論文の概要: Individual Bus Trip Chain Prediction and Pattern Identification Considering Similarities
- arxiv url: http://arxiv.org/abs/2412.11364v1
- Date: Mon, 16 Dec 2024 01:32:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 14:00:21.702840
- Title: Individual Bus Trip Chain Prediction and Pattern Identification Considering Similarities
- Title（参考訳）: 類似性を考慮した個別バストリップチェーン予測とパターン同定
- Authors: Xiannan Huang, Yixin Chen, Quan Yuan, Chao Yang,
- Abstract要約: そこで本稿では,同時代の交通機関をベースとしたバストリップチェーンを新たに構築する手法を提案する。
鍵となる類似パターンは実世界のデータを使って定義され、テストされ、これらのパターンをキャプチャするために類似関数が開発される。
本研究は,バス旅行チェーンの類似性に基づく予測の有効性を実証し,個別のバス旅行パターンを解析するための新たな視点を提供する。
- 参考スコア（独自算出の注目度）: 8.569687212998305
- License:
- Abstract: Predicting future bus trip chains for an existing user is of great significance for operators of public transit systems. Existing methods always treat this task as a time-series prediction problem, but the 1-dimensional time series structure cannot express the complex relationship between trips. To better capture the inherent patterns in bus travel behavior, this paper proposes a novel approach that synthesizes future bus trip chains based on those from similar days. Key similarity patterns are defined and tested using real-world data, and a similarity function is then developed to capture these patterns. Afterwards, a graph is constructed where each day is represented as a node and edge weight reflects the similarity between days. Besides, the trips on a given day can be regarded as labels for each node, transferring the bus trip chain prediction problem to a semi-supervised classification problem on a graph. To address this, we propose several methods and validate them on a real-world dataset of 10000 bus users, achieving state-of-the-art prediction results. Analyzing the parameters of similarity function reveals some interesting bus usage patterns, allowing us can to cluster bus users into three types: repeat-dominated, evolve-dominate and repeat-evolve balanced. In summary, our work demonstrates the effectiveness of similarity-based prediction for bus trip chains and provides a new perspective for analyzing individual bus travel patterns. The code for our prediction model is publicly available.
- Abstract（参考訳）: 公共交通機関の運営者にとって,既存利用者に対する将来のバス旅行チェーンの予測は重要な意味を持つ。
既存の方法は、常にこのタスクを時系列予測問題として扱うが、1次元の時系列構造は旅行間の複雑な関係を表現できない。
そこで本研究では,バス走行行動の固有パターンをより正確に把握するために,バス走行チェーンを合成する手法を提案する。
鍵となる類似パターンは実世界のデータを使って定義され、テストされ、これらのパターンをキャプチャするために類似関数が開発される。
その後、グラフが構築され、毎日ノードとして表現され、エッジウェイトは日間の類似性を反映する。
また、その日の旅行を各ノードのラベルと見なすことができ、バス旅行連鎖予測問題をグラフ上の半教師付き分類問題に転送する。
そこで本研究では,10000人のバス利用者のリアルタイムデータセット上で,最先端の予測結果を実現するために,いくつかの手法を提案し,検証する。
類似関数のパラメータを分析することで、興味深いバス利用パターンが明らかになり、バス利用者を3つのタイプにクラスタ化することが可能になった。
本研究は,バス旅行チェーンの類似性に基づく予測の有効性を実証し,個別のバス旅行パターンを解析するための新たな視点を提供する。
予測モデルのコードは公開されています。
関連論文リスト
- Dynamic Graph Representation Learning for Passenger Behavior Prediction [7.179458364817048]
乗客の行動予測は、過去の搭乗情報と照会データを通して、乗客の旅行パターンを追跡することを目的としている。
これはスマートシティ開発と公共交通計画にとって不可欠である。
既存の研究は、個々の歴史的相互作用から学ぶための統計手法とシーケンシャルモデルに依存している。
論文 参考訳（メタデータ） (2024-08-17T04:35:17Z) - Pedestrian Motion Prediction Using Transformer-based Behavior Clustering and Data-Driven Reachability Analysis [1.8963583458350768]
本稿では,過去の軌跡データに基づいて,将来の歩行者状態を予測するためのトランスフォーマーベースのフレームワークを提案する。
階層的密度に基づくクラスタリングと組み合わされた変換器エンコーダを用いて、多様な行動パターンを自動的に識別する。
これらの行動クラスタは、歩行者の将来の動きを予測するために、エンドツーエンドのデータ駆動アプローチによって、データ駆動の到達可能性分析に使用できることを示す。
論文 参考訳（メタデータ） (2024-08-09T07:24:30Z) - HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。
逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。
私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文 参考訳（メタデータ） (2024-04-09T14:42:31Z) - Heterogeneous Graph-based Trajectory Prediction using Local Map Context
and Social Interactions [47.091620047301305]
本稿では,3つの重要な情報源を活用することにより,欠点に対処するベクトルベース軌道予測手法を提案する。
まず,その関係の性質と重要な特徴を考慮に入れたセマンティックシーングラフを用いて,トラフィックエージェント間のインタラクションをモデル化する。
第2に,ローカルマップコンテキストをモデル化するために,エージェント中心の画像中心マップの特徴を抽出する。
論文 参考訳（メタデータ） (2023-11-30T13:46:05Z) - Multi-Vehicle Trajectory Prediction at Intersections using State and
Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。
この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。
この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文 参考訳（メタデータ） (2023-01-06T15:13:23Z) - A Dynamic Model for Bus Arrival Time Estimation based on Spatial
Patterns using Machine Learning [1.2891210250935146]
限られたデータセットを用いて到着時刻を予測するため,バス到着予測モデルを提案する。
インド・トゥムクル市の交通路の一つ、トゥムクル(Tumakuru)が選択され、2つの空間パターンに分けられる。
前回の旅行情報と機械学習モデルを用いてバス到着時刻を動的に予測するモデルを開発し、下流のバス停で到着時刻を推定する。
論文 参考訳（メタデータ） (2022-10-03T06:35:03Z) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳（メタデータ） (2022-03-04T18:39:31Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - Leveraging the Self-Transition Probability of Ordinal Pattern Transition
Graph for Transportation Mode Classification [0.0]
本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。
提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
論文 参考訳（メタデータ） (2020-07-16T23:25:09Z) - Space-Time Correspondence as a Contrastive Random Walk [47.40711876423659]
我々は,ビデオから構築した時空間グラフにおけるリンクの予測として対応をキャストした。
ペアの類似性がランダムウォークの遷移確率を定義する表現を学習する。
我々は、エッジドロップアウトと呼ばれる手法と、テスト時の自己教師付き適応が、オブジェクト中心の対応の転送をさらに改善することを示した。
論文 参考訳（メタデータ） (2020-06-25T17:56:05Z) - BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。
特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。
また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
論文 参考訳（メタデータ） (2020-03-20T17:03:36Z)
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。