論文の概要: A Bayesian Framework for Post-disruption Travel Time Prediction in Metro Networks

• arxiv url: http://arxiv.org/abs/2602.19952v1
• Date: Mon, 23 Feb 2026 15:20:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.878514
• Title: A Bayesian Framework for Post-disruption Travel Time Prediction in Metro Networks
• Title（参考訳）: メトロネットワークにおけるディスラプション後の走行時間予測のためのベイズ的枠組み
• Authors: Shayan Nazemi, Aurélie Labbe, Stefan Steiner, Pratheepa Jeganathan, Martin Trépanier, Léo R. Belzile,
• Abstract要約: ディスラプションは不規則な列車運行を誘発し、乗客の待ち時間や旅行時間にかなりの不確実性をもたらす。 本稿では, 復旧期間中に観測された列車間相互作用, ヘッドウェイ不均衡, および非ガウス分布特性を捉えた, 事故後の列車走行時間のモデル化手法を開発した。 実験の結果, 崩壊後の走行時間は, 距離によって異なる分布非対称性を示すとともに, 列車間の誤差依存性も顕著であることがわかった。
• 参考スコア（独自算出の注目度）: 0.6927055673104933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disruptions are an inherent feature of transportation systems, occurring unpredictably and with varying durations. Even after an incident is reported as resolved, disruptions can induce irregular train operations that generate substantial uncertainty in passenger waiting and travel times. Accurately forecasting post-disruption travel times therefore remains a critical challenge for transit operators and passenger information systems. This paper develops a Bayesian spatiotemporal modeling framework for post-disruption train travel times that explicitly captures train interactions, headway imbalance, and non-Gaussian distributional characteristics observed during recovery periods. The proposed model decomposes travel times into delay and journey components and incorporates a moving-average error structure to represent dependence between consecutive trains. Skew-normal and skew-$t$ distributions are employed to flexibly accommodate heteroskedasticity, skewness, and heavy-tailed behavior in post-disruption travel times. The framework is evaluated using high-resolution track-occupancy and disruption log data from the Montréal metro system, covering two lines in both travel directions. Empirical results indicate that post-disruption travel times exhibit pronounced distributional asymmetries that vary with traveled distance, as well as significant error dependence across trains. The proposed models consistently outperform baseline specifications in both point prediction accuracy and uncertainty quantification, with the skew-$t$ model demonstrating the most robust performance for longer journeys. These findings underscore the importance of incorporating both distributional flexibility and error dependence when forecasting post-disruption travel times in urban rail systems.
• Abstract（参考訳）: ディスラプションは交通システムの本質的な特徴であり、予測不能かつ様々な期間にわたって発生する。 事故が解決したと報告された後も、不規則な列車運行が引き起こされ、乗客の待ち時間や旅行時間にかなりの不確実性をもたらす可能性がある。 したがって、事故後の正確な走行時間を予測することは、交通事業者や乗客情報システムにとって重要な課題である。 本稿では, 復旧期間中に観測された列車間相互作用, ヘッドウェイ不均衡, および非ガウス分布特性を明示的に捉えた, 破壊後の列車走行時間に対するベイズ時空間モデルを構築した。 提案モデルでは、走行時間を遅延成分と走行成分に分解し、連続列車間の依存性を表す移動平均誤差構造を組み込んだ。 スキューノーマルおよびスキュー=t$の分布は、破壊後の旅行時間におけるヘテロスケダスティック性、歪性、および重く尾の挙動に柔軟に対応するために用いられる。 このフレームワークは、モントリオール地下鉄の高分解能トラック占有率と破壊ログデータを用いて評価され、両走行方向の2路線をカバーしている。 実験の結果, 事故後の走行時間は, 走行距離によって異なる分布非対称性を示すとともに, 列車間の誤差依存性も顕著であることがわかった。 提案したモデルは、点予測精度と不確実性定量化の両方において、基準ライン仕様を一貫して上回り、スキュー=$t$モデルは長い旅において最も堅牢な性能を示す。 これらの結果は, 都市鉄道における破壊後の走行時間予測において, 分布の柔軟性と誤差依存性を両立させることの重要性を浮き彫りにした。

関連論文リスト

• BAgger: Backwards Aggregation for Mitigating Drift in Autoregressive Video Diffusion Models [50.986189632485285]
  モデル自身のロールアウトから補正軌道を構築する自己教師型スキームであるバックワードアグリゲーション(BAgger)を導入する。 数段階の蒸留と分配整合損失に依存する従来のアプローチとは異なり、BAggerは標準的なスコアやフローマッチングの目的を持つ列車である。 因果拡散変換器でBAggerをインスタンス化し、テキスト・ツー・ビデオ、ビデオ・エクステンション、マルチプロンプト・ジェネレーションで評価する。
  論文  参考訳（メタデータ） (2025-12-12T23:02:02Z)
• 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)
• Streaming detection of significant delay changes in public transport systems [0.9217021281095907]
  遅延などの公共交通機関の混乱は、モビリティの選択に悪影響を及ぼす可能性がある。 本稿では,遅延検出手法と参照アーキテクチャを提案する。 方法は、スケジュールからの逸脱として定義される遅延の計算を補完することができる。
  論文  参考訳（メタデータ） (2024-04-11T15:54:20Z)
• Seeing the Unseen: Learning Basis Confounder Representations for Robust Traffic Prediction [41.59726314922999]
  交通予測はインテリジェント交通システムと都市コンピューティングにとって不可欠である。 各種統計・深層学習手法を用いて, 過去の交通データXと将来の交通状況Yの関係を確立することを目的とする。 X -> Y の関係は、しばしば X と Y の両方に同時に影響を与える外部共同設立者の影響を受けている。 既存のディープラーニングトラフィック予測モデルでは、共同創業者の問題に対処するために、古典的なフロントドアとバックドアの調整が採用されている。
  論文  参考訳（メタデータ） (2023-11-21T09:33:13Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• 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)
• Incorporating travel behavior regularity into passenger flow forecasting [11.763229353978321]
  本稿では, 生成機構を標準時系列モデルに組み込むことで, 搭乗フローを予測するための新しいフレームワークを提案する。 我々は,因果関係を要約し,逆流を推定するリターン確率パラレルグラム(RPP)を開発した。 提案手法は,現実の乗客フローデータを用いて評価する。
  論文  参考訳（メタデータ） (2020-04-02T13:46:01Z)

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。