を提案する。
  論文  参考訳（メタデータ） (2021-07-04T12:59:16Z)
• Real-time and Large-scale Fleet Allocation of Autonomous Taxis: A Case Study in New York Manhattan Island [14.501650948647324]
  従来のモデルは、供給(自動タクシー)と需要(トリップ)の不均衡に対処するために、利用可能な船隊を効率的に割り当てることに失敗した 艦隊配置決定をモデル化するために、制約付きマルチエージェントマルコフ決定プロセス(CMMDP)を用いる。 また、カラム生成アルゴリズムを利用して、大規模に効率性と最適性を保証する。
  論文  参考訳（メタデータ） (2020-09-06T16:00:15Z)

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。