論文の概要: Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network

• arxiv url: http://arxiv.org/abs/2510.09350v1
• Date: Fri, 10 Oct 2025 13:03:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:49.000953
• Title: Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network
• Title（参考訳）: 高密度ネットワークにおける列車遅延の時空間カスケード効果の深層学習
• Authors: Vu Duc Anh Nguyen, Ziyue Li,
• Abstract要約: 本稿では,マルチステップ列車遅延予測のための新しいXGeoAIフレームワークを開発し,評価する。 この研究の核心は、2段階の自動回帰グラフ注意ネットワーク(GAT)モデルであり、オランダの鉄道ネットワークの40%以上をカバーする実世界のデータセットでトレーニングされている。 実運用における実稼働性をテストするため,このモデルを逐次kステップ先予測プロトコルを用いて厳格に評価する。
• 参考スコア（独自算出の注目度）: 7.850219269698452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The operational efficiency of railway networks, a cornerstone of modern economies, is persistently undermined by the cascading effects of train delays. Accurately forecasting this delay propagation is a critical challenge for real-time traffic management. While recent research has leveraged Graph Neural Networks (GNNs) to model the network structure of railways, a significant gap remains in developing frameworks that provide multi-step autoregressive forecasts at a network-wide scale, while simultaneously offering the live, interpretable explanations needed for decision support. This paper addresses this gap by developing and evaluating a novel XGeoAI framework for live, explainable, multi-step train delay forecasting. The core of this work is a two-stage, autoregressive Graph Attention Network (GAT) model, trained on a real-world dataset covering over 40% of the Dutch railway network. The model represents the system as a spatio-temporal graph of operational events (arrivals and departures) and is enriched with granular features, including platform and station congestion. To test its viability for live deployment, the model is rigorously evaluated using a sequential, k-step-ahead forecasting protocol that simulates real-world conditions where prediction errors can compound. The results demonstrate that while the proposed GATv2 model is challenged on pure error metrics (MAE) by a simpler Persistence baseline, it achieves consistently higher precision in classifying delay events -- a crucial advantage for a reliable decision support tool.
• Abstract（参考訳）: 近代経済の基盤である鉄道網の運用効率は、列車遅延のカスケード効果によって損なわれ続けている。 この遅延伝搬を正確に予測することは、リアルタイムトラフィック管理にとって重要な課題である。 最近の研究では、グラフニューラルネットワーク(GNN)を利用して鉄道のネットワーク構造をモデル化しているが、ネットワーク規模で多段階の自己回帰予測を提供するフレームワークの開発には大きなギャップが残っている。 本稿では,列車遅延予測のための新しいXGeoAIフレームワークを開発し,評価することにより,このギャップを解消する。 この研究の核心は、2段階の自動回帰グラフ注意ネットワーク(GAT)モデルであり、オランダの鉄道ネットワークの40%以上をカバーする実世界のデータセットでトレーニングされている。 このモデルは、運用イベント(到着と出発)の時空間グラフとしてシステムを表現し、プラットフォームやステーションの混雑といった粒度の細かい特徴に富んでいる。 実運用における生存可能性をテストするために,予測エラーが混在する実環境条件をシミュレートする,逐次的かつk段階の予測プロトコルを用いて,モデルを厳格に評価する。 その結果、提案したGATv2モデルは、単純なPersistenceベースラインによって純粋なエラーメトリクス(MAE)に挑戦する一方で、信頼性の高い意思決定支援ツールにとって重要な利点である遅延イベントの分類の精度を一貫して向上させることがわかった。

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)
• DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
  本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。 ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。 最先端のモデルを精度、効率、堅牢性で上回る。
  論文  参考訳（メタデータ） (2024-10-19T06:59:39Z)
• 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)
• Unveiling Delay Effects in Traffic Forecasting: A Perspective from Spatial-Temporal Delay Differential Equations [20.174094418301245]
  交通流予測は交通計画と管理の基本的な研究課題である。 近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。 1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
  論文  参考訳（メタデータ） (2024-02-02T08:55:23Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• 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)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。