論文の概要: Modeling bike counts in a bike-sharing system considering the effect of weather conditions

• arxiv url: http://arxiv.org/abs/2006.07563v1
• Date: Sat, 13 Jun 2020 05:32:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 21:34:50.835966
• Title: Modeling bike counts in a bike-sharing system considering the effect of weather conditions
• Title（参考訳）: 気象条件を考慮した自転車共有システムにおける自転車数モデリング
• Authors: Huthaifa I. Ashqar, Mohammed Elhenawy, and Hesham A.Rakha
• Abstract要約: サンフランシスコベイエリア自転車共有システムにおいて,天気条件が自転車の駅数予測に与える影響を定量的に評価する手法を開発した。
• 参考スコア（独自算出の注目度）: 13.537141566893126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The paper develops a method that quantifies the effect of weather conditions on the prediction of bike station counts in the San Francisco Bay Area Bike Share System. The Random Forest technique was used to rank the predictors that were then used to develop a regression model using a guided forward step-wise regression approach. The Bayesian Information Criterion was used in the development and comparison of the various prediction models. We demonstrated that the proposed approach is promising to quantify the effect of various features on a large BSS and on each station in cases of large networks with big data. The results show that the time-of-the-day, temperature, and humidity level (which has not been studied before) are significant count predictors. It also shows that as weather variables are geographic location dependent and thus should be quantified before using them in modeling. Further, findings show that the number of available bikes at station i at time t-1 and time-of-the-day were the most significant variables in estimating the bike counts at station i.
• Abstract（参考訳）: サンフランシスコベイエリア自転車共有システムにおいて,天気条件が自転車の駅数予測に与える影響を定量的に評価する手法を開発した。 ランダムフォレスト手法は、フォワードステップワイズ回帰アプローチを用いた回帰モデルの開発に使用された予測器のランク付けに用いられた。 ベイズ情報基準は様々な予測モデルの開発と比較に用いられた。 提案手法は,大規模ネットワークにおける大規模bssおよび各局における各種機能の効果を定量化できることを実証した。 その結果, 日時, 温度, 湿度 (これまで研究されていない) が有意な数の予測因子であることが示唆された。 また、気象変数は地理的な位置に依存するため、モデリングに使用する前に定量化する必要があることも示している。 さらに, 駅Iにおける利用可能な自転車の数は, 駅Iにおける利用回数を推定する上で最も有意な変数であった。

関連論文リスト

• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Data driven weather forecasts trained and initialised directly from observations [1.44556167750856]
  Skilful Machine Learned weather forecasts has challenged our approach to numerical weather prediction。 データ駆動システムは、過去の気象の長い歴史記録から学ぶことによって、将来の天気を予測するために訓練されている。 そこで我々は,ニューラルネットワークをトレーニングし,過去の観測から将来の天気を予測する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-22T12:23:26Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Context-aware demand prediction in bike sharing systems: incorporating spatial, meteorological and calendrical context [0.0]
  近年の深層学習と距離に基づく予測器の貢献は,自転車のシェアリング需要の予測に限られた成功を収めたことを示している。 本研究は, 駅需要の予測モデルにおいて, 空間的, 気象的, 状況的, カレンディカルな文脈の歴史的および将来的な情報源の両方を組み込むための, 包括的な新原則を提案する。
  論文  参考訳（メタデータ） (2021-05-03T18:53:58Z)
• Network and Station-Level Bike-Sharing System Prediction: A San Francisco Bay Area Case Study [12.477331187546216]
  本研究では,サンフランシスコベイエリア自転車共有システムにおける自転車の利用状況をモデル化するモデルを開発した。 機械学習には、ネットワークとステーションという2つのレベルがある。
  論文  参考訳（メタデータ） (2020-09-20T06:46:41Z)
• Exploring the weather impact on bike sharing usage through a clustering analysis [7.541020519717183]
  本研究の目的は、ワシントンD.C.の自転車利用にどの程度の天気がどんな影響を及ぼすかを調査することである。 ワシントンD.C.では,自転車の利用データと天気データを収集し,k平均クラスタリングアルゴリズムを用いて分析する。
  論文  参考訳（メタデータ） (2020-08-17T12:24:37Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)
• Modeling bike availability in a bike-sharing system using machine learning [13.382411840850818]
  本稿では,機械学習アルゴリズムを用いて,サンフランシスコベイエリア自転車共有局における自転車の利用状況をモデル化する。 その結果,単変量モデルは多変量モデルよりも誤差予測が低いことがわかった。 最も効果的な予測地平線時間は15分であった。
  論文  参考訳（メタデータ） (2020-06-12T04:49:14Z)

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。