論文の概要: Real-Time Bus Departure Prediction Using Neural Networks for Smart IoT Public Bus Transit
- arxiv url: http://arxiv.org/abs/2501.10514v1
- Date: Fri, 17 Jan 2025 19:21:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:24:57.156453
- Title: Real-Time Bus Departure Prediction Using Neural Networks for Smart IoT Public Bus Transit
- Title（参考訳）: ニューラルネットワークを用いたスマートIoT公共バスのリアルタイムバス分割予測
- Authors: Narges Rashvand, Sanaz Sadat Hosseini, Mona Azarbayjani, Hamed Tabkhi,
- Abstract要約: 本稿では,スマートIoTパブリックトランジットアプリケーションに適した,リアルタイムバス出発時刻予測のためのニューラルネットワークによるアプローチを提案する。
我々は、AI駆動モデルを活用して、データ前処理によるバススケジュールの精度を向上させる。
提案手法は,バス路線151路線で評価され,80秒未満の精度で出発時刻のずれを予測し,大幅な改善を示した。
- 参考スコア（独自算出の注目度）: 1.9922905420195371
- License:
- Abstract: Bus transit plays a vital role in urban public transportation but often struggles to provide accurate and reliable departure times. This leads to delays, passenger dissatisfaction, and decreased ridership, particularly in transit-dependent areas. A major challenge lies in the discrepancy between actual and scheduled bus departure times, which disrupts timetables and impacts overall operational efficiency. To address these challenges, this paper presents a neural network-based approach for real-time bus departure time prediction tailored for smart IoT public transit applications. We leverage AI-driven models to enhance the accuracy of bus schedules by preprocessing data, engineering relevant features, and implementing a fully connected neural network that utilizes historical departure data to predict departure times at subsequent stops. In our case study analyzing bus data from Boston, we observed an average deviation of nearly 4 minutes from scheduled times. However, our model, evaluated across 151 bus routes, demonstrates a significant improvement, predicting departure time deviations with an accuracy of under 80 seconds. This advancement not only improves the reliability of bus transit schedules but also plays a crucial role in enabling smart bus systems and IoT applications within public transit networks. By providing more accurate real-time predictions, our approach can facilitate the integration of IoT devices, such as smart bus stops and passenger information systems, that rely on precise data for optimal performance.
- Abstract（参考訳）: バス交通は都市公共交通において重要な役割を担っているが、しばしば正確で信頼性の高い出発時間の提供に苦慮している。
これは、特に交通に依存した地域での遅延、乗客の不満、乗客の減少につながる。
最大の課題は、実際のバスとスケジュールされたバスの出発時間との相違であり、時間表を乱し、全体の運用効率に影響を及ぼす。
これらの課題に対処するために,スマートIoTパブリックトランジットアプリケーションに適した,リアルタイムバス出発時間予測のためのニューラルネットワークベースのアプローチを提案する。
我々は、AI駆動モデルを活用して、データ前処理、エンジニアリング関連の機能、そして、過去の出発データを利用してその後の停止時の出発時刻を予測する完全に接続されたニューラルネットワークを実装することにより、バススケジュールの精度を高める。
ボストンのバスデータを分析したケーススタディでは, 所定時間から約4分間の平均偏差が観測された。
しかし、151のバス路線で評価された本モデルでは,80秒未満の精度で出発時刻のずれを予測し,大幅な改善が見られた。
この進歩はバスの運行スケジュールの信頼性を向上させるだけでなく、公共交通ネットワーク内でスマートバスシステムやIoTアプリケーションを実現する上でも重要な役割を果たす。
より正確なリアルタイム予測を提供することで、当社のアプローチは、最適なパフォーマンスのために正確なデータに依存するスマートバスストップや乗客情報システムといったIoTデバイスの統合を容易にすることができる。
関連論文リスト
- Real-Time Bus Arrival Prediction: A Deep Learning Approach for Enhanced
Urban Mobility [2.1374208474242815]
一般的な課題は、実際のバス到着時刻と予定された時刻とのミスマッチであり、固定されたスケジュールの混乱につながる。
本研究は,様々な交通機関(駅)におけるバス到着時刻を予測するための,革新的なAIに基づくデータ駆動手法を提案する。
完全に接続されたニューラルネットワークの展開により,公共バスの交通システムの精度と効率が向上する。
論文 参考訳（メタデータ） (2023-03-27T16:45:22Z) - 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) - 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) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T17:58:12Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - Estimating the Robustness of Public Transport Systems Using Machine
Learning [62.997667081978825]
公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。
乗客の観点からの堅牢性の統合により、作業はさらに困難になる。
本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
論文 参考訳（メタデータ） (2021-06-10T05:52:56Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - 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) - BusTr: Predicting Bus Travel Times from Real-Time Traffic [11.832652376678295]
本稿では,道路交通予測をバス遅延予測に変換する機械学習モデルBusTrを提案する。
これはGoogle Mapsによって、公式のリアルタイムバス追跡が提供されていない世界の公共交通システムの大部分に利用されている。
論文 参考訳（メタデータ） (2020-07-02T05:05:23Z) - 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) - PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。
我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文 参考訳（メタデータ） (2020-05-29T17:57:25Z)
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。