論文の概要: A Data-Driven Approach to Enhancing Gravity Models for Trip Demand Prediction

• arxiv url: http://arxiv.org/abs/2506.01964v1
• Date: Fri, 09 May 2025 18:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-08 12:40:08.632287
• Title: A Data-Driven Approach to Enhancing Gravity Models for Trip Demand Prediction
• Title（参考訳）: トリップ需要予測のための重力モデル構築のためのデータ駆動アプローチ
• Authors: Kamal Acharya, Mehul Lad, Liang Sun, Houbing Song,
• Abstract要約: 本研究では, 地理的, 経済的, 社会的, 旅行的データを統合することにより, 重力モデルを強化するためのデータ駆動型手法を提案する。 機械学習技術を用いることで、変数間のより複雑なインタラクションを処理するために、従来のモデルの能力を拡張します。 その結果、R-2乗法は51.48%改善し、モデルの説明力は大幅に向上した。
• 参考スコア（独自算出の注目度）: 21.445133878049333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of trips between zones is critical for transportation planning, as it supports resource allocation and infrastructure development across various modes of transport. Although the gravity model has been widely used due to its simplicity, it often inadequately represents the complex factors influencing modern travel behavior. This study introduces a data-driven approach to enhance the gravity model by integrating geographical, economic, social, and travel data from the counties in Tennessee and New York state. Using machine learning techniques, we extend the capabilities of the traditional model to handle more complex interactions between variables. Our experiments demonstrate that machine learning-enhanced models significantly outperform the traditional model. Our results show a 51.48% improvement in R-squared, indicating a substantial enhancement in the model's explanatory power. Also, a 63.59% reduction in Mean Absolute Error (MAE) reflects a significant increase in prediction accuracy. Furthermore, a 44.32% increase in Common Part of Commuters (CPC) demonstrates improved prediction reliability. These findings highlight the substantial benefits of integrating diverse datasets and advanced algorithms into transportation models. They provide urban planners and policymakers with more reliable forecasting and decision-making tools.
• Abstract（参考訳）: 地域間交通の正確な予測は、様々な交通手段にわたる資源配分とインフラ開発を支援するため、交通計画にとって重要である。 重力モデルはその単純さのために広く用いられているが、現代の旅行行動に影響を与える複雑な要因を不適切に表していることが多い。 本研究では、テネシー州とニューヨーク州の郡の地理的、経済的、社会的、旅行データを統合することで重力モデルを強化するためのデータ駆動型アプローチを提案する。 機械学習技術を用いることで、変数間のより複雑なインタラクションを処理するために、従来のモデルの能力を拡張します。 我々の実験では、機械学習によって強化されたモデルが従来のモデルよりも大幅に優れていることを示した。 その結果, R-2乗法では51.48%の改善が見られ, 説明力の大幅な向上が示唆された。 また,平均絶対誤差(MAE)の63.59%削減は,予測精度の大幅な向上を反映している。 さらに、CPC(Common Part of Commuters)の44.32%の増加は、予測信頼性の向上を示している。 これらの結果は、多様なデータセットと高度なアルゴリズムを輸送モデルに組み込むことの実質的なメリットを浮き彫りにしている。 都市計画立案者や政策立案者に対して、より信頼性の高い予測と意思決定ツールを提供する。

関連論文リスト

• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Predicting the Skies: A Novel Model for Flight-Level Passenger Traffic Forecasting [0.0]
  本研究では,飛行レベルの旅客輸送を予測するための新しい多モード深層学習手法を提案する。 本モデルでは, フライト毎に, 過去の交通情報, 運賃情報, 季節特性を収集する。 従来のベンチマークと比較すると,平均二乗誤差はおよそ33%改善した。
  論文  参考訳（メタデータ） (2024-01-07T06:51:26Z)
• 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)
• Exploring Deep Learning Approaches to Predict Person and Vehicle Trips: An Analysis of NHTS Data [0.0]
  本研究では、旅行予測へのアプローチ方法を変えるためのディープラーニング技術の可能性を探求する。 我々は、人や車の旅行を予測するためのディープラーニングモデルを開発し、訓練した。 人的旅行予測では98%,自動車旅行推定では96%の精度が得られた。
  論文  参考訳（メタデータ） (2023-08-10T16:06:10Z)
• A Clustering-aided Ensemble Method for Predicting Ridesourcing Demand in Chicago [0.0]
  本研究では,配車サービスにおけるゾーン間移動需要を予測するためのクラスタリング支援型アンサンブル手法(CEM)を提案する。 シカゴのライドソーシングトリップデータを用いて提案手法の実装と試験を行った。
  論文  参考訳（メタデータ） (2021-09-08T04:58:29Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Tourism Demand Forecasting: An Ensemble Deep Learning Approach [4.516340427736994]
  我々は、北京の観光客の到着を予測するために、歴史的観光到着データ、経済変動データ、検索強度指標(SII)データを使用する。 提案するB-SAKE手法は, レベル精度, 方向精度, 統計的意義の観点から, ベンチマークモデルより優れている。 バッグングと積み重ねオートエンコーダは、観光ビッグデータがもたらす課題を効果的に軽減し、モデルの予測性能を向上させる。
  論文  参考訳（メタデータ） (2020-02-19T02:23:38Z)

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。