論文の概要: Exploring Over-stationarization in Deep Learning-based Bus/Tram Arrival Time Prediction: Analysis and Non-stationary Effect Recovery

• arxiv url: http://arxiv.org/abs/2509.06979v1
• Date: Sun, 31 Aug 2025 09:50:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:26.992247
• Title: Exploring Over-stationarization in Deep Learning-based Bus/Tram Arrival Time Prediction: Analysis and Non-stationary Effect Recovery
• Title（参考訳）: 深層学習に基づくバス・軌道時間予測における過定常化の探索:解析と非定常効果回復
• Authors: Zirui Li, Bin Yang, Meng Wang,
• Abstract要約: 提案されたNSATPはRMSE、MAE、MAPEを2.37%、1.22%、路面電車を2.26%、バスを1.72%、0.60%、バスを1.17%削減できる。 この方法は、直列定常化と非定常効果回復の2段階からなる。
• 参考スコア（独自算出の注目度）: 16.969763753818558
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Arrival time prediction (ATP) of public transport vehicles is essential in improving passenger experience and supporting traffic management. Deep learning has demonstrated outstanding performance in ATP due to its ability to model non-linear and temporal dynamics. In the multi-step ATP, non-stationary data will degrade the model performance due to the variation in variables' joint distribution along the temporal direction. Previous studies mainly applied normalization to eliminate the non-stationarity in time series, thereby achieving better predictability. However, the normalization may obscure useful characteristics inherent in non-stationarity, which is known as the over-stationarization. In this work, to trade off predictability and non-stationarity, a new approach for multi-step ATP, named non-stationary ATP ( NSATP), is proposed. The method consists of two stages: series stationarization and non-stationarity effect recovery. The first stage aims at improving the predictability. As for the latter, NSATP extends a state-of-the-art method from one-dimensional to two dimensional based models to capture the hidden periodicity in time series and designs a compensation module of over-stationarization by learning scaling and shifting factors from raw data. 125 days' public transport operational data of Dresden is collected for validation. Experimental results show that compared to baseline methods, the proposed NSATP can reduce RMSE, MAE, and MAPE by 2.37%, 1.22%, and 2.26% for trams and by 1.72%, 0.60%, and 1.17% for buses, respectively.
• Abstract（参考訳）: 公共交通機関の走行時間予測(ATP)は、乗客体験の向上と交通管理支援に不可欠である。 深層学習は、非線形および時間的ダイナミクスをモデル化する能力により、ATPにおいて顕著な性能を示した。 多段階ATPでは、時間方向に沿った変数の関節分布の変化により、非定常データがモデル性能を劣化させる。 従来の研究は主に正規化を適用して時系列の非定常性を排除し、予測可能性の向上を実現した。 しかし、正規化は非定常性に固有の不明瞭な有用な性質を持つ可能性があり、これは超定常化(over-stationarization)として知られている。 本研究では,予測可能性と非定常性を両立させるため,非定常ATP(NSATP)と呼ばれる多段階ATPの新しいアプローチを提案する。 この方法は、直列定常化と非定常効果回復の2段階からなる。 第1段階は、予測可能性を改善することを目的としている。 後者に関しては、NSATPは1次元から2次元のモデルに最先端の手法を拡張し、時系列の隠れ周期性を捉え、スケーリングと原データからのシフト要素の学習による過定常化の補償モジュールを設計する。 ドレスデンの125日間の公共交通機関の運用データは、検証のために収集されている。 実験の結果,提案したNSATPはベースライン法と比較してRMSE,MAE,MAPEを2.37%,1.22%,路面電車を2.26%,バスを1.72%,0.60%,バスを1.17%削減できることがわかった。

関連論文リスト

• ArrivalNet: Predicting City-wide Bus/Tram Arrival Time with Two-dimensional Temporal Variation Modeling [10.788986436621364]
  バスと路面電車のための2次元時間変動に基づく多段階ATPであるtextitArrivalNetを提案する。 1次元の時間列を周期内および周期間変分に分解し、2次元テンソルに再キャストする。 異なる周波数で変換された2Dブロックは、コンピュータビジョンのバックボーンで効果的な学習を可能にする画像のような特徴表現を持つ。
  論文  参考訳（メタデータ） (2024-10-17T10:17:23Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Structural Pruning for Diffusion Models [65.02607075556742]
  Diff-Pruningは、既存のものから軽量拡散モデルの学習に適した効率的な圧縮手法である。 複数のデータセットにまたがって実施した経験的評価は,提案手法の2つの利点を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-05-18T12:38:21Z)
• Spatiotemporal Regularized Tucker Decomposition Approach for Traffic Data Imputation [0.0]
  インテリジェントトランスポートシステムでは、部分的に観測されたデータから欠落した値を推定するトラフィックデータ計算が避けられない課題である。 これまでの研究は、交通データの多次元性と相関性を十分に考慮していなかったが、特に高レベルの欠落シナリオにおいて、データの回復には不可欠である。
  論文  参考訳（メタデータ） (2023-05-11T04:42:35Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)

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。