論文の概要: Predicting Train Delays in Finland Using Machine Learning and Weather Data
- arxiv url: http://arxiv.org/abs/2609.11277v1
- Date: Thu, 10 Sep 2026 09:08:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.278924
- Title: Predicting Train Delays in Finland Using Machine Learning and Weather Data
- Title（参考訳）: 機械学習と気象データを用いたフィンランドの列車遅延予測
- Abstract要約: 悪天候、特に極寒と降水量の多い北極地域では、列車の遅れの主な原因となっている。
本論文ではフィンランド統合列車ウェザーデータセットを用いた列車遅延予測のための機械学習について検討する。
- 参考スコア（独自算出の注目度）: 2.4788097726838667
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable railway operations depend increasingly on real-time environmental intelligence delivered through wireless sensor infrastructures, a capability that 6G networks will substantially enhance through integrated sensing and edge computing. Adverse weather, particularly in Arctic regions with extreme temperatures and heavy precipitation, remains a leading cause of train delays, yet most prediction approaches rely on raw meteorological inputs without exploiting domain-informed feature engineering. This paper investigates machine learning for train delay prediction using the Finland Integrated Train-Weather (FI-TW) dataset, which fuses railway operational records with observations from the Finnish Meteorological Institute's nationwide sensor network of approximately 200 stations communicating over wireless links. We evaluate three feature configurations using XGBoost at Oulu central station (101,146 observations): full weather features, instant weather observations only, and derived weather category scenarios. The category-based approach, employing hierarchical classifications such as Blizzard, Heavy Snow, and Extreme Cold, achieved an R^2 of 0.78, root mean squared error of 8.5 minutes, and mean absolute error of 3.7 minutes, representing an 11% R^2 improvement and 10% error reduction over alternative configurations. These results demonstrate that compact, domain-informed features derived from sensor streams outperform raw meteorological observations, offering bandwidth-efficient representations suitable for edge deployment over current and emerging wireless infrastructures.
- Abstract（参考訳）: 信頼性の高い鉄道事業は、無線センサーのインフラを通じて配信されるリアルタイム環境情報にますます依存しており、6Gネットワークは統合されたセンシングとエッジコンピューティングによって大幅に強化される。
悪天候、特に極寒と降水量の多い北極地域では、列車の遅延の主な原因は依然として残っているが、ほとんどの予測手法は、ドメインインフォームドな特徴工学を活用せずに、生の気象学的入力に依存している。
本稿では,フィンランド気象研究所の全国的センサネットワークから,約200局の無線回線上で通信する観測データと,鉄道運行記録とを融合したフィンランド総合列車ウェザー(FI-TW)データセットを用いて,列車遅延予測のための機械学習について検討する。
我々は,オウル中央駅のXGBoost (101,146回観測) を用いた3つの特徴構成を評価する。
分類に基づくアプローチでは、ブリザード、ヘビースノー、エクストリームコールドといった階層的な分類を用い、R^2の0.78、ルート平均2乗誤差8.5分、絶対誤差3.7分を達成した。
これらの結果は,センサストリームから得られるコンパクトで領域インフォームドな特徴が生気象観測より優れており,現在および新興無線インフラ上でのエッジ展開に適した帯域効率の表現を提供することを示す。
関連論文リスト
- FlightSense: An End-to-End MLOps Platform for Real-Time Flight Delay Prediction via Rotation-Chain Propagation Features and Agentic Conversational AI [0.0]
本稿では,プログレッシブ3バージョン機能エンジニアリングフレームワークによって構築された,リアルタイム飛行遅延予測のためのエンドツーエンドMLOpsプラットフォームを提案する。
FlightSenseはAWS MLOpsパイプラインとしてデプロイされ、Lambda経由のライブの天気予報、リアルタイムのSageMaker推論、インタラクティブなStreamlitダッシュボード、ツール使用アーキテクチャによる自然言語遅延クエリに応答するAmazon Bedrock Novaの会話アシスタントが組み込まれている。
論文 参考訳（メタデータ） (2026-05-08T07:21:00Z) - MR-GNF: Multi-Resolution Graph Neural Forecasting on Ellipsoidal Meshes for Efficient Regional Weather Prediction [0.0]
我々は,地球上の楕円型多スケールグラフ上で,短期的な地域予測を行う軽量な物理認識モデルであるMulti-Resolution Graph Neural Forecasting (MR-GNF)を紹介する。
MR-GNFは、イギリスとアイルランドのセクターで、地表の温度、風、降水量について、安定な+6hから+24hの予測を提供する。
これらの結果は、グラフベースのニューラルオペレーターが、NWPコストのごく一部で信頼性の高い高解像度気象予測を達成できることを実証している。
論文 参考訳（メタデータ） (2026-03-13T20:04:22Z) - Integrating Meteorological and Operational Data: A Novel Approach to Understanding Railway Delays in Finland [2.2690826384157186]
本研究では,フィンランドの鉄道事業と気象観測を組み合わせた最初の公開データセットを提案する。
このデータセットは、フィンランドの5,915キロメートルの鉄道網から約3850万の観測をカバーしている。
冬の月は25%以上の遅延率を示す。
このデータセットは、列車遅延予測、気象影響評価、インフラストラクチャの脆弱性マッピングなど、さまざまなアプリケーションを可能にする。
論文 参考訳（メタデータ） (2026-01-23T09:50:20Z) - Learning-based Radio Link Failure Prediction Based on Measurement Dataset in Railway Environments [46.243901410461596]
CNN、LSTM、XGBoost、Anomaly Transformer、PatchTST、TimesNetの6つのモデルをベンチマークする。
その結果,商用デバイスで利用可能な軽量機能を用いて,信頼性の低下を事前に予測できることが示唆された。
論文 参考訳（メタデータ） (2025-11-12T00:13:37Z) - OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。
動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。
動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
論文 参考訳（メタデータ） (2025-02-01T06:49:16Z) - FuXi Weather: A data-to-forecast machine learning system for global weather [13.052716094161886]
FuXi Weatherは、複数の衛星のデータと類似した機械学習の天気予報システムである。
FuXi 気象は、中央アフリカなどの観測圏において、ECMWF HRES を一貫して上回っている。
論文 参考訳（メタデータ） (2024-08-10T07:42:01Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。
次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。
その結果,全駅でWRF予測が顕著に改善したことが示唆された。
論文 参考訳（メタデータ） (2020-08-14T17:48:06Z)
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。