論文の概要: ArrivalNet: Predicting City-wide Bus/Tram Arrival Time with Two-dimensional Temporal Variation Modeling

• arxiv url: http://arxiv.org/abs/2410.14742v1
• Date: Thu, 17 Oct 2024 10:17:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:43.455883
• Title: ArrivalNet: Predicting City-wide Bus/Tram Arrival Time with Two-dimensional Temporal Variation Modeling
• Title（参考訳）: ArrivalNet:2次元時間変動モデルによる都市全域バス・軌道時間予測
• Authors: Zirui Li, Patrick Wolf, Meng Wang,
• Abstract要約: バスと路面電車のための2次元時間変動に基づく多段階ATPであるtextitArrivalNetを提案する。 1次元の時間列を周期内および周期間変分に分解し、2次元テンソルに再キャストする。 異なる周波数で変換された2Dブロックは、コンピュータビジョンのバックボーンで効果的な学習を可能にする画像のような特徴表現を持つ。
• 参考スコア（独自算出の注目度）: 10.788986436621364
• License:
• Abstract: Accurate arrival time prediction (ATP) of buses and trams plays a crucial role in public transport operations. Current methods focused on modeling one-dimensional temporal information but overlooked the latent periodic information within time series. Moreover, most studies developed algorithms for ATP based on a single or a few routes of public transport, which reduces the transferability of the prediction models and their applicability in public transport management systems. To this end, this paper proposes \textit{ArrivalNet}, a two-dimensional temporal variation-based multi-step ATP for buses and trams. It decomposes the one-dimensional temporal sequence into intra-periodic and inter-periodic variations, which can be recast into two-dimensional tensors (2D blocks). Each row of a tensor contains the time points within a period, and each column involves the time points at the same intra-periodic index across various periods. The transformed 2D blocks in different frequencies have an image-like feature representation that enables effective learning with computer vision backbones (e.g., convolutional neural network). Drawing on the concept of residual neural network, the 2D block module is designed as a basic module for flexible aggregation. Meanwhile, contextual factors like workdays, peak hours, and intersections, are also utilized in the augmented feature representation to improve the performance of prediction. 125 days of public transport data from Dresden were collected for model training and validation. Experimental results show that the root mean square error, mean absolute error, and mean absolute percentage error of the proposed predictor decrease by at least 6.1\%, 14.7\%, and 34.2\% compared with state-of-the-art baseline methods.
• Abstract（参考訳）: バスや路面電車の正確な到着時刻予測(ATP)は公共交通機関の運用において重要な役割を担っている。 現在の手法は1次元の時間情報をモデル化することに重点を置いているが、時系列内の潜伏周期情報を見落としていた。 さらに、ほとんどの研究は、パブリックトランスポートの1本または数本の経路に基づいてATPのアルゴリズムを開発し、予測モデルの転送可能性と、パブリックトランスポート管理システムにおける適用性を低減する。 そこで本稿では,バスと路面電車のための2次元時間変動に基づく多段階ATPである「textit{ArrivalNet}」を提案する。 1次元時間列を周期内および周期間変分に分解し、2次元テンソル(2Dブロック)に再キャストすることができる。 テンソルの各行は周期内の時間点を含み、各列は様々な周期にわたって同じ周期内指数の時間点を含む。 異なる周波数で変換された2Dブロックは、コンピュータビジョンバックボーン(例えば畳み込みニューラルネットワーク)で効果的な学習を可能にする画像のような特徴表現を持つ。 残留ニューラルネットワークの概念に基づいて、2Dブロックモジュールはフレキシブルアグリゲーションのための基本モジュールとして設計されている。 一方、作業日、ピーク時間、交差点などの文脈要因も、拡張特徴表現で活用され、予測性能が向上する。 モデルトレーニングと検証のためにドレスデンから125日間の公共交通データを収集した。 実験結果から,提案した予測器の根平均二乗誤差,平均絶対誤差,平均絶対パーセンテージ誤差は,最先端のベースライン法と比較して少なくとも6.1\%,14.7\%,34.2\%減少することがわかった。

関連論文リスト

• 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)
• GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
  シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。 モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
  論文  参考訳（メタデータ） (2022-11-13T06:32:28Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• Public Transit Arrival Prediction: a Seq2Seq RNN Approach [1.9294297881760765]
  バス到着時刻予測(BATP)は特に発展途上国では難しい問題である。 現在の作業において、BATP(リアルタイム)に対して、リカレントニューラルネットワーク(RNN)に基づく新しいデータ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T14:58:12Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Parallel Multi-Graph Convolution Network For Metro Passenger Volume Prediction [8.536743588315696]
  本稿では,並列多グラフ畳み込みと双方向一方向Gated Recurrent Unit(PB-GRU)を重畳した深層学習モデルを提案する。 地下鉄の乗客の流れを実世界の2つのデータセットで分析した結果,モデルの有効性が示された。
  論文  参考訳（メタデータ） (2021-08-29T13:07:18Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。