論文の概要: Modeling bike availability in a bike-sharing system using machine learning

• arxiv url: http://arxiv.org/abs/2006.08352v1
• Date: Fri, 12 Jun 2020 04:49:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 04:51:57.278718
• Title: Modeling bike availability in a bike-sharing system using machine learning
• Title（参考訳）: 機械学習を用いた自転車共有システムにおける自転車利用のモデル化
• Authors: Huthaifa I. Ashqar, Mohammed Elhenawy, Mohammed H. Almannaa, Ahmed Ghanem, Hesham A. Rakha, and Leanna House
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.382411840850818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper models the availability of bikes at San Francisco Bay Area Bike Share stations using machine learning algorithms. Random Forest (RF) and Least-Squares Boosting (LSBoost) were used as univariate regression algorithms, and Partial Least-Squares Regression (PLSR) was applied as a multivariate regression algorithm. The univariate models were used to model the number of available bikes at each station. PLSR was applied to reduce the number of required prediction models and reflect the spatial correlation between stations in the network. Results clearly show that univariate models have lower error predictions than the multivariate model. However, the multivariate model results are reasonable for networks with a relatively large number of spatially correlated stations. Results also show that station neighbors and the prediction horizon time are significant predictors. The most effective prediction horizon time that produced the least prediction error was 15 minutes.
• Abstract（参考訳）: 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の自転車シェアステーションにおける自転車の利用をモデル化する。 ランダムフォレスト(RF)とLast-Squares Boosting(LSBoost)は単変量回帰アルゴリズムとして使われ、PLSR(Partial Least-Squares Regression)は多変量回帰アルゴリズムとして適用された。 ユニバリエートモデルは各駅で利用可能な自転車の数をモデル化するために使用された。 PLSRは,ネットワーク内のステーション間の空間的相関を反映し,必要な予測モデルの数を削減した。 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。 しかし, 多変量モデルの結果は, 比較的多数の空間相関局を持つネットワークにとって妥当である。 また,局近傍と予測地平線時間は有意な予測因子であることが示された。 最も効果的な予測地平線時間は15分であった。

関連論文リスト

• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Reduced-order modeling of unsteady fluid flow using neural network ensembles [0.0]
  本稿では,一般的なアンサンブル学習手法であるバッグングを用いて,完全なデータ駆動型リダクションモデルフレームワークを開発することを提案する。 このフレームワークはCAEを用いて全階モデルとLSTMアンサンブルの空間的再構成を行い、時系列予測を行う。 その結果,提案フレームワークはエラーの伝播を効果的に低減し,未確認点における潜伏変数の時系列予測をより正確に行うことができることがわかった。
  論文  参考訳（メタデータ） (2024-02-08T03:02:59Z)
• Hierarchical Latent Structure for Multi-Modal Vehicle Trajectory Forecasting [0.0]
  VAEに基づく軌道予測モデルに階層的潜在構造を導入する。 本モデルでは,複数モーダルな軌道分布を明瞭に生成し,予測精度で最先端(SOTA)モデルより優れる。
  論文  参考訳（メタデータ） (2022-07-11T04:52:28Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• 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)
• Modeling bike counts in a bike-sharing system considering the effect of weather conditions [13.537141566893126]
  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。
  論文  参考訳（メタデータ） (2020-06-13T05:32:32Z)
• Grey Models for Short-Term Queue Length Predictions for Adaptive Traffic Signal Control [9.880646813334812]
  待ち行列長のリアルタイム予測は、ASCSとの交点における異なる動きの拍子やタイミングを調整するのに利用できる。 本研究の目的は,ASCSで活用可能な信号化交差点の待ち時間予測モデルを開発することである。 サウスカロライナ州レキシントンの道路ネットワーク上で,ASCSと交差する5つの交差点の待ち行列長データを用いたケーススタディを行った。
  論文  参考訳（メタデータ） (2019-12-29T15:33:03Z)

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。