| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2018-07-02 11:15 データ処理の違いによるバスの遅延時間予測への影響 ○山口 翼・アス マンスル・峯 恒憲（九大）  AI2018-4 |
|
| 抄録 | （和） | バスがどれくらい遅れてバス停に到着するのかをできるだけ精度よく予測することは，バスの運行を行う側からも，バスを利用する側からも非常に有益である．本研究では機械学習でバスの遅延を予測する際に，訓練データの扱い方でどう予測精度が変わるかを比較した．具体的には元データにおいてどの程度まで外れ値とするか，また訓練データとして使用するデータ数を変えて予測を行い，予測にどう影響が出るかを調べた．その結果外れ値処理後の標準偏差が小さいほうが予測誤差は小さくなることを確認した．また訓練データの数は今回のデータでは下限を約150万個とし，約200万個ずつ変化させても予測が大きく改善することはなかった． |
| （英） | Prediction of bus delay is one of crucial research tasks in the intelligent transport systems (ITS) field, and is important not only for a bus operation company, but also passengers, who want to know how many minutes a bus will be concretely delayed to get at a bus stop. In this paper, we propose methods to predict bus delay using bus probe data collected from Nov. 21st to Dec. 20th, 2013 and provided by Nishitetsu Bus company. We used several machine learning methods to build the prediction models. Wediscuss experimental results from the points that how much extents the difference of the amount of training data and the variation of outlier detection methods affect prediction accuracy of predicting bus delay. | |
| キーワード | （和） | 路線バス / 遅延時間予測 / プローブデータ / 機械学習 / / / / |
| （英） | scheduled bus / delay time prediction / probe data / machine learning / / / / | |
| 文献情報 | 信学技報, vol. 118, no. 116, AI2018-4, pp. 15-21, 2018年7月. | |
| 資料番号 | AI2018-4 | |
| 発行日 | 2018-06-25 (AI) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | AI2018-4 |
|
| 研究会情報 | |
| 研究会 | AI |
| 開催期間 | 2018-07-02 - 2018-07-02 |
| 開催地（和） | 札幌市教育文化会館 |
| 開催地（英） | |
| テーマ（和） | 「ソフトウェア開発と機械学習」および一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | AI |
| 会議コード | 2018-07-AI |
| 本文の言語 | 日本語 |
| タイトル（和） | データ処理の違いによるバスの遅延時間予測への影響 |
| サブタイトル（和） | |
| タイトル（英） | An investigation of prediction accuracy of bus delay time influenced by the amount of training data and the variation of outlier detection |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 路線バス / scheduled bus |
| キーワード(2)（和/英） | 遅延時間予測 / delay time prediction |
| キーワード(3)（和/英） | プローブデータ / probe data |
| キーワード(4)（和/英） | 機械学習 / machine learning |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 山口 翼 / Tsubasa Yamaguchi / ヤマグチ ツバサ |
| 第1著者 所属（和/英） | 九州大学 (略称： 九大) Kyushu University (略称： Kyushu Univ.) |
| 第2著者 氏名（和/英/ヨミ） | アス マンスル / Mansur AS / |
| 第2著者 所属（和/英） | 九州大学 (略称： 九大) Kyushu University (略称： Kyushu Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 峯 恒憲 / Tsunenori Mine / ミネ ツネノリ |
| 第3著者 所属（和/英） | 九州大学 (略称： 九大) Kyushu University (略称： Kyushu Univ.) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2018-07-02 11:15:00 |
| 発表時間 | 25分 |
| 申込先研究会 | AI |
| 資料番号 | AI2018-4 |
| 巻番号（vol） | vol.118 |
| 号番号（no） | no.116 |
| ページ範囲 | pp.15-21 |
| ページ数 | 7 |
| 発行日 | 2018-06-25 (AI) |
[研究会発表申込システムのトップページに戻る]