Fugu-MT 論文翻訳(概要): METcross: A framework for short-term forecasting of cross-city metro passenger flow

論文の概要: METcross: A framework for short-term forecasting of cross-city metro passenger flow

arxiv url: http://arxiv.org/abs/2409.01515v1
Date: Tue, 3 Sep 2024 01:04:10 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 03:35:27.483747
Title: METcross: A framework for short-term forecasting of cross-city metro passenger flow
Title（参考訳）: METcross:都市横断流の短期予測のためのフレームワーク
Authors: Wenbo Lu, Jinhua Xu, Peikun Li, Ting Wang, Yong Zhang,
Abstract要約: 本研究は、都市間知識を統合し、地下鉄の短期乗客フロー予測フレームワーク(METcross)を開発する。本稿では,データ融合と移動学習の観点から都市間交通流予測をモデル化するための基礎的枠組みを提案する。その結果、METcrossフレームワークは基本的なフレームワークよりもパフォーマンスが良く、平均絶対誤差(Mean Absolute Error)とルート平均正方誤差(Root Mean Squared Error)をそれぞれ22.35%、26.18%削減できることがわかった。
参考スコア（独自算出の注目度）: 12.520570617853625
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Metro operation management relies on accurate predictions of passenger flow in the future. This study begins by integrating cross-city (including source and target city) knowledge and developing a short-term passenger flow prediction framework (METcross) for the metro. Firstly, we propose a basic framework for modeling cross-city metro passenger flow prediction from the perspectives of data fusion and transfer learning. Secondly, METcross framework is designed to use both static and dynamic covariates as inputs, including economy and weather, that help characterize station passenger flow features. This framework consists of two steps: pre-training on the source city and fine-tuning on the target city. During pre-training, data from the source city trains the feature extraction and passenger flow prediction models. Fine-tuning on the target city involves using the source city's trained model as the initial parameter and fusing the feature embeddings of both cities to obtain the passenger flow prediction results. Finally, we tested the basic prediction framework and METcross framework on the metro networks of Wuxi and Chongqing to experimentally analyze their efficacy. Results indicate that the METcross framework performs better than the basic framework and can reduce the Mean Absolute Error and Root Mean Squared Error by 22.35% and 26.18%, respectively, compared to single-city prediction models.
Abstract（参考訳）: 地下鉄の運行管理は、将来的には乗客の流れの正確な予測に依存する。本研究は,首都圏における都市間知識の統合と,首都圏における短期旅客フロー予測フレームワーク(METcross)の開発から始まった。まず,データ融合と移動学習の観点から都市間交通流予測をモデル化するための基礎的枠組みを提案する。第二に、METcrossフレームワークは、静的および動的共変体の両方を、駅の乗客フローの特徴を特徴づける経済や天候などの入力として使用するように設計されている。このフレームワークは、ソースシティでの事前トレーニングと、ターゲット都市での微調整の2つのステップで構成されている。プレトレーニング中、ソースシティからのデータは特徴抽出と乗客フロー予測モデルを訓練する。対象都市の微調整には、ソースシティのトレーニングされたモデルを初期パラメータとして使用し、両方の都市の特徴埋め込みを融合させることで、乗客のフロー予測結果を得る。最後に、WuxiとCongqingのメトロネットワーク上で、基本的な予測フレームワークとMETcrossフレームワークを試験し、その効果を実験的に分析した。その結果、METcrossフレームワークは基本的なフレームワークよりも優れており、単都市予測モデルと比較して平均絶対誤差とルート平均正方誤差を22.35%、26.18%削減できることがわかった。

関連論文リスト

AdaOcc: Adaptive Forward View Transformation and Flow Modeling for 3D Occupancy and Flow Prediction [56.72301849123049]
CVPR 2024 における nuScenes Open-Occ データセットチャレンジにおいて,視覚中心の3次元活動とフロー予測トラックのソリューションを提案する。我々の革新的なアプローチは、適応的なフォワード・ビュー・トランスフォーメーションとフロー・モデリングを取り入れることで、3次元の占有率とフロー予測を向上させる2段階のフレームワークである。提案手法は回帰と分類を組み合わせることで,様々な場面におけるスケールの変動に対処し,予測フローを利用して将来のフレームに現行のボクセル特徴をワープする。
論文参考訳（メタデータ） (2024-07-01T16:32:15Z)
Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
検出、追跡、予測モジュールを個別に構築し、トレーニングします。その後、モジュールをよりよく統合し、複雑なエラーを軽減するために、連続的な微調整ステップのみを使用します。私たちのソリューションは、CVPR 2024 Workshop on Autonomous Drivingで開催されるArgoverse 2 end-to-end Forecasting Challengeで第1位です。
論文参考訳（メタデータ） (2024-06-12T11:50:51Z)
Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文参考訳（メタデータ） (2023-06-15T17:03:14Z)
Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction [10.300311879377734]
トランスファー駅やノントランスファー駅など、異なる地下鉄駅には独自の交通パターンがある。メトロステーションの複雑な時間的動的関係をモデル化することは困難である。
論文参考訳（メタデータ） (2022-04-06T08:07:40Z)
Interpretable Machine Learning Models for Modal Split Prediction in Transportation Systems [0.43012765978447565]
交通ネットワークにおけるモーダル分割予測は、交通渋滞の管理と交通サービスの信頼性向上にネットワークオペレーターをサポートする可能性がある。本研究では,高次元の旅行時間データを用いて,旅行者の時間差予測の問題に焦点をあてる。変数選択に様々な正則化手法を用いて、オーバーフィッティングを防止し、多重線形性の問題を解決する。
論文参考訳（メタデータ） (2022-03-27T02:59:00Z)
Spatial-Temporal Attention Fusion Network for short-term passenger flow prediction on holidays in urban rail transit systems [9.725264855780482]
都市鉄道交通システムの短期的旅客フロー予測は、交通の運用と管理において非常に重要である。既存のモデルのほとんどは、通常平日や週末に乗客の流れを予測するものである。ホリデーシーズンの短期的乗客フロー予測のために,時空間注意融合ネットワークという深層学習モデルを提案する。
論文参考訳（メタデータ） (2022-02-27T01:06:24Z)
Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文参考訳（メタデータ） (2021-07-02T10:11:51Z)
Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
論文参考訳（メタデータ） (2020-07-06T12:31:27Z)
TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-04-26T00:01:49Z)
AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting [4.415977307120616]
本稿では,首都圏の交通量を予測するための適応型アンサンブル(AdaEnsemble)学習手法を提案する。これは、変動モード分解(VMD)、季節的自己回帰統合移動平均(SARIMA)、多層パーセプトロンネットワーク(MLP)、長期記憶(LSTM)ネットワークの相補的な利点を組み合わせたものである。提案したAdaEnsembleラーニングアプローチは,最先端モデルと比較して最高の予測性能を持つだけでなく,深セン地下鉄における歴史的乗客フローデータに基づいて,最も有望かつ堅牢であると考えられる。
論文参考訳（メタデータ） (2020-02-18T14:18:53Z)
Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。