論文の概要: Towards Explainable Anomaly Detection in Shared Mobility Systems

• arxiv url: http://arxiv.org/abs/2507.15643v1
• Date: Mon, 21 Jul 2025 14:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.433817
• Title: Towards Explainable Anomaly Detection in Shared Mobility Systems
• Title（参考訳）: 共有モビリティシステムにおける説明可能な異常検出に向けて
• Authors: Elnur Isgandarov, Matteo Cederle, Federico Chiariotti, Gian Antonio Susto,
• Abstract要約: 本稿では,自転車共有旅行記録,気象条件,公共交通機関の可利用性など,多元データを統合した解釈可能な異常検出フレームワークを提案する。 その結果, 駅レベルの解析は異常の堅牢な理解を提供し, 悪天候や交通量制限などの外部要因の影響を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 10.821699465856078
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Shared mobility systems, such as bike-sharing networks, play a crucial role in urban transportation. Identifying anomalies in these systems is essential for optimizing operations, improving service reliability, and enhancing user experience. This paper presents an interpretable anomaly detection framework that integrates multi-source data, including bike-sharing trip records, weather conditions, and public transit availability. The Isolation Forest algorithm is employed for unsupervised anomaly detection, along with the Depth-based Isolation Forest Feature Importance (DIFFI) algorithm providing interpretability. Results show that station-level analysis offers a robust understanding of anomalies, highlighting the influence of external factors such as adverse weather and limited transit availability. Our findings contribute to improving decision-making in shared mobility operations.
• Abstract（参考訳）: 自転車共有ネットワークのような共有モビリティシステムは、都市交通において重要な役割を担っている。 これらのシステムの異常を識別することは、オペレーションの最適化、サービスの信頼性の向上、ユーザエクスペリエンスの向上に不可欠である。 本稿では,自転車共有旅行記録,気象条件,公共交通機関の可利用性など,多元データを統合した解釈可能な異常検出フレームワークを提案する。 アイソレーションフォレストアルゴリズムは、非教師なしの異常検出と、解釈可能性を提供するディープスベースのアイソレーションフォレスト特徴重要度(DIFFI)アルゴリズムに使用される。 その結果, 駅レベルの解析は異常の堅牢な理解を提供し, 悪天候や交通量制限などの外部要因の影響を浮き彫りにした。 本研究は,共有モビリティ運用における意思決定の改善に寄与する。

関連論文リスト

• Explainable Anomaly Detection for Electric Vehicles Charging Stations [3.5724617223939172]
  本研究では、EV充電インフラにおける教師なし異常検出手法について検討する。 eXplainable AI技術を統合して、解釈可能性を高め、異常の根本原因を明らかにする。 提案手法の有効性を実産業事例で評価した。
  論文  参考訳（メタデータ） (2025-07-21T15:27:48Z)
• Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems [58.95962217043371]
  提案手法は, エージェントの出力の正確さ, 誤動作の有無を, 異なる範囲の位相の下で伝達する因果関係を解析するための枠組みである。 実験により,有益な情報拡散を保ちながらエラーの伝播を効果的に抑制する,適度に疎らなトポロジが,通常最適なタスク性能を達成できることが判明した。 本稿では,高密度グラフとスパースグラフの両方から接続パターンを融合させることにより,エラー抑制と有益な情報伝達のバランスをとる新しいトポロジ設計手法 EIB-leanrner を提案する。
  論文  参考訳（メタデータ） (2025-05-29T11:21:48Z)
• Anomaly Detection in Cooperative Vehicle Perception Systems under Imperfect Communication [4.575903181579272]
  協調認識に基づく異常検出フレームワーク(CPAD)を提案する。 CPADは堅牢なアーキテクチャであり、通信の中断下でも有効である。 実験の結果,本手法はAUCのF1スコアにおける標準異常分類法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-28T22:41:06Z)
• Global Spatio-Temporal Fusion-based Traffic Prediction Algorithm with Anomaly Aware [12.570413823751494]
  本稿では,異常認識を取り入れた時空間融合に基づく交通予測アルゴリズムを提案する。 本稿では,交通流の正確な予測のために,トランスフォーマアーキテクチャに基づくマルチスケール時空間融合モジュール(MTSFFL)を提案する。
  論文  参考訳（メタデータ） (2024-12-19T06:40:21Z)
• Federated Learning in Mobile Networks: A Comprehensive Case Study on Traffic Forecasting [2.661771915992631]
  Federated Learning(FL)は、さまざまなサイト間のコラボレーションを促進するための、分散されたプライバシ保護ソリューションである。 本稿では,バルセロナ(スペイン)の基地局(BS)からの実世界データを用いたフェデレーション交通予測のケーススタディを通じて,電気通信におけるFLの潜在的なメリットについて検討する。 評価は予測精度と持続可能性の両方に基づいており,様々な環境でのFLアルゴリズムの環境影響を示す。
  論文  参考訳（メタデータ） (2024-12-05T11:32:14Z)
• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Enhancing Interpretability and Generalizability in Extended Isolation Forests [5.139809663513828]
  ExIFFI (Extended isolated Forest Feature Importance) は、EIF(Extended isolated Forest)モデルによる予測を説明する手法である。 EIF+は、修正された分割戦略により、見えない異常を検出するモデルの能力を高めるように設計されている。 ExIFFIは、11の現実世界のデータセットのうち8つで、他の教師なしの解釈可能性メソッドよりも優れています。
  論文  参考訳（メタデータ） (2023-10-09T07:24:04Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation [152.60469768559878]
  ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。 曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。 私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
  論文  参考訳（メタデータ） (2022-06-16T17:59:52Z)
• Cooperative LIDAR Object Detection via Feature Sharing in Deep Networks [11.737037965090535]
  協調物体検出(FS-COD)のための特徴共有の概念を導入する。 提案手法では, 協調車両間で部分的に処理されたデータを共有することにより, 環境の理解を深める。 提案手法は,従来の単車車物体検出手法よりも性能に優れていた。
  論文  参考訳（メタデータ） (2020-02-19T20:47:09Z)

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。