論文の概要: Real Time Headway Predictions in Urban Rail Systems and Implications for Service Control: A Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2510.03121v1
• Date: Fri, 03 Oct 2025 15:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.467149
• Title: Real Time Headway Predictions in Urban Rail Systems and Implications for Service Control: A Deep Learning Approach
• Title（参考訳）: 都市鉄道における実時間走行予測とサービス制御の意義:深層学習アプローチ
• Authors: Muhammad Usama, Haris Koutsopoulos,
• Abstract要約: 本研究では,地下鉄全線を横断する列車の走行経路の複雑な伝搬を予測するためのディープラーニングフレームワークを提案する。 提案手法は,計画された終端ヘッドウェイを過去のヘッドウェイデータと共に重要な入力として直接組み込むことで,将来のヘッドウェイのダイナミクスを正確に予測する。 このフレームワークは、ディスパッチ戦略を最適化する強力な計算効率のツールを提供する。
• 参考スコア（独自算出の注目度）: 3.3246021992391874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient real-time dispatching in urban metro systems is essential for ensuring service reliability, maximizing resource utilization, and improving passenger satisfaction. This study presents a novel deep learning framework centered on a Convolutional Long Short-Term Memory (ConvLSTM) model designed to predict the complex spatiotemporal propagation of train headways across an entire metro line. By directly incorporating planned terminal headways as a critical input alongside historical headway data, the proposed model accurately forecasts future headway dynamics, effectively capturing both their temporal evolution and spatial dependencies across all stations. This capability empowers dispatchers to evaluate the impact of various terminal headway control decisions without resorting to computationally intensive simulations. We introduce a flexible methodology to simulate diverse dispatcher strategies, ranging from maintaining even headways to implementing custom patterns derived from observed terminal departures. In contrast to existing research primarily focused on passenger load predictioning or atypical disruption scenarios, our approach emphasizes proactive operational control. Evaluated on a large-scale dataset from an urban metro line, the proposed ConvLSTM model demonstrates promising headway predictions, offering actionable insights for real-time decision-making. This framework provides rail operators with a powerful, computationally efficient tool to optimize dispatching strategies, thereby significantly improving service consistency and passenger satisfaction.
• Abstract（参考訳）: 都市部におけるリアルタイムの効率的な派遣は, サービスの信頼性確保, 資源利用の最大化, 乗客の満足度向上に不可欠である。 本研究では,地下鉄全線を横断する列車方向の複雑な時空間伝搬を予測するために,畳み込み長短期記憶(ConvLSTM)モデルに基づく新しいディープラーニングフレームワークを提案する。 提案手法は,計画された終端ヘッドウェイを過去のヘッドウェイデータとともに重要な入力として直接組み込むことで,将来のヘッドウェイのダイナミクスを正確に予測し,その時間的発展と空間的依存性を全局にわたって効果的に把握する。 この能力により、計算集約的なシミュレーションを使わずに、様々な端末のヘッドウェイ制御決定の影響を評価することができる。 そこで,本研究では,ヘッドウェイの維持から,観測された終端出発から派生したカスタムパターンの実装に至るまで,多様なディスパッチ戦略をシミュレートする柔軟な手法を提案する。 乗客の負荷予測や非定型的破壊シナリオを主眼とする既存研究とは対照的に,本手法では積極的な運用制御が重視されている。 都市メトロラインからの大規模データセットに基づいて評価し、提案したConvLSTMモデルは、期待できる方向予測を示し、リアルタイムな意思決定のための実用的な洞察を提供する。 このフレームワークは、ディスパッチ戦略を最適化し、サービスの一貫性と乗客の満足度を大幅に改善する、強力で効率的なツールを提供する。

関連論文リスト

• 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)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
  急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。 本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。 CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
  論文  参考訳（メタデータ） (2024-06-14T12:57:17Z)
• 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)
• 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)
• Interpretable Machine Learning Models for Modal Split Prediction in Transportation Systems [0.43012765978447565]
  交通ネットワークにおけるモーダル分割予測は、交通渋滞の管理と交通サービスの信頼性向上にネットワークオペレーターをサポートする可能性がある。 本研究では,高次元の旅行時間データを用いて,旅行者の時間差予測の問題に焦点をあてる。 変数選択に様々な正則化手法を用いて、オーバーフィッティングを防止し、多重線形性の問題を解決する。
  論文  参考訳（メタデータ） (2022-03-27T02:59:00Z)
• 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)
• Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts for Inventory Management [8.441020454345932]
  本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。 本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
  論文  参考訳（メタデータ） (2021-07-28T14:11:34Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。