論文の概要: IPF-HMGNN: A novel integrative prediction framework for metro passenger flow
- arxiv url: http://arxiv.org/abs/2409.14104v1
- Date: Sat, 21 Sep 2024 11:11:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 03:33:25.661535
- Title: IPF-HMGNN: A novel integrative prediction framework for metro passenger flow
- Title（参考訳）: IPF-HMGNN:メトロ旅客流の新たな統合予測フレームワーク
- Authors: Wenbo Lu, Yong Zhang, Hai L. Vu, Jinhua Xu, Peikun Li,
- Abstract要約: 階層型メッセージパッシンググラフニューラルネットワーク(IPF-HMGNN)を用いた新しい統合予測フレームワークを提案する。
従来の予測手法では、我々のIPF-HMGNNは、GNN予測モデルの平均絶対誤差(MAE)と根平均二乗誤差(RMSE)をそれぞれ49.56%、53.88%削減できる。
階層的予測アプローチでは、IPF-HMGNNは、階層的制約を満たすことなく、MAEで35.32%、RMSEで36.18%の最大還元を達成することができる。
- 参考スコア（独自算出の注目度）: 7.1307454420513245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The operation and management of the metro system in urban areas rely on accurate predictions of future passenger flow. While using all the available information can potentially improve on the accuracy of the flow prediction, there has been little attention to the hierarchical relationship between the type of tickets collected from the passengers entering/exiting a station and its resulting passenger flow. To this end, we propose a novel Integrative Prediction Framework with the Hierarchical Message-Passing Graph Neural Network (IPF-HMGNN). The proposed framework consists of three components: initial prediction, task judgment and hierarchical coordination modules. Using the Wuxi, China metro network as an example, we study two prediction approaches (i) traditional prediction approach where the model directly predicts passenger flow at the station, and (ii) hierarchical prediction approach where the prediction of ticket type and station passenger flow are performed simultaneously considering the hierarchical constraints (i.e., the sum of predicted passenger flow per ticket type equals the predicted station aggregated passenger flow). Experimental results indicate that in the traditional prediction approach, our IPF-HMGNN can significantly reduce the mean absolute error (MAE) and root mean square error (RMSE) of the GNN prediction model by 49.56% and 53.88%, respectively. In the hierarchical prediction approach, IPF-HMGNN can achieve a maximum reduction of 35.32% in MAE and 36.18% in RMSE, while satisfying the hierarchical constraint.
- Abstract（参考訳）: 都市部におけるメトロシステムの運用と管理は、将来の旅客輸送の正確な予測に依存している。
利用可能な全ての情報を利用することで、フロー予測の精度を向上させることができるが、駅の入出・入場者から収集したチケットの種類と結果の乗客フローとの階層的関係にはほとんど注意が払われていない。
そこで本研究では,階層型メッセージパッシンググラフニューラルネットワーク(IPF-HMGNN)を用いた新しい統合予測フレームワークを提案する。
提案するフレームワークは,初期予測,タスク判断,階層的協調モジュールという3つのコンポーネントから構成される。
Wuxi, China Metro Networkの例を用いて, 2つの予測手法について検討する。
一 駅における乗客の移動を直接予測する従来の予測方法、及び
二 切符の種類及び駅乗務員フローの予測を同時に行う階層予測手法(すなわち、切符ごとの予測客フローの総和が駅集合客フローの予測客フローと等しい)
その結果、従来の予測手法では、IPF-HMGNNはGNN予測モデルの平均絶対誤差(MAE)と平均平方誤差(RMSE)をそれぞれ49.56%、53.88%削減できることがわかった。
階層的予測アプローチでは、IPF-HMGNNは最大で35.32%のMAE、36.18%のRMSEを実現し、階層的制約を満たす。
関連論文リスト
- METcross: A framework for short-term forecasting of cross-city metro passenger flow [12.520570617853625]
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。
論文 参考訳（メタデータ） (2024-09-03T01:04:10Z) - 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]
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) - Networkwide Traffic State Forecasting Using Exogenous Information: A
Multi-Dimensional Graph Attention-Based Approach [0.0]
本稿では,グラフに基づく交通予測手法(M-STGAT)を提案する。
過去の速度の観測に基づいてトラフィックを予測し、車線閉鎖イベント、温度、交通網の可視性などを予測する。
30分、45分、60分の予測地平線でテストを行う場合、3つの代替モデルを上回る結果が得られた。
論文 参考訳（メタデータ） (2023-10-18T21:57:20Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - 4D flight trajectory prediction using a hybrid Deep Learning prediction
method based on ADS-B technology: a case study of Hartsfield-Jackson Atlanta
International Airport(ATL) [2.2118683064997264]
本稿では,ハーツフィールド・ジャクソン・アトランタ国際空港(ATL)の予測モデルの不確実性を考慮した空間的・時間的特徴を抽出するハイブリッドディープラーニングモデルを提案する。
その結果,提案モデルは他のモデル(3D CNN, CNN-GRU)と比較して誤差が低いことがわかった。
論文 参考訳（メタデータ） (2021-10-14T23:48:44Z) - Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for
Short-Term Forecasting of Transit Passenger Flow [7.9132565523269625]
交通管理や群衆規制には, 短期的な旅客輸送の予測が不可欠である。
都市交通システムにおける乗客の流れを予測するために,革新的な深層学習手法であるMulti-Graph Convolutional-Recurrent Neural Network (MGC-NN)を提案する。
論文 参考訳（メタデータ） (2021-07-28T08:41:12Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - FloMo: Tractable Motion Prediction with Normalizing Flows [0.0]
ノイズサンプルと将来の動き分布の正規化フローによる密度推定問題として動作予測をモデル化する。
我々のモデルはFloMoと呼ばれ、単一のネットワークパスで確率を計算でき、最大推定で直接訓練することができる。
提案手法は,3つの一般的な予測データセットにおいて最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-03-05T11:35:27Z) - 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)
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。