論文の概要: RTSKG: Building a Rail Transit Station Knowledge Graph Dataset
- arxiv url: http://arxiv.org/abs/2608.11080v1
- Date: Tue, 11 Aug 2026 15:41:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.109518
- Title: RTSKG: Building a Rail Transit Station Knowledge Graph Dataset
- Title（参考訳）: RTSKG:鉄道駅知識グラフデータセットの構築
- Abstract要約: 鉄道駅は、都市のアクセシビリティを高め、周辺地域の開発を促進する重要な交通ハブとして機能している。
レールトランジットステーション知識グラフ(RTSKG)データセットは、異なる種類の都市エンティティ間の空間的および意味的相互作用を明示的にモデル化する。
RTSKGの有効性を実証するため,駅エリアの店舗推薦と知識向上型乗降客予測の評価を行った。
- 参考スコア（独自算出の注目度）: 13.471807967787894
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Rail transit systems play a vital role in urban mobility and economic development. As key components of such systems, rail transit stations function as critical transport hubs that enhance urban accessibility and stimulate development in surrounding areas. City-level rail transit station related tasks (e.g., ridership prediction) require large-scale urban data, but current studies often neglect complex interactions among various urban entities in terms of data organization. In this paper, to address the above issue, we build a Rail Transit Station Knowledge Graph (RTSKG) dataset which explicitly models the spatial and semantic interactions among different kinds of urban entities, to benefit city-level rail transit station related tasks. RTSKG integrates heterogeneous urban entities, such as rail transit stations, road segments, and points of interest, with a specially designed unified schema, and is accessible as Linked Data at https://w3id.org/rtskg/. Evaluations on station-area store recommendation and knowledge-enhanced ridership prediction demonstrate the effectiveness of RTSKG, highlighting its potential to support city-level rail transit station analysis.
- Abstract（参考訳）: 鉄道は都市移動と経済発展において重要な役割を担っている。
このようなシステムの鍵となる構成要素として、鉄道駅は都市のアクセシビリティを高め、周辺の開発を刺激する重要な交通ハブとして機能している。
都市レベルの鉄道駅関連タスク(例えば、乗客予測)は、大規模な都市データを必要とするが、現在の研究では、データ組織の観点から、様々な都市組織間の複雑な相互作用を無視することが多い。
本稿では,都市部における交通機関間の空間的・意味的相互作用を明示的にモデル化するRTSKG(Rail Transit Station Knowledge Graph)データセットを構築し,都市レベルの鉄道駅関連業務に役立てる。
RTSKGは、鉄道駅、道路セグメント、関心点などの異種都市エンティティを特別に設計された統合スキーマに統合し、https://w3id.org/rtskg/でLinked Dataとしてアクセス可能である。
駅エリアの店舗推薦と知識に富んだ乗務員予測の評価は、RTSKGの有効性を示し、都市レベルの鉄道駅分析を支援する可能性を強調している。
関連論文リスト
- When the City Teaches the Car: Label-Free 3D Perception from Infrastructure [47.72611382185263]
自動運転のための堅牢な3D認識の構築は、依然として大規模なデータ収集と手動のアノテーションに大きく依存している。
現代の都市は、道路サイドユニット(RSU)、道路に沿って配置された静的センサー、そして交通を監視するために交差点に配置されている。
本稿では,RSUがエゴ車両の教師なしの静止型教師として機能する,インフラストラクチャトレートでラベルのない3D知覚手法を提案する。
論文 参考訳（メタデータ） (2026-03-17T16:21:06Z) - Transit for All: Mapping Equitable Bike2Subway Connection using Region Representation Learning [4.403122905236942]
自転車シェアリングシステム(BSS)は、手頃なファーストマイルとラストマイルの接続を提供することで、株式ギャップを埋めることができる。
本稿では,BSSの等間隔展開を導くための空間コンピューティングフレームワークであるTransit for All(TFA)を紹介する。
ニューヨーク市をケーススタディとして、低所得層や少数民族社会に不均衡に影響を及ぼす交通アクセシビリティのギャップを同定する。
論文 参考訳（メタデータ） (2025-06-18T03:31:07Z) - GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。
公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。
本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
論文 参考訳（メタデータ） (2024-07-11T17:56:49Z) - Crowd-sensing commuting patterns using multi-source wireless data: a
case of Helsinki commuter trains [1.0323063834827415]
本稿では,従来の自動乗客計数器と,詳細な移動需要データを収集できる新たな情報源の組み合わせについて検討する。
この新たなデータソースは、ヘルシンキ地域交通局(HSL)が主導するパイロットプロジェクトTravelSenseに由来する。
列車の発着地・発着地・発着地・発着地・発着駅・発着駅・発着駅を識別し,列車利用者の旅程構造をよりよく理解することができる。
論文 参考訳（メタデータ） (2023-02-06T09:59:33Z) - On Designing Day Ahead and Same Day Ridership Level Prediction Models
for City-Scale Transit Networks Using Noisy APC Data [0.0]
本稿では,複数のソースからのデータの収集,クリーン化,処理,マージを併用して,トランジットライダーシップの予測に機械学習モデルをトレーニングする手法を提案する。
ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2022-10-10T19:50:59Z) - 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) - Urban Vehicle Mobility Characteristic Mining and Trip Generation Based
on Knowledge Graph [14.032480351768395]
本研究では,個人レベルの都市交通ビッグデータをよりよく扱うための知識グラフを紹介する。
個人レベルの旅行データを構成するために,個人レベルの旅行知識グラフを設計・構築した。
個人レベルの交通データのプライバシー問題に対処するため,知識グラフ生成に基づく個人レベルの旅行合成手法を提案する。
論文 参考訳（メタデータ） (2022-02-19T04:13:17Z) - Identifying the Factors that Influence Urban Public Transit Demand [0.0]
近年のアメリカ全土の都市化の進展は、大都市圏の住民が利用できる交通サービスについて、都市計画者や交通技術者がより深く考慮することを必要としている。
これらの改善は、都市公共交通機関の需要に影響を与える要因を特定し、理解することで達成できる。
都市公共交通機関の需要に影響を与える共通の要因は、内外的要因である。
論文 参考訳（メタデータ） (2021-11-16T05:37:51Z) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳（メタデータ） (2021-06-22T15:40:21Z) - Physical-Virtual Collaboration Modeling for Intra-and Inter-Station
Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。
特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。
類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文 参考訳（メタデータ） (2020-01-14T16:47:54Z)
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。