論文の概要: Network and Station-Level Bike-Sharing System Prediction: A San
Francisco Bay Area Case Study
- arxiv url: http://arxiv.org/abs/2009.09367v1
- Date: Sun, 20 Sep 2020 06:46:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 18:17:17.528054
- Title: Network and Station-Level Bike-Sharing System Prediction: A San
Francisco Bay Area Case Study
- Title（参考訳）: ネットワークと駅レベルの自転車シェアリングシステム予測:サンフランシスコベイエリアのケーススタディ
- Authors: Huthaifa I. Ashqar, Mohammed Elhenawy, Hesham A. Rakha, Mohammed
Almannaa, and Leanna House
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.477331187546216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The paper develops models for modeling the availability of bikes in the San
Francisco Bay Area Bike Share System applying machine learning at two levels:
network and station. Investigating BSSs at the station-level is the full
problem that would provide policymakers, planners, and operators with the
needed level of details to make important choices and conclusions. We used
Random Forest and Least-Squares Boosting as univariate regression algorithms to
model the number of available bikes at the station-level. For the multivariate
regression, we applied Partial Least-Squares Regression (PLSR) to reduce the
needed prediction models and reproduce the spatiotemporal interactions in
different stations in the system at the network-level. Although prediction
errors were slightly lower in the case of univariate models, we found that the
multivariate model results were promising for the network-level prediction,
especially in systems where there is a relatively large number of stations that
are spatially correlated. Moreover, results of the station-level analysis
suggested that demographic information and other environmental variables were
significant factors to model bikes in BSSs. We also demonstrated that the
available bikes modeled at the station-level at time t had a notable influence
on the bike count models. Station neighbors and prediction horizon times were
found to be significant predictors, with 15 minutes being the most effective
prediction horizon time.
- Abstract（参考訳）: 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いて,ネットワークとステーションの2段階の機械学習を適用した自転車の可用性をモデル化するモデルを開発した。
駅レベルでのBSSの調査は、政策立案者、プランナー、オペレーターに重要な選択と結論を与えるために必要な詳細レベルを提供する完全な問題である。
我々はRandom ForestとLeast-Squares Boostingを単変量回帰アルゴリズムとして使用し、ステーションレベルで利用可能な自転車の数をモデル化した。
多変量回帰に対して、ネットワークレベルでのシステム内の異なる局間の時空間相互作用を再現し、必要な予測モデルを減らすために、部分最小二乗回帰(PLSR)を適用した。
非変量モデルの場合、予測誤差はわずかに低かったが、多変量モデルの結果はネットワークレベルの予測に有望であり、特に空間的に相関するステーションが比較的多いシステムでは有望であることがわかった。
さらに, 駅レベル解析の結果から, BSSにおける自転車のモデル化には, 人口情報やその他の環境変数が重要な要因であることが示唆された。
また, ステーションレベルtでモデル化された自転車が, 自転車数モデルに顕著な影響を及ぼすことを示した。
ステーションの隣人や予測地平線時間は重要な予測器であり、15分は最も効果的な予測地平線時間であった。
関連論文リスト
- Deep trip generation with graph neural networks for bike sharing system
expansion [7.737133861503814]
マルチソース都市構築環境データに基づく駅レベルの需要予測のためのグラフニューラルネットワーク(GNN)手法を提案する。
提案手法は空間回帰モデルとして,空間回帰とGNNの共通性を示す。
論文 参考訳（メタデータ） (2023-03-20T16:43:41Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - 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) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts
for Inventory Management [8.441020454345932]
本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。
本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
論文 参考訳（メタデータ） (2021-07-28T14:11:34Z) - 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) - 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) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - 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) - 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) - 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。