論文の概要: A data-driven approach to inferring travel trajectory during peak hours in urban rail transit systems
- arxiv url: http://arxiv.org/abs/2512.14728v1
- Date: Wed, 10 Dec 2025 02:17:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-18 17:06:26.694551
- Title: A data-driven approach to inferring travel trajectory during peak hours in urban rail transit systems
- Title（参考訳）: 都市交通システムにおけるピーク時の走行軌跡推定のためのデータ駆動手法
- Authors: Jie He, Yong Qin, Jianyuan Guo, Xuan Sun, Xuanchuan Zheng,
- Abstract要約: 本稿では,都市交通システムにおける個々の交通経路を推定するためのデータ駆動手法を提案する。
このシステムは、AFC(Automatic Fare Collection)とAVL(Automatic Vehicle Location)システムからのデータを利用して、キーの軌道要素を推測する。
ピーク時の都市鉄道の走行軌道推定において、90%以上の精度で高精度な旅客軌道推定を行うことができる。
- 参考スコア（独自算出の注目度）: 20.043650088539454
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Refined trajectory inference of urban rail transit is of great significance to the operation organization. In this paper, we develop a fully data-driven approach to inferring individual travel trajectories in urban rail transit systems. It utilizes data from the Automatic Fare Collection (AFC) and Automatic Vehicle Location (AVL) systems to infer key trajectory elements, such as selected train, access/egress time, and transfer time. The approach includes establishing train alternative sets based on spatio-temporal constraints, data-driven adaptive trajectory inference, and trave l trajectory construction. To realize data-driven adaptive trajectory inference, a data-driven parameter estimation method based on KL divergence combined with EM algorithm (KLEM) was proposed. This method eliminates the reliance on external or survey data for parameter fitting, enhancing the robustness and applicability of the model. Furthermore, to overcome the limitations of using synthetic data to validate the result, this paper employs real individual travel trajectory data for verification. The results show that the approach developed in this paper can achieve high-precision passenger trajectory inference, with an accuracy rate of over 90% in urban rail transit travel trajectory inference during peak hours.
- Abstract（参考訳）: 都市部における鉄道交通の軌道推定は,事業組織にとって非常に重要である。
本稿では,都市交通システムにおける個々の交通経路を推定するための,完全なデータ駆動型アプローチを開発する。
オートマチック・フェア・コレクション(AFC)とオートマチック・ビークル・ロケーション(AVL)システムからのデータを利用して、選択された列車、アクセス/エクスプレス時間、転送時間などの重要な軌道要素を推測する。
このアプローチには、時空間制約に基づく列車代替セットの設定、データ駆動適応軌道推定、軌道l軌道構築が含まれる。
データ駆動適応軌道推定を実現するために,KL分散とEMアルゴリズム(KLEM)を組み合わせたデータ駆動パラメータ推定法を提案した。
パラメータフィッティングのための外部データや調査データへの依存をなくし、モデルの堅牢性と適用性を高める。
さらに,結果を検証するために合成データを使用することの限界を克服するために,実際の個人走行軌跡データを用いて検証を行う。
本研究で開発された手法は,ピーク時の都市鉄道走行軌道推定において90%以上の精度で高精度な旅客軌道推定を実現することができることを示す。
関連論文リスト
- Unifying Environment Perception and Route Choice Modeling for Trajectory Representation Learning [47.00223863430964]
Tray Learning (TRL) は、低次元ベクトルに生の軌跡をエンコードすることを目的としており、旅行時間推定、位置予測、軌道類似性解析など様々な下流タスクに活用できる。
効率的なtextbfPRTrajectory表現学習のための時間的明示的textRoute選択モデルであるtextbfPRTrajを提案する。
論文 参考訳（メタデータ） (2025-10-16T15:55:28Z) - Real Time Headway Predictions in Urban Rail Systems and Implications for Service Control: A Deep Learning Approach [3.3246021992391874]
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。
論文 参考訳（メタデータ） (2025-10-03T15:50:01Z) - Capturing the Temporal Dependence of Training Data Influence [100.91355498124527]
我々は、訓練中にデータポイントを除去する影響を定量化する、軌跡特異的な離脱の影響の概念を定式化する。
軌道固有LOOの効率的な近似を可能にする新しい手法であるデータ値埋め込みを提案する。
データバリューの埋め込みは、トレーニングデータの順序付けをキャプチャするので、モデルトレーニングのダイナミクスに関する貴重な洞察を提供する。
論文 参考訳（メタデータ） (2024-12-12T18:28:55Z) - A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data [0.0]
本研究では,機械学習アルゴリズムと実交通情報を組み合わせた都市移動性向上手法を提案する。
ニューヨーク市の黄色いタクシー旅行のデータを用いて,旅行時間と渋滞解析の予測モデルを構築した。
本研究は、高度データ駆動方式による都市渋滞の低減と交通効率の向上を目的とした継続的な取り組みに寄与する。
論文 参考訳（メタデータ） (2024-10-07T16:16:49Z) - 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) - Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
交通流推定(TFE)はインテリジェント交通システムにおいて重要である。
本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。
このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
論文 参考訳（メタデータ） (2024-07-10T20:26:04Z) - 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) - ST-former for short-term passenger flow prediction during COVID-19 in
urban rail transit system [8.506559986635057]
乗客の流動の複雑な依存関係を動的にモデル化する方法は、感染発生時に正確な乗客の流動予測を行う上で、主要な課題である。
本稿では、COVID-19に特化したエンコーダデコーダフレームワーク下で、STformerと呼ばれるトランスフォーマーベースのアーキテクチャを提案する。
実世界の乗客フローデータセットの実験は、STフォーマーが他の11の最先端手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2022-10-14T01:51:33Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳（メタデータ） (2022-05-27T12:46:52Z) - Study on Key Technologies of Transit Passengers Travel Pattern Mining
and Applications based on Multiple Sources of Data [1.370633147306388]
本稿では,移動客の移動パターンと行動選好をマイニングするための一連の手法を提案する。
これらの知識を交通システムの調整と最適化に利用しています。
論文 参考訳（メタデータ） (2020-05-26T22:35:28Z)
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。