論文の概要: Towards Dynamic Urban Bike Usage Prediction for Station Network Reconfiguration

• arxiv url: http://arxiv.org/abs/2008.07318v1
• Date: Thu, 13 Aug 2020 23:41:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 22:20:20.212260
• Title: Towards Dynamic Urban Bike Usage Prediction for Station Network Reconfiguration
• Title（参考訳）: 駅網構成の動的都市自転車利用予測に向けて
• Authors: Xi Yang and Suining He
• Abstract要約: AtCoRと呼ばれる自転車ステーションレベルの予測アルゴリズムは、既存のステーションと新しいステーションの両方で自転車の使用率を予測することができる。 AtCoRは、既存のステーションと将来のステーションの両方の予測において、ベースラインと最先端モデルを上回っている。
• 参考スコア（独自算出の注目度）: 7.5640951518267165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bike sharing has become one of the major choices of transportation for residents in metropolitan cities worldwide. A station-based bike sharing system is usually operated in the way that a user picks up a bike from one station, and drops it off at another. Bike stations are, however, not static, as the bike stations are often reconfigured to accommodate changing demands or city urbanization over time. One of the key operations is to evaluate candidate locations and install new stations to expand the bike sharing station network. Conventional practices have been studied to predict existing station usage, while evaluating new stations is highly challenging due to the lack of the historical bike usage. To fill this gap, in this work we propose a novel and efficient bike station-level prediction algorithm called AtCoR, which can predict the bike usage at both existing and new stations (candidate locations during reconfiguration). In order to address the lack of historical data issues, virtual historical usage of new stations is generated according to their correlations with the surrounding existing stations, for AtCoR model initialization. We have designed novel station-centered heatmaps which characterize for each target station centered at the heatmap the trend that riders travel between it and the station's neighboring regions, enabling the model to capture the learnable features of the bike station network. The captured features are further applied to the prediction of bike usage for new stations. Our extensive experiment study on more than 23 million trips from three major bike sharing systems in US, including New York City, Chicago and Los Angeles, shows that AtCoR outperforms baselines and state-of-art models in prediction of both existing and future stations.
• Abstract（参考訳）: 自転車シェアリングは、世界中の大都市住民にとって主要な交通手段の一つとなっている。 駅ベースの自転車シェアリングシステムは通常、ユーザーがある駅から自転車を拾い取り、別の駅に落とすように運用される。 しかし、自転車の駅は、時間とともに変化する需要や都市化に対応するために、しばしば再構成されるため、静的ではない。 重要な運用の1つは、候補地を評価し、自転車共有ステーションネットワークを拡張するために新しいステーションを設置することである。 既存の駅利用の予測は従来から行われてきたが,自転車使用履歴の欠如から新駅評価は非常に困難である。 このギャップを埋めるため,本研究では,既存の駅と新しい駅(再設定中の候補地)の両方で自転車の利用量を予測可能な,新しい効率的な自転車駅レベル予測アルゴリズムatcorを提案する。 歴史データの欠如に対処するため,AtCoRモデルの初期化において,周辺駅との相関関係に基づいて,新しい駅の仮想的履歴利用が生成される。 提案手法は, 利用者が駅周辺を走行する傾向を熱マップを中心に特徴付ける新しい駅中心ヒートマップを設計し, 自転車局網の学習可能な特徴を捉えることを可能にした。 得られた特徴は、新しい駅の自転車利用予測にさらに応用される。 米国内の3大自転車シェアリングシステム(ニューヨーク、シカゴ、ロサンゼルスを含む)からの2300万回以上の旅行に関する広範な実験で、atcorは既存の駅と将来の駅の両方を予測する上で、ベースラインと最先端のモデルよりも優れています。

関連論文リスト

• Predicting Citi Bike Demand Evolution Using Dynamic Graphs [81.12174591442479]
  ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用した。 本稿では,ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用しようとする。
  論文  参考訳（メタデータ） (2022-12-18T21:43:27Z)
• Bike Sharing Demand Prediction based on Knowledge Sharing across Modes: A Graph-based Deep Learning Approach [8.695763084463055]
  本研究では,自転車共有需要予測(B-MRGNN)のためのグラフに基づくディープラーニング手法を提案する。 マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し、モード間の空間単位間の相関を捉える。 実験はニューヨーク市の実際の自転車シェアリング、地下鉄、ライドシェアリングのデータを用いて行われた。
  論文  参考訳（メタデータ） (2022-03-18T06:10:17Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• Improving short-term bike sharing demand forecast through an irregular convolutional neural network [16.688608586485316]
  本研究は,自転車の短期共有需要予測を改善するために,不規則な畳み込み長短記憶モデル(IrConv+LSTM)を提案する。 提案モデルは,シンガポールのドックレス自転車シェアリングシステムと,シカゴ,ワシントンD.C.,ニューヨーク,ロンドンにある4つのステーションベースシステムを含む,5つの調査サイトでベンチマークモデルを用いて評価された。 このモデルはまた、自転車使用量やピーク期間の異なる地域での優れたパフォーマンスも達成している。
  論文  参考訳（メタデータ） (2022-02-09T10:21:45Z)
• Transfer Learning Approach to Bicycle-sharing Systems' Station Location Planning using OpenStreetMap Data [4.869953137750582]
  本稿では,空間埋め込み手法を用いて,計画の合理化と効率化を図るための新しい手法を提案する。 OpenStreetMapの公開データとヨーロッパの34都市からの駅レイアウトに基づいて、都市をマイクロリージョンに分割する手法が開発されている。
  論文  参考訳（メタデータ） (2021-11-01T14:56:49Z)
• 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)
• Flatland Competition 2020: MAPF and MARL for Efficient Train Coordination on a Grid World [49.80905654161763]
  車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。 現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
  論文  参考訳（メタデータ） (2021-03-30T17:13:29Z)
• Dynamic Bicycle Dispatching of Dockless Public Bicycle-sharing Systems using Multi-objective Reinforcement Learning [79.61517670541863]
  ドッキングレスPBS(DL-PBS)に欠かせない動的自転車レンタル需要に基づく効率的な自転車配車ソリューションを実現するためのAIの活用 DL-PBSに最適な自転車ディスパッチソリューションを提供するために、マルチオブジェクト強化学習(MORL-BD)に基づく動的自転車ディスパッチアルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-01-19T03:09:51Z)
• Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing System Using Gated Graph Neural Network [79.61517670541863]
  Dockless Public Bicycle-share (DL-PBS)ネットワークは多くの国でますます人気が高まっています。 冗長で低電力の駅は、DL-PBSベンダーの公共都市空間とメンテナンスコストを無駄にします。 DL-PBSネットワークに最適な自転車ステーションレイアウトを動的に提供できるよう、BSDP(自転車ステーションダイナミックプランニング)システムを提案します。
  論文  参考訳（メタデータ） (2021-01-19T02:51:12Z)

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。