論文の概要: Transit Destination Inference from Tap-In-Only Bus Smart-Card Data: A Hierarchical Bayesian Approach

• arxiv url: http://arxiv.org/abs/2608.11223v1
• Date: Thu, 23 Jul 2026 12:57:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.582027
• Title: Transit Destination Inference from Tap-In-Only Bus Smart-Card Data: A Hierarchical Bayesian Approach
• Title（参考訳）: タップ・イン・オン・バス・スマートカードデータからのトランジション・デスティネーション推定:階層ベイズ的アプローチ
• Abstract要約: 入場のみの自動運賃徴収システムでは搭乗記録があるが、着火は行わず、原産地行列の直接構築を妨げている。 本研究は,駅時間帯の乗車と降車需要と乗客カード履歴を組み合わせた階層型ベイジアン潜水モデルを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Entry-only automatic fare collection systems record boardings but not alightings, preventing direct construction of origin-destination (OD) matrices. This study develops a Hierarchical Bayesian Latent-Destination (HBLD) model that combines station-hour boarding and inferred alighting demand with passenger card histories. Trip-chain destinations are treated as noisy evidence with a reliability parameter, allowing destination uncertainty to propagate into OD flows. The model was applied to 838,305 bus tap-ins collected in Changzhou in May 2025 and linked to stop-network and hourly weather data. It estimates destination distributions over feasible downstream and reverse-direction through-terminal stops using network, time-of-day, weather, and smoothed historical demand effects. A Bayesian personalization layer uses prior card trips and reverts to the shared trip-level distribution when history is unavailable. Fitted by stochastic variational inference and evaluated on the final week, HBLD outperformed the strongest baseline. Observed boarding patterns consistently improved prediction, especially without card history, while inferred alighting patterns helped only when trip-chain evidence was strongly trusted. The model captured travel consistent with through-terminal riding and bus-assisted road crossing and estimated destinations for trips unresolved by deterministic chaining. Because true alightings were unavailable, scores measure agreement with trip-chain outputs rather than actual destination accuracy. HBLD provides uncertainty-aware destination predictions and OD matrices for service management, planning, scheduling, and resource allocation.
• Abstract（参考訳）: 入場のみの自動運賃徴収システムでは搭乗は記録するが、着火は行わず、オリジン・デスティネーション(OD)行列の直接構築を妨げている。 本研究は, 駅時間帯の乗車と降車需要と乗客カード履歴を組み合わせた階層型ベイズラテント・デスタンテーション(HBLD)モデルを開発した。 トリップチェーンの目的地は信頼性パラメータを持つノイズのある証拠として扱われ、目的地の不確実性がODフローに伝播する。 2025年5月、長州で収集された838,305本のバス・タップインにこのモデルを適用し、停止ネットワークと時給気象データに関連づけた。 ネットワーク、日時、天気、スムーズな歴史的需要効果を用いて、下流および逆方向の終端を通した目的地分布を推定する。 ベイズパーソナライゼーション層は、前回のカードトリップを使用し、履歴が利用できない場合に共有トリップレベルの分布に戻す。 確率的変動推論により最終週に評価され,HBLDは最強のベースラインを上回った。 観測された搭乗パターンは、特にカード履歴のない予測を継続的に改善する一方、推論された照明パターンは、トリップチェーンの証拠が強く信頼された場合にのみ有効であった。 このモデルでは, 終端走行, バス支援道路横断, 決定論的連鎖による未解決旅行の目的地推定と一致した走行を捉えた。 真の照準は利用できないため、スコアは実際の目的地の精度ではなく、トリップチェーンの出力との一致を測定する。 HBLDは、サービス管理、計画、スケジューリング、リソース割り当てのための不確実性を認識した目的地予測とOD行列を提供する。

関連論文リスト

• A Bayesian Framework for Post-disruption Travel Time Prediction in Metro Networks [0.6927055673104933]
  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。
  論文  参考訳（メタデータ） (2026-02-23T15:20:46Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• STRATA-TS: Selective Knowledge Transfer for Urban Time Series Forecasting with Retrieval-Guided Reasoning [27.775793400546345]
  STRATA-TSは、ドメイン適応検索と推論可能な大規模モデルを組み合わせることで、不足するデータレシエーションの予測を改善するフレームワークである。 効率的な配置を実現するため, 教師付き微調整により, 推論過程をコンパクトなオープンモデルに蒸留する。 シンガポール、ノッティンガム、グラスゴーの3つのパーキングアベイラビリティーデータセットの実験では、STRATA-TSは強い予測と転送ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-26T03:18:53Z)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• 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)
• Scheduling for Urban Air Mobility using Safe Learning [0.0]
  本研究は,UAM(Urban Air Mobility)車両が,ハードトラベルとソフトトリップの両期限で走行する際のスケジュール問題について考察する。 オンラインで安全なスケジューラが開発され、ハードな期限が見逃されないようにし、ソフトな期限を欠く平均コストを最小限に抑える。
  論文  参考訳（メタデータ） (2022-09-28T12:23:38Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
  我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。 提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
  論文  参考訳（メタデータ） (2021-07-02T10:11:51Z)
• Short-term bus travel time prediction for transfer synchronization with intelligent uncertainty handling [12.504473943407092]
  マルチリンクバスの走行時間問題に適応・拡張した不確実性推定のための2つの新しいアプローチを提案する。 不確実性は、反復的な人工ニューラルネットワークの一部として直接モデル化されるが、2つの根本的に異なるアプローチを用いる。
  論文  参考訳（メタデータ） (2021-04-14T12:38:27Z)
• 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。