論文の概要: Beyond the Graph: An Adaptive Meta-Learner Fuses Explainability, Weather, and Dynamics for Robust Bus ETA Prediction

• arxiv url: http://arxiv.org/abs/2609.31667v1
• Date: Mon, 14 Sep 2026 13:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:05:21.068887
• Title: Beyond the Graph: An Adaptive Meta-Learner Fuses Explainability, Weather, and Dynamics for Robust Bus ETA Prediction
• Title（参考訳）: グラフを超えて:ロバストバスETA予測のための適応型メタラーナーが説明可能性、天気、ダイナミクスを融合させる
• Abstract要約: HYB(nm)は、相補的な5つのモデルを融合する適応型ハイブリッドアンサンブルフレームワークである。 コルカタ3路線のGPSと気象データによる評価
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate bus Estimated Time of Arrival (ETA) prediction is vital for urban mobility, passenger satisfaction, and transit efficiency, yet existing models falter against nonlinear spatiotemporal dynamics, data sparsity, and factors such as weather. This paper proposes HYB(nm), an adaptive hybrid ensemble framework that dynamically fuses five complementary models - a historical baseline (MST-AV), periodical temporal pattern analysis (GDRN-DFT), Koopman Neural Operators for nonlinear dynamics (KOOP-NET), weather-integrated feature-engineered neural networks (FENN), and real-time graph convolutional networks (MGCN) - via a meta-learner attuned to real-time context. Evaluated on GPS and weather data from three Kolkata bus routes comprising more than 4,000 trips, the framework leverages the individual strengths of its components (for example, the low-latency explainability of MST-AV, the weather resilience of FENN, and the network-dynamics capture of MGCN) to deliver the superior robustness of HYB(2), state-of-the-art accuracy rivalling leading graph neural networks, and balanced trade-offs in stability and efficiency across prediction horizons and operating conditions. The extensible HYB(k) architecture equips transit agencies with flexible tools, ranging from economical single models to tailored high-fidelity hybrids, advancing predictive, equitable urban transport.
• Abstract（参考訳）: 都市移動度, 乗客満足度, 交通効率の予測には正確なバス推定時間(ETA)予測が不可欠であるが, 既存のモデルでは, 非線形時空間力学, データ空間, 気象などの要因に反する傾向にある。 本稿では, 履歴ベースライン (MST-AV), 周期時間パターン解析 (GDRN-DFT), 非線形力学 (KOOP-NET), 気象統合型特徴工学ニューラルネットワーク (FENN), リアルタイムグラフ畳み込みネットワーク (MGCN) の5つの相補的モデルを動的に融合する適応型ハイブリッドアンサンブルフレームワークHYB(nm)を提案する。 4000以上の旅行からなる3つのコルカタバスルートのGPSと天気データに基づいて、このフレームワークはコンポーネントの個々の強度(例えば、MST-AVの低遅延説明性、FENNの耐候性、MGCNのネットワーク力学キャプチャ)を活用して、HYB(2)の優れた堅牢性、最先端のグラフニューラルネットワークと競合する最先端の精度、予測地平線と運用条件間の安定性と効率のバランスの取れたトレードオフを提供する。 拡張可能なHYB(k)アーキテクチャは、経済的な単一モデルから調整された高忠実度ハイブリッド、予測的で公平な都市交通まで、輸送機関に柔軟なツールを提供する。

関連論文リスト

• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• GAMMA-Net: Adaptive Long-Horizon Traffic Spatio-Temporal Forecasting Model based on Interleaved Graph Attention and Multi-Axis Mamba [6.3881766286624115]
  グラフ注意ネットワーク(GAT)と選択状態空間モデル(Mamba)を統合する新しいアプローチであるGAMA-Netを導入する。 GATは自己認識機構を使用して、トラフィックネットワーク内のノードの影響を調整し、適応的な空間依存性モデリングを可能にする。 Mambaモジュールは、計算コストを伴わずに、時間的および空間的長期的ダイナミクスを効率的にモデル化する。
  論文  参考訳（メタデータ） (2026-04-18T06:14:34Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Unveiling the Inflexibility of Adaptive Embedding in Traffic Forecasting [9.818230821091184]
  急速な都市化は交通パターンや旅行需要の動的変化をもたらし、正確な長期交通予測の大きな課題となっている。 我々は,既存のST-GNNの性能劣化を,拡張トラヒックベンチマークで評価し,その性能劣化を観測した。 本稿では,モデルが再学習せずに新たなシナリオに適応可能なPCA(Principal Component Analysis)の組込み手法を提案する。
  論文  参考訳（メタデータ） (2024-11-18T10:30:34Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
  本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。 ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。 最先端のモデルを精度、効率、堅牢性で上回る。
  論文  参考訳（メタデータ） (2024-10-19T06:59:39Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction [8.255993195520306]
  本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。 まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
  論文  参考訳（メタデータ） (2021-08-05T07:42:43Z)

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。