論文の概要: RSTGCN: Railway-centric Spatio-Temporal Graph Convolutional Network for Train Delay Prediction

• arxiv url: http://arxiv.org/abs/2510.01262v1
• Date: Fri, 26 Sep 2025 01:52:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.768379
• Title: RSTGCN: Railway-centric Spatio-Temporal Graph Convolutional Network for Train Delay Prediction
• Title（参考訳）: RSTGCN:列車遅延予測のための鉄道中心時空間グラフ畳み込みネットワーク
• Authors: Koyena Chowdhury, Paramita Koley, Abhijnan Chakraborty, Saptarshi Ghosh,
• Abstract要約: 本稿では,鉄道駅における全列車の到着遅延を予測するために,鉄道中心の時空間グラフ畳み込みネットワーク(RSTGCN)を提案する。 提案手法は,列車の周波数を考慮した空間的注意を含む,いくつかのアーキテクチャの革新と新しい特徴の統合を取り入れている。 この取り組みを支援するために、インド鉄道ネットワーク(IRN)全体の包括的なデータセットをキュレートし、リリースしました。
• 参考スコア（独自算出の注目度）: 6.818193314114963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of train delays is critical for efficient railway operations, enabling better scheduling and dispatching decisions. While earlier approaches have largely focused on forecasting the exact delays of individual trains, recent studies have begun exploring station-level delay prediction to support higher-level traffic management. In this paper, we propose the Railway-centric Spatio-Temporal Graph Convolutional Network (RSTGCN), designed to forecast average arrival delays of all the incoming trains at railway stations for a particular time period. Our approach incorporates several architectural innovations and novel feature integrations, including train frequency-aware spatial attention, which significantly enhances predictive performance. To support this effort, we curate and release a comprehensive dataset for the entire Indian Railway Network (IRN), spanning 4,735 stations across 17 zones - the largest and most diverse railway network studied to date. We conduct extensive experiments using multiple state-of-the-art baselines, demonstrating consistent improvements across standard metrics. Our work not only advances the modeling of average delay prediction in large-scale rail networks but also provides an open dataset to encourage further research in this critical domain.
• Abstract（参考訳）: 列車遅延の正確な予測は、効率的な鉄道運行にとって重要であり、より良いスケジューリングと発車決定を可能にする。 従来のアプローチは、個々の列車の正確な遅延を予測することに集中していたが、最近の研究では、より高いレベルの交通管理を支援するために、駅レベルの遅延予測を探求し始めた。 本稿では,鉄道駅における着信列車の平均到着遅延を予測するために,鉄道中心の時空間グラフ畳み込みネットワーク(RSTGCN)を提案する。 提案手法は,列車の周波数を考慮した空間的注意を含む,いくつかのアーキテクチャの革新と新しい特徴の統合を取り入れ,予測性能を著しく向上させる。 この取り組みを支援するため、インド鉄道ネットワーク(IRN)全体の包括的なデータセットをキュレートし、リリースしました。 複数の最先端のベースラインを使用して広範な実験を行い、標準メトリクス間で一貫した改善を実証する。 我々の研究は、大規模鉄道網における平均遅延予測のモデル化を前進させるだけでなく、この重要な領域におけるさらなる研究を促進するためのオープンデータセットも提供する。

関連論文リスト

• Predicting Delayed Trajectories Using Network Features: A Study on the Dutch Railway Network [0.0]
  本研究は, トポロジ的特徴に着目したXGBoostを用いて, オランダの鉄道網における遅延予測研究のギャップを解消するものである。 現在の研究は主に短期的な予測を強調し、リップル効果の緩和に不可欠なネットワーク全体のパターンを無視している。 この研究は、オランダ鉄道における遅延を予測するために、最初は急速に変化する米国の航空網の進化を予測するために設計された既存の方法論を実装し、改善している。
  論文  参考訳（メタデータ） (2025-07-15T22:30:36Z)
• ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
  現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。 この問題に対処するために,ST-FiTというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T17:51:29Z)
• 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)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
  短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。 本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。 本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
  論文  参考訳（メタデータ） (2022-02-10T13:18:11Z)
• Transformers \`a Grande Vitesse [0.09208007322096534]
  本研究の目的は,鉄道区間における列車の走行時間を,鉄道網全体の規模でリアルタイムに予測することである。 提案手法は,現在使われている,実験的な予測手法と比較して,実世界のデータに対して非常に肯定的な結果をもたらす。
  論文  参考訳（メタデータ） (2021-05-18T13:43:18Z)
• 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。