論文の概要: DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models

• arxiv url: http://arxiv.org/abs/2410.00052v1
• Date: Sat, 28 Sep 2024 13:09:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 15:19:28.266183
• Title: DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models
• Title（参考訳）: 遅延PTC-LLM:大規模言語モデルを用いた列車遅延時の地下鉄乗客選択予測
• Authors: Chen Chen, Yuxin He, Hao Wang, Jingjing Chen, Qin Luo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.509436717815102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Train delays can propagate rapidly throughout the Urban Rail Transit (URT) network under networked operation conditions, posing significant challenges to operational departments. Accurately predicting passenger travel choices under train delays can provide interpretable insights into the redistribution of passenger flow, offering crucial decision support for emergency response and service recovery. However, the diversity of travel choices due to passenger heterogeneity and the sparsity of delay events leads to issues of data sparsity and sample imbalance in the travel choices dataset under metro delays. It is challenging to model this problem using traditional machine learning approaches, which typically rely on large, balanced datasets. Given the strengths of large language models (LLMs) in text processing, understanding, and their capabilities in small-sample and even zero-shot learning, this paper proposes a novel Passenger Travel Choice prediction framework under metro delays with the Large Language Model (DelayPTC-LLM). The well-designed prompting engineering is developed to guide the LLM in making and rationalizing predictions about travel choices, taking into account passenger heterogeneity and features of the delay events. Utilizing real-world data from Shenzhen Metro, including Automated Fare Collection (AFC) data and detailed delay logs, a comparative analysis of DelayPTC-LLM with traditional prediction models demonstrates the superior capability of LLMs in handling complex, sparse datasets commonly encountered under disruption of transportation systems. The results validate the advantages of DelayPTC-LLM in terms of predictive accuracy and its potential to provide actionable insights for big traffic data.
• Abstract（参考訳）: 列車の遅延は、ネットワーク化された運転条件下でのアーバンレールトランジット(URT)ネットワークを通して急速に伝播し、運用部門にとって大きな課題となる。 列車遅延下での乗客の移動選択の正確な予測は、乗客の流れの再分配に関する解釈可能な洞察を与え、緊急対応とサービス回復の重要な決定支援を提供する。 しかし、乗客の不均一性による旅行選択の多様性と遅延イベントの分散は、メトロ遅延下の旅行選択データセットにおけるデータ分散とサンプル不均衡の問題を引き起こす。 通常、大きなバランスの取れたデータセットに依存する従来の機械学習アプローチを使用して、この問題をモデル化することは困難である。 本稿では,大規模言語モデル(DelayPTC-LLM)を用いて,大規模言語モデル(LLM)の強みを考察し,大規模言語モデル(DelayPTC-LLM)を用いた旅行選択予測手法を提案する。 適切に設計されたプロンプトエンジニアリングは、乗客の不均一性と遅延イベントの特徴を考慮した旅行選択に関する予測の作成と合理化において、LSMを導くために開発された。 AFC(Automated Fare Collection)データと詳細な遅延ログを含む深センメトロの現実世界のデータを利用することで、従来の予測モデルとDelayPTC-LLMの比較分析により、交通システムの破壊によって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の優れた能力を示す。 その結果,DelayPTC-LLMの利点を,予測精度と大規模トラフィックデータに対する実用的な洞察を提供する可能性の観点から検証した。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• A Prompt Refinement-based Large Language Model for Metro Passenger Flow Forecasting under Delay Conditions [30.552007081903263]
  遅延条件下での地下鉄の乗客フローの短期予測は、緊急対応とサービス復旧に不可欠である。 遅延イベントが稀に発生するため、遅延条件下でのサンプルサイズが制限されることで、従来のモデルでは、遅延の複雑な影響が乗客の流れに与える影響を捉えることが困難になる。 本稿では,LLMを慎重に設計した急進的なエンジニアリングで合成する乗客フロー予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-19T13:46:46Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [83.77114091471822]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLの課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータが相手のジャミングに感受性を持つことである。 これは、言語理解に不可欠である大規模言語モデル(LLM)における単語埋め込みパラメータに対して特に顕著である。 無線ネットワーク上でのLLM(R-SFLLM)を用いたレジリエンスSFLのための物理層フレームワークを開発した。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• Streaming detection of significant delay changes in public transport systems [0.9217021281095907]
  遅延などの公共交通機関の混乱は、モビリティの選択に悪影響を及ぼす可能性がある。 本稿では,遅延検出手法と参照アーキテクチャを提案する。 方法は、スケジュールからの逸脱として定義される遅延の計算を補完することができる。
  論文  参考訳（メタデータ） (2024-04-11T15:54:20Z)
• Meta-learning Based Short-Term Passenger Flow Prediction for Newly-Operated Urban Rail Transit Stations [3.718942345103135]
  本稿では,Meta-LSTM(Meta Long Short-Term Memory Network)というメタラーニング手法を提案する。 メタLSTM(メタLSTM)は、中国・南京、杭州、北京の地下鉄網に適用される。
  論文  参考訳（メタデータ） (2022-10-13T15:27:28Z)
• 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)
• Multi-Airport Delay Prediction with Transformers [0.0]
  TFT(Temporal Fusion Transformer)は、複数の空港での出発と到着の遅れを同時に予測するために提案された。 このアプローチは、予測時に既知の入力の複雑な時間的ダイナミクスをキャプチャし、選択された遅延メトリクスを4時間先まで予測することができる。
  論文  参考訳（メタデータ） (2021-11-04T21:58:11Z)
• Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT [55.62157530259969]
  本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。 本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。 数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
  論文  参考訳（メタデータ） (2021-08-17T08:38:31Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)

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。