論文の概要: Forecasting MBTA Transit Dynamics: A Performance Benchmarking of Statistical and Machine Learning Models

• arxiv url: http://arxiv.org/abs/2512.02336v1
• Date: Tue, 02 Dec 2025 02:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.682443
• Title: Forecasting MBTA Transit Dynamics: A Performance Benchmarking of Statistical and Machine Learning Models
• Title（参考訳）: MBTAトランジットダイナミクスの予測:統計的および機械学習モデルのパフォーマンスベンチマーク
• Authors: Sai Siddharth Nalamalpu, Kaining Yuan, Aiden Zhou, Eugene Pinsky,
• Abstract要約: マサチューセッツ湾交通局 (MBTA) はボストンの主要な公共交通機関である。 本稿では,地下鉄におけるゲート駅の入場率の予測手法として,既存手法と独自手法の性能を比較した。 その結果, 天気予報データと比較した場合, 天気予報データの提供は, 天気予報データよりも予測精度に有意な効果があることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Massachusetts Bay Transportation Authority (MBTA) is the main public transit provider in Boston, operating multiple means of transport, including trains, subways, and buses. However, the system often faces delays and fluctuations in ridership volume, which negatively affect efficiency and passenger satisfaction. To further understand this phenomenon, this paper compares the performance of existing and unique methods to determine the best approach in predicting gated station entries in the subway system (a proxy for subway usage) and the number of delays in the overall MBTA system. To do so, this research considers factors that tend to affect public transportation, such as day of week, season, pressure, wind speed, average temperature, and precipitation. This paper evaluates the performance of 10 statistical and machine learning models on predicting next-day subway usage. On predicting delay count, the number of models is extended to 11 per day by introducing a self-exciting point process model, representing a unique application of a point-process framework for MBTA delay modeling. This research involves experimenting with the selective inclusion of features to determine feature importance, testing model accuracy via Root Mean Squared Error (RMSE). Remarkably, it is found that providing either day of week or season data has a more substantial benefit to predictive accuracy compared to weather data; in fact, providing weather data generally worsens performance, suggesting a tendency of models to overfit.
• Abstract（参考訳）: マサチューセッツ湾交通局(MBTA)はボストンの主要な公共交通機関であり、列車、地下鉄、バスなど複数の交通手段を運行している。 しかしながら、このシステムは、効率と乗客の満足度に悪影響を及ぼす乗客数の増加と変動に直面していることが多い。 この現象をより深く理解するために,地下鉄におけるゲート駅の入場数(地下鉄利用のプロキシ)の予測とMBTAシステム全体の遅延数について,既存の手法とユニークな手法の性能を比較した。 そこで本研究では, 平日, 季節, 気圧, 風速, 平均気温, 降水量など, 公共交通に影響を及ぼす要因を検討する。 本稿では,次世代地下鉄利用予測における統計的・機械学習モデル10点の性能評価を行った。 遅延数を予測する上で、MBTA遅延モデリングのためのポイントプロセスフレームワークのユニークな応用を表現した自己励磁点プロセスモデルを導入することにより、モデル数が1日当たり11に拡張される。 この研究は、機能の重要性を決定するために機能の選択的なインクルージョンを実験することを含み、Root Mean Squared Error (RMSE)を介してモデルの精度をテストする。 実際、天気データの提供は概してパフォーマンスを悪化させ、モデルが過適合する傾向を示唆している。

関連論文リスト

• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• How to Estimate Model Transferability of Pre-Trained Speech Models? [84.11085139766108]
  事前学習音声モデルの伝達可能性推定のためのスコアベースアセスメントフレームワーク ベイズ確率推定と最適輸送という2つの表現理論を利用して、PSM候補のランクスコアを生成する。 本フレームワークは,候補モデルやレイヤを実際に微調整することなく,転送可能性スコアを効率的に計算する。
  論文  参考訳（メタデータ） (2023-06-01T04:52:26Z)
• Exploring the impact of weather on Metro demand forecasting using machine learning method [1.602570550027996]
  本研究は,2018年4月から6月にかけてのアジア地下鉄の実際の乗客フローデータを用いた。 短時間の交通流予測を用いて, 交通流の時空間分布を解析する。
  論文  参考訳（メタデータ） (2022-10-24T13:01:47Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Public Transit for Special Events: Ridership Prediction and Train Optimization [10.531110013870792]
  交通機関は、ディスラプション、遅延、運賃収入への影響を理解することが重要である。 本稿では,特殊イベントによる渋滞ピーク時の交通システムの性能評価,予測,管理を行うための一連のデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2021-06-09T19:52:18Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data [11.781685156308475]
  本稿では,閉鎖型地下鉄システム内の乗客密度を推定する統計モデルを提案する。 予測結果に基づいて,将来の時刻の乗客密度の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-09-07T04:07:37Z)
• BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
  本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。 特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。 また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
  論文  参考訳（メタデータ） (2020-03-20T17:03:36Z)

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。