Exploring the impact of weather on Metro demand forecasting using machine learning method

要約

【タイトル】機械学習を用いた気象の交通需要予測における影響の探索

【要約】

– 都市鉄道輸送は、都市交通施設の構築管理や渋滞解消の最重要要素の1つとして、大きな交通量や高速などの重要な総合的な利点を提供する。
– この研究では、2018年4月から6月までのアジアの地下鉄システムの実際の乗客フローのデータを使用して、短期的な交通流予測を用いて乗客フローの時空分布を分析した。
– 駅は、乗客流予測のために4つのタイプに分けられ、同じ期間の気象記録が収集された。
– 様々な入力を持つ機械学習手法が適用され、代表的なメトロ駅の乗客フロー予測のための各気象要素の改善効果を評価するために多変量回帰が実行された。
– 結果は、気象変数を入力することによって、週末の予測精度が向上したことを示し、一方、平日のパフォーマンスは僅かに向上した。さらに、気象の異なる要素の貢献度は異なることが示された。また、駅の異なるカテゴリーは、気象によって異なる影響を受ける。
– この研究は、他の予測モデルの改善方法を提供する可能性があり、データ駆動型解析が交通管理の短期スケジューリングの最適化のための有望な手段であることを証明している。

要約(オリジナル)

Urban rail transit provides significant comprehensive benefits such as large traffic volume and high speed, serving as one of the most important components of urban traffic construction management and congestion solution. Using real passenger flow data of an Asian subway system from April to June of 2018, this work analyzes the space-time distribution of the passenger flow using short-term traffic flow prediction. Stations are divided into four types for passenger flow forecasting, and meteorological records are collected for the same period. Then, machine learning methods with different inputs are applied and multivariate regression is performed to evaluate the improvement effect of each weather element on passenger flow forecasting of representative metro stations on hourly basis. Our results show that by inputting weather variables the precision of prediction on weekends enhanced while the performance on weekdays only improved marginally, while the contribution of different elements of weather differ. Also, different categories of stations are affected differently by weather. This study provides a possible method to further improve other prediction models, and attests to the promise of data-driven analytics for optimization of short-term scheduling in transit management.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI