論文の概要: A Machine Learning Approach for Modelling Parking Duration in Urban
Land-use
- arxiv url: http://arxiv.org/abs/2008.01674v1
- Date: Tue, 4 Aug 2020 16:05:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 23:47:36.225588
- Title: A Machine Learning Approach for Modelling Parking Duration in Urban
Land-use
- Title(参考訳): 都市土地利用における駐車時間モデル化のための機械学習アプローチ
- Authors: Janak Parmar, Pritikana Das, Sanjaykumar Dave
- Abstract要約: 本研究では,自動車利用者の社会経済的・旅行特性が駐車時間に与える影響を解析するためのモデルを提案する。
ドライバー特性と駐車時間の間の接続をキャプチャするために、人工知能ニューラルネットワーク(ANN)がデプロイされる。
その結果, LIMEによる予測の確率が高く, ユビキタスに適用可能であることがわかった。
- 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: Parking is an inevitable issue in the fast-growing developing countries.
Increasing number of vehicles require more and more urban land to be allocated
for parking. However, a little attention has been conferred to the parking
issues in developing countries like India. This study proposes a model for
analysing the influence of car users' socioeconomic and travel characteristics
on parking duration. Specifically, artificial neural networks (ANNs) is
deployed to capture the interrelationship between driver characteristics and
parking duration. ANNs are highly efficient in learning and recognizing
connections between parameters for best prediction of an outcome. Since,
utility of ANNs has been critically limited due to its Black Box nature, the
study involves the use of Garson algorithm and Local interpretable
model-agnostic explanations (LIME) for model interpretations. LIME shows the
prediction for any classification, by approximating it locally with the
developed interpretable model. This study is based on microdata collected
on-site through interview surveys considering two land-uses: office-business
and market/shopping. Results revealed the higher probability of prediction
through LIME and therefore, the methodology can be adopted ubiquitously.
Further, the policy implications are discussed based on the results for both
land-uses. This unique study could lead to enhanced parking policy and
management to achieve the sustainability goals.
- Abstract(参考訳): パーキングは急速に成長する途上国では避けられない問題である。
車両の数が増えるにつれて、駐車場に割り当てられる土地はますます増えていく。
しかし、インドのような発展途上国の駐車問題には注意が向けられている。
本研究では,自動車利用者の社会経済的・旅行特性が駐車時間に与える影響を解析するためのモデルを提案する。
具体的には、運転特性と駐車期間の相互関係を捉えるために、ニューラルネットワーク(anns)がデプロイされる。
ANNは、結果の最良の予測のためのパラメータ間の接続を学習し、認識するのに非常に効率的である。
ブラックボックスの性質から、アンの実用性は批判的に制限されているため、この研究はモデル解釈にガーソンアルゴリズムと局所解釈可能なモデル非依存説明(lime)を使用している。
LIMEは、開発された解釈可能なモデルで局所的に近似することで、任意の分類の予測を示す。
本研究は,オフィス・ビジネスと市場・ショッピングの2つの土地利用状況を考慮したインタビュー調査を通じて,現場で収集したマイクロデータに基づく。
その結果, LIMEによる予測の確率が高く, ユビキタスに適用可能であることがわかった。
さらに、両土地利用の結果をもとに、政策含意について論じる。
このユニークな研究は、持続可能性目標を達成するための駐車政策と管理を強化する可能性がある。
関連論文リスト
- Truck Parking Usage Prediction with Decomposed Graph Neural Networks [16.20279799290392]
本稿では、地域時間グラフニューラルネットワーク(RegT-GCN)を、州全体での駐車状況を評価するための予測フレームワークとして提示する。
このフレームワークは、トラックの駐車場所分布と歴史的駐車データのトポロジカルな構造を利用して、州全体での占有率を予測する。
評価結果は,提案モデルが他のベースラインモデルを上回る結果となり,元のモデルと比較して20%以上性能が向上したことを示している。
論文 参考訳(メタデータ) (2024-01-23T17:14:01Z) - Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [88.398233613304]
エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。
比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。
予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
論文 参考訳(メタデータ) (2023-12-05T11:32:31Z) - Understanding transit ridership in an equity context through a
comparison of statistical and machine learning algorithms [0.0]
より優れた旅行行動分析のためのビッグデータと機械学習(ML)アルゴリズムによる最近の実験は、主に社会的に不利なグループを見落としている。
カナダ・トロント大都市圏とハミルトン地区の交通投資に対する低所得者の旅行行動反応について検討する。
本研究は,低所得層に対するMLアルゴリズムによる旅行行動予測の強化の可能性を明らかにし,解釈可能性を大幅に損なうことなく検討した。
論文 参考訳(メタデータ) (2022-11-30T04:48:58Z) - Predicting vacant parking space availability zone-wisely: a graph based
spatio-temporal prediction approach [0.25782420501870296]
空き駐車スペース(VPS)情報の正確な予測は、インテリジェントな駐車誘導システムにおいて重要な役割を果たす。
本稿では,短期・長期のVPS数を予測するグラフデータモデルST-GBGRUを提案する。
その結果,ST-GBGRUモデルは短期的・長期的予測タスクにおいて,精度が高く,適用可能性も良好であることが示唆された。
論文 参考訳(メタデータ) (2022-05-03T12:24:39Z) - Driver Side and Traffic Based Evaluation Model for On-Street Parking
Solutions [6.207356598775391]
本稿では,運転者側と交通情報に基づく評価モデル(DSTBM)を開発する。
異なる駐車ソリューションに対する一般的な評価スキームを提供する。
固定センシングと移動センシングという2つの一般的な駐車検知手法を解析した。
論文 参考訳(メタデータ) (2022-03-26T03:00:23Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳(メタデータ) (2021-09-03T13:33:33Z) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳(メタデータ) (2021-06-22T15:40:21Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳(メタデータ) (2020-04-21T20:46:32Z) - PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。
本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文 参考訳(メタデータ) (2020-03-25T16:09:54Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳(メタデータ) (2020-02-20T18:50:44Z)
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。