論文の概要: Research on Metro Transportation Flow Prediction Based on the STL-GRU Combined Model

• arxiv url: http://arxiv.org/abs/2509.18130v1
• Date: Fri, 12 Sep 2025 12:23:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.395821
• Title: Research on Metro Transportation Flow Prediction Based on the STL-GRU Combined Model
• Title（参考訳）: STL-GRU複合モデルに基づくメトロ交通流予測に関する研究
• Authors: Zijie Zhou, Huichen Ma,
• Abstract要約: 本稿では,Loses (STL) 法と Gated Recurrent Unit (GRU) を用いた季節・トレンド分解を統合したメトロトランスファー乗客フロー予測モデルを提案する。 その結果,Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) およびSTL時系列分解法とLong Short-Term Memory (STL-LSTM) の併用モデルと比較すると,STL-GRU複合予測モデルでは平日における転送旅客フローの予測精度が大幅に向上することがわかった。
• 参考スコア（独自算出の注目度）: 2.661114116085898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the metro intelligent transportation system, accurate transfer passenger flow prediction is a key link in optimizing operation plans and improving transportation efficiency. To further improve the theory of metro internal transfer passenger flow prediction and provide more reliable support for intelligent operation decisions, this paper innovatively proposes a metro transfer passenger flow prediction model that integrates the Seasonal and Trend decomposition using Loess (STL) method and Gated Recurrent Unit (GRU).In practical application, the model first relies on the deep learning library Keras to complete the construction and training of the GRU model, laying the foundation for subsequent prediction; then preprocesses the original metro card swiping data, uses the graph-based depth-first search algorithm to identify passengers' travel paths, and further constructs the transfer passenger flow time series; subsequently adopts the STL time series decomposition algorithm to decompose the constructed transfer passenger flow time series into trend component, periodic component and residual component, and uses the 3{\sigma} principle to eliminate and fill the outliers in the residual component, and finally completes the transfer passenger flow prediction.Taking the transfer passenger flow data of a certain metro station as the research sample, the validity of the model is verified. The results show that compared with Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and the combined model of STL time series decomposition method and Long Short-Term Memory (STL-LSTM), the STL-GRU combined prediction model significantly improves the prediction accuracy of transfer passenger flow on weekdays (excluding Fridays), Fridays and rest days, with the mean absolute percentage error (MAPE) of the prediction results reduced by at least 2.3, 1.36 and 6.42 percentage points respectively.
• Abstract（参考訳）: 地下鉄のインテリジェント交通システムでは、運転計画の最適化と輸送効率の向上において、正確な輸送客フロー予測が重要なリンクとなっている。 そこで本稿では,STL(Loess)法とGated Recurrent Unit(GRU)法を併用した季節・潮流の予測モデルを提案する。 実際の応用では、まず学習ライブラリKerasを用いてGRUモデルの構築とトレーニングを完了し、その後の予測の基礎を築き、その後、元のメトロカードスワイプデータを前処理し、グラフベースの深度優先探索アルゴリズムを用いて乗客の旅行経路を識別し、さらに転送旅客フロー時系列を構築し、次いでSTL時系列分解アルゴリズムを用いて、構築された転送旅客フロー時系列をトレンド成分、周期成分および残留成分に分解し、3{\sigma}原理を用いて残成分のアウトリーを除去し、最後に転送客フロー予測を完了し、そのモデルの有効性を検証した。 その結果,Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), STL時系列分解法とLong Short-Term Memory (STL-LSTM), STL-GRU複合予測モデルは, 平日(金曜日を除く), 金曜, 休日において, 平均絶対値誤差 (MAPE) を少なくとも2.3, 1.36, 6.42ポイント削減した。

関連論文リスト

• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models [31.509436717815102]
  本稿では,大規模言語モデル(DelayPTC-LLM)によるメトロ遅延を考慮した旅行選択予測手法を提案する。 従来の予測モデルとDelayPTC-LLMの比較分析は、輸送システムの破壊下で一般的に発生する複雑なスパースデータセットを扱う上で、LLMの優れた能力を示している。
  論文  参考訳（メタデータ） (2024-09-28T13:09:15Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• 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)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Spatial-Temporal Attention Fusion Network for short-term passenger flow prediction on holidays in urban rail transit systems [9.725264855780482]
  都市鉄道交通システムの短期的旅客フロー予測は、交通の運用と管理において非常に重要である。 既存のモデルのほとんどは、通常平日や週末に乗客の流れを予測するものである。 ホリデーシーズンの短期的乗客フロー予測のために,時空間注意融合ネットワークという深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-27T01:06:24Z)
• Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
  本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。 我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。 本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2020-07-10T16:00:44Z)
• Distributed Fine-Grained Traffic Speed Prediction for Large-Scale Transportation Networks based on Automatic LSTM Customization and Sharing [0.27528170226206433]
  DistPreは、大規模交通ネットワークのための分散きめ細かな交通速度予測スキームである。 D DistPreは、大規模な交通ネットワークにおいて、時間効率のLSTMカスタマイズと正確な交通速度予測を提供する。
  論文  参考訳（メタデータ） (2020-05-10T21:24:23Z)
• AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting [4.415977307120616]
  本稿では,首都圏の交通量を予測するための適応型アンサンブル(AdaEnsemble)学習手法を提案する。 これは、変動モード分解(VMD)、季節的自己回帰統合移動平均(SARIMA)、多層パーセプトロンネットワーク(MLP)、長期記憶(LSTM)ネットワークの相補的な利点を組み合わせたものである。 提案したAdaEnsembleラーニングアプローチは,最先端モデルと比較して最高の予測性能を持つだけでなく,深セン地下鉄における歴史的乗客フローデータに基づいて,最も有望かつ堅牢であると考えられる。
  論文  参考訳（メタデータ） (2020-02-18T14:18:53Z)

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。