論文の概要: Predicting Subway Passenger Flows under Incident Situation with Causality
- arxiv url: http://arxiv.org/abs/2412.06871v1
- Date: Mon, 09 Dec 2024 12:34:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-11 14:38:47.708047
- Title: Predicting Subway Passenger Flows under Incident Situation with Causality
- Title（参考訳）: 因果性を考慮した事故時の地下鉄乗客の流動予測
- Authors: Xiannan Huang, Shuhan Qiu, Quan Yuan, Chao Yang,
- Abstract要約: 正常条件下での予測とインシデントの因果効果を分離する2段階の手法を提案する。
提案手法は実世界のデータを用いて検証され,精度が向上した。
当社の業務は、地下鉄の管理者が事故による乗客の流れを推定し、積極的に対応できるようにするのに役立てることができる。
- 参考スコア（独自算出の注目度）: 5.171258995506716
- License:
- Abstract: In the context of rail transit operations, real-time passenger flow prediction is essential; however, most models primarily focus on normal conditions, with limited research addressing incident situations. There are several intrinsic challenges associated with prediction during incidents, such as a lack of interpretability and data scarcity. To address these challenges, we propose a two-stage method that separates predictions under normal conditions and the causal effects of incidents. First, a normal prediction model is trained using data from normal situations. Next, the synthetic control method is employed to identify the causal effects of incidents, combined with placebo tests to determine significant levels of these effects. The significant effects are then utilized to train a causal effect prediction model, which can forecast the impact of incidents based on features of the incidents and passenger flows. During the prediction phase, the results from both the normal situation model and the causal effect prediction model are integrated to generate final passenger flow predictions during incidents. Our approach is validated using real-world data, demonstrating improved accuracy. Furthermore, the two-stage methodology enhances interpretability. By analyzing the causal effect prediction model, we can identify key influencing factors related to the effects of incidents and gain insights into their underlying mechanisms. Our work can assist subway system managers in estimating passenger flow affected by incidents and enable them to take proactive measures. Additionally, it can deepen researchers' understanding of the impact of incidents on subway passenger flows.
- Abstract（参考訳）: 鉄道運行の文脈では、リアルタイムの乗客フロー予測が不可欠であるが、ほとんどのモデルでは、通常状態に重点を置いており、事故状況に対処する研究は限られている。
インシデント時の予測には、解釈可能性の欠如やデータの不足など、いくつかの固有の課題がある。
これらの課題に対処するために,正常条件下での予測とインシデントの因果効果を分離する2段階の手法を提案する。
まず、通常の状況からのデータを用いて正規予測モデルを訓練する。
次に、インシデントの因果効果を同定するために合成制御法を用い、プラセボ試験と組み合わせてこれらの影響のかなりのレベルを判定する。
重要な効果を利用して因果効果予測モデルを訓練し、事故や乗客の流れの特徴に基づいて事故の影響を予測する。
予測フェーズでは、通常の状況モデルと因果効果予測モデルの両方の結果を統合し、インシデント時に最終旅客フロー予測を生成する。
提案手法は実世界のデータを用いて検証され,精度が向上した。
さらに、この2段階の手法は解釈可能性を高める。
因果効果予測モデルを解析することにより、インシデントの影響に関連する重要な要因を特定し、その基盤となるメカニズムについて洞察を得ることができる。
当社の業務は、地下鉄の管理者が事故による乗客の流れを推定し、積極的に対応できるようにするのに役立てることができる。
さらに、地下鉄の乗客の流れに対する事故の影響についての研究者の理解を深めることができる。
関連論文リスト
- Accident Impact Prediction based on a deep convolutional and recurrent neural network model [0.24999074238880484]
本研究では,事故後の影響を予測するためにカスケードモデルと呼ばれるディープニューラルネットワークモデルを提案する。
ロサンゼルス郡から入手可能な実世界のデータを利用して、事故後の影響を予測する。
その結果、最小限の影響の予測における精度の向上と、より重大な影響の予測におけるリコールの精度の向上が明らかになった。
論文 参考訳（メタデータ） (2024-11-12T04:27:06Z) - Performative Prediction on Games and Mechanism Design [69.7933059664256]
エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。
予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。
よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
論文 参考訳（メタデータ） (2024-08-09T16:03:44Z) - MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。
提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。
このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
論文 参考訳（メタデータ） (2024-07-19T06:42:41Z) - Spatio-temporal neural structural causal models for bike flow prediction [2.991894112851257]
自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。
近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。
時空間構造因果モデルを提案する。
論文 参考訳（メタデータ） (2023-01-19T01:39:21Z) - How Does Traffic Environment Quantitatively Affect the Autonomous
Driving Prediction? [10.28126737850673]
本研究では,予期せぬシナリオや未知のシナリオに直面する場合,高い不確実性を出力する軌道予測フレームワークを提案する。
提案手法は,予測アルゴリズムの性能に及ぼす環境の影響を解析するために用いられる。
論文 参考訳（メタデータ） (2023-01-11T11:47:54Z) - Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。
この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文 参考訳（メタデータ） (2022-11-01T11:07:37Z) - Measuring Causal Effects of Data Statistics on Language Model's
`Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。
トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。
我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文 参考訳（メタデータ） (2022-07-28T17:36:24Z) - 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) - Causal Knowledge Guided Societal Event Forecasting [24.437437565689393]
本稿では,因果効果推定をイベント予測に組み込むディープラーニングフレームワークを提案する。
機能再重み付けモジュールと近似損失を含む2つの頑健な学習モジュールを導入し、事前の知識注入を可能にする。
論文 参考訳（メタデータ） (2021-12-10T17:41:02Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z)
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。