論文の概要: Hierarchical Forecast Reconciliation for Urban Rail Transit Demand Prediction under Operational Disruptions

• arxiv url: http://arxiv.org/abs/2606.07044v1
• Date: Fri, 05 Jun 2026 08:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.646836
• Title: Hierarchical Forecast Reconciliation for Urban Rail Transit Demand Prediction under Operational Disruptions
• Title（参考訳）: 運行混乱下における都市鉄道交通需要予測のための階層的予測調整
• Authors: Dang Viet Anh Nguyen, Alma Fazlagic, Kristine Pryds Loft, Filipe Rodrigues,
• Abstract要約: 本稿では,共同ステーションレベルおよびODレベルのURT需要予測のための最初の階層的予測調整フレームワークを提案する。 ニューラルネットワークのFully Connected Reconcilerは、非コヒーレントベース予測からコヒーレント階層的予測への非線形マッピングを学習する。 その結果,和解は階層的コヒーレンスを確保しつつ,OD予測精度を常に向上させることがわかった。
• 参考スコア（独自算出の注目度）: 4.330506300153804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and coherent passenger demand forecasting is essential for Urban Rail Transit (URT) operations. Passenger demand has a hierarchical structure in which origin-destination (OD) flows aggregate to station-level inflows and outflows through conservation constraints. In practice, station-level and OD-level forecasts are often generated independently, producing incoherent predictions that violate these constraints and introduce inconsistencies into operational decision-making. Such issues become more severe during disruptions, when forecasting reliability is most critical. This paper presents the first hierarchical forecast reconciliation framework for joint station-level and OD-level URT demand prediction. A neural Fully Connected Reconciler (FCR) learns a non-linear mapping from incoherent base forecasts to coherent hierarchical predictions while guaranteeing exact structural consistency by construction. The method is benchmarked against OLS, WLS, and Minimum Trace (MinT) variants using Rejsekort smart-card data from the Copenhagen S-train network under one-step, multi-step, and disruption forecasting scenarios. Results show that reconciliation consistently improves OD forecasting accuracy while ensuring hierarchical coherence. Under normal conditions, FCR performs competitively with MinT-based methods. An oracle analysis indicates that perfect station-level forecasts could reduce OD prediction error by up to 34 percent, highlighting the value of improved base forecasts. Under severe disruptions, FCR outperforms classical methods, reducing OD forecasting error by up to 17.45 percent in multi-step destination-side delay scenarios. These findings establish hierarchical reconciliation as an effective mechanism for improving forecast robustness, with the largest benefits occurring under the most challenging operating conditions.
• Abstract（参考訳）: 都市鉄道(URT)の運行には正確な旅客需要予測が不可欠である。 乗客の需要は、原産地(OD)が保存的制約を通じてステーションレベルの流入と流出に集約される階層構造を持つ。 実際には、ステーションレベルの予測とODレベルの予測は独立して生成され、これらの制約に違反し、運用上の意思決定に矛盾をもたらす不整合予測が生じる。 このような問題は、信頼性の予測が最も重要となるディスラプション時により深刻になる。 本稿では,共同ステーションレベルおよびODレベルのURT需要予測のための最初の階層的予測調整フレームワークを提案する。 ニューラルフルリコネクテッド・リコンシラー(FCR)は、非コヒーレントベース予測からコヒーレント階層予測への非線形マッピングを学習し、構成による正確な構造的整合性を保証する。 この方法は、コペンハーゲンS-トレインネットワークからのRejsekortスマートカードデータを用いて、一段階、多段階、破壊予測シナリオ下で、LS、WLS、MinT(Minmum Trace)の変種に対してベンチマークを行う。 その結果,和解は階層的コヒーレンスを確保しつつ,OD予測精度を常に向上させることがわかった。 通常の条件下では、FCRはMinTベースの手法と競合する。 オラクル分析は、完璧なステーションレベルの予測はOD予測誤差を最大34%削減し、改善されたベース予測の価値を強調していることを示している。 深刻な混乱の下で、FCRは古典的な手法よりも優れており、複数ステップの目的地側の遅延シナリオにおいてOD予測誤差を最大17.45パーセント削減している。 これらの知見は,最も困難な手術条件下で発生する最大のメリットとして,予測ロバスト性を改善する効果的なメカニズムとして階層的和解が確立された。

関連論文リスト

• Uncertainty-Aware Delivery Delay Duration Prediction via Multi-Task Deep Learning [11.2212153491325]
  本稿では,重大不均衡データの存在下での納期遅延予測のためのマルチタスク深層学習モデルを提案する。 提案モデルは,産業パートナーによる大規模実世界のデータセットを用いて評価する。 実験結果から,提案手法は平均絶対誤差が0.67-0.91日であることがわかった。
  論文  参考訳（メタデータ） (2026-02-23T19:01:03Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Forecasting reconciliation with a top-down alignment of independent level forecasts [3.600932575533886]
  全体予測性能は,下層部における断続時系列の予測精度に大きく影響している。 本稿では,階層の上層部における予測精度を高めるため,底面予測を潜時として扱う予測調整手法を提案する。
  論文  参考訳（メタデータ） (2021-03-15T10:00:23Z)

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。