論文の概要: Congestion Forecast for Trains with Railroad-Graph-based Semi-Supervised Learning using Sparse Passenger Reports

• arxiv url: http://arxiv.org/abs/2410.17510v1
• Date: Wed, 23 Oct 2024 02:25:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:56:56.680272
• Title: Congestion Forecast for Trains with Railroad-Graph-based Semi-Supervised Learning using Sparse Passenger Reports
• Title（参考訳）: スパース乗客レポートを用いた鉄道グラフに基づく半教師付き列車の混雑予測
• Authors: Soto Anno, Kota Tsubouchi, Masamichi Shimosaka,
• Abstract要約: 本稿では,交通アプリケーションを通じて収集した乗客からの報告を用いた鉄道渋滞予測について述べる。 列車の混雑予測のための半教師付き手法(SURCONFORT)を提案する。 第一に、疎いラベル付きデータと多くのラベルなしデータを活用するために、半教師付き学習を採用しています。
• 参考スコア（独自算出の注目度）: 7.89432183206555
• License:
• Abstract: Forecasting rail congestion is crucial for efficient mobility in transport systems. We present rail congestion forecasting using reports from passengers collected through a transit application. Although reports from passengers have received attention from researchers, ensuring a sufficient volume of reports is challenging due to passenger's reluctance. The limited number of reports results in the sparsity of the congestion label, which can be an issue in building a stable prediction model. To address this issue, we propose a semi-supervised method for congestion forecasting for trains, or SURCONFORT. Our key idea is twofold: firstly, we adopt semi-supervised learning to leverage sparsely labeled data and many unlabeled data. Secondly, in order to complement the unlabeled data from nearby stations, we design a railway network-oriented graph and apply the graph to semi-supervised graph regularization. Empirical experiments with actual reporting data show that SURCONFORT improved the forecasting performance by 14.9% over state-of-the-art methods under the label sparsity.
• Abstract（参考訳）: 鉄道渋滞の予測は輸送システムの効率的な移動に不可欠である。 本稿では,交通アプリケーションを通じて収集した乗客からの報告を用いた鉄道渋滞予測について述べる。 乗客からの報告は研究者から注目されているが、乗客の不満から十分な量の報告を確保することは困難である。 レポートの数は限られており、安定した予測モデルを構築する際に問題となるかもしれない渋滞ラベルの空白が生じる。 そこで本研究では,列車の混雑予測のための半教師付き手法(SURCONFORT)を提案する。 第一に、疎いラベル付きデータと多くのラベルなしデータを活用するために、半教師付き学習を採用しています。 次に, 周辺駅からのラベルなしデータを補完するため, 鉄道網指向のグラフを設計し, 半教師付きグラフ正規化にグラフを適用した。 実際の報告データによる実証実験では、SURCONFORTはラベルの空間性の下での最先端の手法よりも14.9%向上した。

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)
• 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)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• On Designing Day Ahead and Same Day Ridership Level Prediction Models for City-Scale Transit Networks Using Noisy APC Data [0.0]
  本稿では,複数のソースからのデータの収集,クリーン化,処理,マージを併用して,トランジットライダーシップの予測に機械学習モデルをトレーニングする手法を提案する。 ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2022-10-10T19:50:59Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• 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)
• Public Transit for Special Events: Ridership Prediction and Train Optimization [10.531110013870792]
  交通機関は、ディスラプション、遅延、運賃収入への影響を理解することが重要である。 本稿では,特殊イベントによる渋滞ピーク時の交通システムの性能評価,予測,管理を行うための一連のデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2021-06-09T19:52:18Z)
• 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)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data [11.781685156308475]
  本稿では,閉鎖型地下鉄システム内の乗客密度を推定する統計モデルを提案する。 予測結果に基づいて,将来の時刻の乗客密度の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-09-07T04:07:37Z)
• 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。