論文の概要: Predicting Delayed Train Trajectories on the Dutch Railway Network: Explainable AI Evaluation of Topological, Operational and Weather Features with Tree Based Ensemble Methods

• arxiv url: http://arxiv.org/abs/2609.34692v1
• Date: Mon, 28 Sep 2026 09:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 03:41:15.932153
• Title: Predicting Delayed Train Trajectories on the Dutch Railway Network: Explainable AI Evaluation of Topological, Operational and Weather Features with Tree Based Ensemble Methods
• Title（参考訳）: オランダ鉄道網における遅延列車軌道予測:木組法によるトポロジカル・オペレーショナル・気象特性の説明可能なAI評価
• Abstract要約: この論文は、ネットワーク全体の鉄道遅延予測の時間的解析を提供する。 本研究は,オランダの鉄道網に着目し,解釈可能な木系アンサンブルを用いて,詳細な地形,環境,運用上の特徴を統合する。
• 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: The reliable prediction of passenger train delays is a critical component of railway management. While contemporary research frequently attempts to maximize absolute accuracy by deploying opaque deep learning architectures, the underlying data mechanics driving longitudinal predictive decay remain underexplored. Consequently, this study provides an explainable temporal robustness analysis of network-wide railway delay prediction. Focusing on the Dutch railway network, this research utilizes interpretable tree-based ensembles to integrate granular topological, environmental, and operational features. The overarching finding establishes that while feature-rich tree-based models improve simultaneous (within-month) prediction, predictive performance systematically degrades when evaluated across non-simultaneous (future) months. Furthermore, multi-horizon SHAP and dispersion analyses explicitly link this degradation to environmental feature volatility and instability within the statistical target definition. Ultimately, this thesis demonstrates that richer feature sets alone are insufficient to resolve long-term forecasting constraints, underscoring the necessity to transition toward dynamic, season-aware architectures anchored by absolute operational boundaries.
• Abstract（参考訳）: 旅客列車の遅れの確実な予測は、鉄道経営の重要な要素である。 現代の研究は、不透明なディープラーニングアーキテクチャを配置することによって絶対精度を最大化しようとするが、その基礎となるデータ力学はいまだに解明されていない。 そこで本研究では,ネットワーク全体の遅延予測の時間的ロバスト性解析を行った。 本研究は,オランダの鉄道網に焦点をあて,解釈可能な木系アンサンブルを用いて,詳細な地形,環境,運用上の特徴を統合する。 この総合的な発見は、機能豊富なツリーベースのモデルが同時(月内に)予測を改善する一方で、予測性能が非同時(将来の)数ヶ月にわたって評価されると、体系的に低下することを示している。 さらに,マルチホライゾンSHAPと分散分析は,この劣化を統計的対象定義における環境特性の変動性と不安定性に明示的に関連付ける。 最終的に、この論文は、よりリッチな機能セットだけでは長期的な予測制約を解決するには不十分であることを示し、絶対的な運用境界によって固定された動的季節対応アーキテクチャへの移行の必要性を強調している。

関連論文リスト

• Simulation-Driven Railway Delay Prediction: An Imitation Learning Approach [12.018920884898215]
  Drift-Corrected Imitation Learning (DCIL) は、距離に基づくドリフト補正を取り入れてDAggerを拡張する新しい自己教師型アルゴリズムである。 ベルギーの鉄道インフラ管理者であるtextscInfrabel の総合的実世界のデータセットを用いて DCIL の評価を行った。
  論文  参考訳（メタデータ） (2025-12-17T14:06:26Z)
• Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network [7.850219269698452]
  本稿では,マルチステップ列車遅延予測のための新しいXGeoAIフレームワークを開発し,評価する。 この研究の核心は、2段階の自動回帰グラフ注意ネットワーク(GAT)モデルであり、オランダの鉄道ネットワークの40%以上をカバーする実世界のデータセットでトレーニングされている。 実運用における実稼働性をテストするため,このモデルを逐次kステップ先予測プロトコルを用いて厳格に評価する。
  論文  参考訳（メタデータ） (2025-10-10T13:03:00Z)
• Predicting Delayed Trajectories Using Network Features: A Study on the Dutch Railway Network [0.0]
  本研究は, トポロジ的特徴に着目したXGBoostを用いて, オランダの鉄道網における遅延予測研究のギャップを解消するものである。 現在の研究は主に短期的な予測を強調し、リップル効果の緩和に不可欠なネットワーク全体のパターンを無視している。 この研究は、オランダ鉄道における遅延を予測するために、最初は急速に変化する米国の航空網の進化を予測するために設計された既存の方法論を実装し、改善している。
  論文  参考訳（メタデータ） (2025-07-15T22:30:36Z)
• 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)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。