論文の概要: RIDE: An Open Dataset and Benchmark for Train Delay Prediction

• arxiv url: http://arxiv.org/abs/2606.05070v1
• Date: Wed, 03 Jun 2026 16:29:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.896971
• Title: RIDE: An Open Dataset and Benchmark for Train Delay Prediction
• Title（参考訳）: RIDE: 遅延予測のためのオープンデータセットとベンチマーク
• Authors: Clément Elliker, Mathis Le Bail, Clément Mantoux, Jesse Read, Sonia Vanier,
• Abstract要約: RIDEは、ベルギーの鉄道網上に全国規模で構築された列車遅延予測のためのオープンデータセットとベンチマークである。 94.5万の列車イベント、3.6万回の旅行、2023年から2025年までの35.7万回の気象記録をカバーしている。 生の鉄道と気象源から、再利用可能な中間関係データセットとモデル対応ベンチマークデータセットの2つのパブリックリリースまでの、階層化されたデータパイプラインとして組織されている。
• 参考スコア（独自算出の注目度）: 1.7793982512455193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Train delay prediction is an important problem for both passengers and railway operators, yet progress in the field remains difficult to assess due to the lack of standardized datasets, prediction targets, and evaluation protocols. To address this gap, we introduce RIDE, an open dataset and benchmark for train delay prediction built at nationwide scale over the Belgian railway network. RIDE covers 94.5M train events, 3.6M journeys, and 35.7M weather records from 2023 to 2025. It is organized as a layered data pipeline from raw railway and weather sources to two public releases: a reusable intermediate relational dataset and model-ready benchmark datasets. The benchmark standardizes the prediction task and the training and testing data. It also provides a unified evaluation protocol that supports direct comparison across models. Using this framework, we provide the first comprehensive comparative evaluation of non-learning, statistical learning, and deep learning models. We show that learning-based methods clearly outperform non-learning models, with graph neural networks achieving the best mean performance, while the strongest learning-based models remain relatively close to one another. Beyond aggregate mean absolute error (MAE) and root mean squared error (RMSE), the framework also provides breakdowns by prediction horizon and delay change, enabling more detailed analysis of model behavior across forecasting regimes.
• Abstract（参考訳）: 列車遅延予測は、乗客と鉄道事業者双方にとって重要な問題であるが、標準化されたデータセット、予測ターゲット、評価プロトコルが欠如しているため、現場での進捗を評価することは依然として困難である。 このギャップに対処するために、ベルギーの鉄道網上で全国規模で構築された列車遅延予測のためのオープンデータセットとベンチマークであるRIDEを導入する。 RIDEは、2023年から2025年までの94.5万の列車イベント、3.6万回の旅行、35.7万回の気象記録をカバーしている。 生の鉄道と気象源から、再利用可能な中間関係データセットとモデル対応ベンチマークデータセットの2つのパブリックリリースまでの、階層化されたデータパイプラインとして組織されている。 ベンチマークは予測タスクとトレーニングおよびテストデータを標準化する。 また、モデル間の直接比較をサポートする統一評価プロトコルも提供する。 このフレームワークを用いて,非学習モデル,統計的学習モデル,深層学習モデルの総合的な比較評価を行う。 学習に基づく学習手法は、学習モデルよりも明らかに優れており、グラフニューラルネットワークが最高の平均性能を達成しているのに対して、学習ベースの最強モデルは相対的に互いに近いままである。 集約平均絶対誤差(MAE)とルート平均二乗誤差(RMSE)に加えて、予測水平線と遅延変化による分解も提供する。

関連論文リスト

• Forecasting Downstream Performance of LLMs With Proxy Metrics [37.61408486519996]
  本稿では,トークンレベルの統計値(エントロピー,トップk精度,エキスパートトークンランクなど)を集約することで,プロキシメトリクスを構築することを提案する。 3つの設定で、我々のプロキシは損失ベースのベースラインと計算ベースのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-18T16:17:15Z)
• Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network [7.850219269698452]
  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。
  論文  参考訳（メタデータ） (2025-10-10T13:03:00Z)
• Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
  MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。 両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-03-05T14:18:39Z)
• RealTraj: Towards Real-World Pedestrian Trajectory Forecasting [10.332817296500533]
  本稿では,軌道予測の現実的適用性を高める新しいフレームワークであるRealTrajを提案する。 Det2TrajFormerは、過去の検出を入力として使用することで、ノイズの追跡に不変なモデルである。 従来のトラジェクトリ予測手法とは異なり,本手法は地平線検出のみを用いてモデルを微調整し,コストのかかる人体IDアノテーションの必要性を低減させる。
  論文  参考訳（メタデータ） (2024-11-26T12:35:26Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• ForecastPFN: Synthetically-Trained Zero-Shot Forecasting [16.12148632541671]
  ForecastPFNは、新しい合成データ分布に基づいて純粋に訓練された最初のゼロショット予測モデルである。 ForecastPFNによるゼロショット予測は、最先端の予測手法よりも正確で高速であることを示す。
  論文  参考訳（メタデータ） (2023-11-03T14:17:11Z)
• 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)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)

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。