論文の概要: Comparative Analysis of Polygon-Based and Global Machine Learning Models for Bus Occupancy Prediction

• arxiv url: http://arxiv.org/abs/2605.00083v1
• Date: Thu, 30 Apr 2026 15:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.682784
• Title: Comparative Analysis of Polygon-Based and Global Machine Learning Models for Bus Occupancy Prediction
• Title（参考訳）: バス利用予測のためのポリゴンモデルとグローバル機械学習モデルの比較分析
• Authors: Daniel Azenkot, Michael Fire, Eran Ben Elia,
• Abstract要約: 本稿では,空間クラスタリング手法と多次元特徴解析を統合することで,バス利用者の予測を向上する新しいフレームワークを提案する。 都市部を異なる地域にクラスタ化することにより、近接するバスが類似の乗客特性を共有するという原則に基づいて、各クラスタに対して個別の局所予測モデルを訓練する。 その結果,空間的に認識された局所モデリング戦略が公共交通機関の予測に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of bus ridership (passengers numbers) is crucial for efficient management and optimization of public transport systems. Traditional forecasting models often fail to capture the unique and localized dynamics of different urban areas by treating the entire city as a single, homogeneous region. This paper introduces a novel framework that enhances bus ridership prediction by integrating a spatial clustering methodology with multi-dimensional feature analysis. The proposed framework utilizes a diverse set of data, including bus ridership data (by route number, time, and bus stop) complemented by a variety of open source data, such as spatial features (e.g., attractive destinations), meteorological conditions (e.g., temperature, rainfall), and temporal patterns (e.g., time of day, day of week). By clustering the urban area into distinct regions, based on the principle that bus stops in close proximity share similar ridership characteristics, a separate local forecasting model is trained for each of these clusters. This localized approach demonstrates an accuracy comparable to that of global models. The findings suggest that a spatially-aware, localized modeling strategy is effective for public transport prediction, paving the way for more targeted and efficient service improvements.
• Abstract（参考訳）: 公共交通機関の効率的な管理と最適化には,バス利用者の正確な予測(通行人数)が不可欠である。 伝統的な予測モデルは、都市全体を単一で均質な地域として扱うことで、異なる都市地域の特異かつ局所的なダイナミクスを捉えるのに失敗することが多い。 本稿では,空間クラスタリング手法と多次元特徴解析を統合することで,バス利用者の予測を向上する新しいフレームワークを提案する。 提案フレームワークは, 空間的特徴(例えば, 魅力的な目的地), 気象条件(例えば, 温度, 降雨), 時間的パターン(例えば, 日時, 日時, 日時など)など, 様々なオープンソースデータによって補完されるバス利用者データ(ルート番号, 時間, バス停による)など, 多様なデータ集合を利用する。 都市部を異なる地域にクラスタ化することにより、近接するバスが類似の乗客特性を共有するという原則に基づいて、各クラスタに対して個別の局所予測モデルを訓練する。 この局所化アプローチは、グローバルモデルの精度に匹敵する精度を示す。 その結果,空間的に認識された局所モデリング戦略が公共交通機関の予測に有効であることが示唆された。

関連論文リスト

• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• Deep trip generation with graph neural networks for bike sharing system expansion [7.737133861503814]
  マルチソース都市構築環境データに基づく駅レベルの需要予測のためのグラフニューラルネットワーク(GNN)手法を提案する。 提案手法は空間回帰モデルとして,空間回帰とGNNの共通性を示す。
  論文  参考訳（メタデータ） (2023-03-20T16:43:41Z)
• LOPR: Latent Occupancy PRediction using Generative Models [28.49346874213506]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• A Dynamic Model for Bus Arrival Time Estimation based on Spatial Patterns using Machine Learning [1.2891210250935146]
  限られたデータセットを用いて到着時刻を予測するため,バス到着予測モデルを提案する。 インド・トゥムクル市の交通路の一つ、トゥムクル(Tumakuru)が選択され、2つの空間パターンに分けられる。 前回の旅行情報と機械学習モデルを用いてバス到着時刻を動的に予測するモデルを開発し、下流のバス停で到着時刻を推定する。
  論文  参考訳（メタデータ） (2022-10-03T06:35:03Z)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models [76.32775745488073]
  本研究では,非構造環境における動作計画の研究を目的とした,新しいデータセットとモデリングフレームワークを提案する。 コンセンサスに基づくモデリング手法により、データセットで観測された優先順位の出現を効果的に説明できることを実証する。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• Large-Scale Traffic Congestion Prediction based on Multimodal Fusion and Representation Mapping [5.893431681364435]
  渋滞要因を分析して交通渋滞を判断する上で最も重要な課題の一つである。 交通渋滞を予測するため、従来型および機械学習ベースのモデルが導入されている。 本稿では,畳み込みニューラルネットワークに基づく新しいエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:07:28Z)
• TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting [41.87633457352356]
  本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。 2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
  論文  参考訳（メタデータ） (2020-11-30T09:21:43Z)
• 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。