論文の概要: Micromobility Trip Origin and Destination Inference Using General
Bikeshare Feed Specification (GBFS) Data
- arxiv url: http://arxiv.org/abs/2010.12006v1
- Date: Mon, 19 Oct 2020 02:49:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 07:43:43.880095
- Title: Micromobility Trip Origin and Destination Inference Using General
Bikeshare Feed Specification (GBFS) Data
- Title（参考訳）: GBFS(General Bikeshare Feed Specification)データを用いたマイクロモビリティトリップの原点と退避推定
- Authors: Yiming Xu, Xiang Yan, Virginia P. Sisiopiku, Louis A. Merlin, Fangzhou
Xing, Xilei Zhao
- Abstract要約: 車両IDの異なるGBFSデータから出発点と目的地を推定するアルゴリズムのパッケージを提案する。
ワシントンDCでは、6つのベンダーが発行したGBFSデータの1週間(2020年2月最終週)の分析によってアルゴリズムを実装しています。
R-二乗測度は0.9より大きく、アルゴリズムが400m*400mグリッドで評価された場合、MAE測度は2より小さい。
- 参考スコア（独自算出の注目度）: 6.205693767843779
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Emerging micromobility services (e.g., e-scooters) have a great potential to
enhance urban mobility but more knowledge on their usage patterns is needed.
The General Bikeshare Feed Specification (GBFS) data are a possible source for
examining micromobility trip patterns, but efforts are needed to infer trips
from the GBFS data. Existing trip inference methods are usually based upon the
assumption that the vehicle ID of a micromobility option (e-scooter or e-bike)
does not change, and so they cannot deal with data with vehicle IDs that change
over time. In this study, we propose a comprehensive package of algorithms to
infer trip origins and destinations from GBFS data with different types of
vehicle ID. We implement the algorithms in Washington DC by analyzing one-week
(last week of February 2020) of GBFS data published by six vendors, and we
evaluate the inference accuracy of the proposed algorithms by R-squared, mean
absolute error, and sum absolute error. We find that the R-squared measure is
larger than 0.9 and the MAE measure is smaller than 2 when the algorithms are
evaluated with a 400m*400m grid, and the absolute errors are relatively larger
in the downtown area. The accuracy of the trip-inference algorithms is
sufficiently high for most practical applications.
- Abstract（参考訳）: 新興のマイクロモビリティサービス(eスクーターなど)は、都市の移動性を高める大きな可能性を秘めているが、その利用パターンに関する知識は必要である。
General Bikeshare Feed Specification (GBFS) データは、マイクロモビリティートリップパターンを調べるための可能性があるが、GBFSデータからトリップを推測するには努力が必要である。
既存の旅行推論手法は通常、マイクロモビリティオプション(e-scooterまたはe-bike)の車両IDが変更されないという仮定に基づいており、時間とともに変化する車両IDではデータを扱うことができない。
本研究では,異なる種類の車両IDを持つGBFSデータから,旅行の起源や目的地を推定するアルゴリズムの包括的パッケージを提案する。
我々は,ワシントンD.C.で6ベンダが発行したGBFSデータの1週間(2020年2月最終週)の分析を行い,提案アルゴリズムの推測精度をR2乗,平均絶対誤差,総絶対誤差で評価した。
R-二乗測度は0.9より大きく,400m*400mの格子でアルゴリズムを評価した場合,MAE測度は2より小さく,中心街では絶対誤差が比較的大きいことがわかった。
trip-inferenceアルゴリズムの精度は、ほとんどの実用的なアプリケーションで十分高い。
関連論文リスト
- DEEGITS: Deep Learning based Framework for Measuring Heterogenous Traffic State in Challenging Traffic Scenarios [0.0]
本稿では,DeEGITS(Deep Heterogeneous Traffic State Measurement)を提案する。これは最先端の畳み込みニューラルネットワーク(CNN)技術を利用して,車両や歩行者を正確にかつ迅速に検出する包括的フレームワークである。
本研究では,データ融合によるトレーニングデータセットを強化し,車両と歩行者の同時検出を可能にする。
このフレームワークは混合交通条件における異種交通状態を測定するために試験される。
論文 参考訳（メタデータ） (2024-11-13T04:49:32Z) - Using metaheuristics for the location of bicycle stations [4.2847927405489195]
我々は、p中間問題として問題をモデル化し、最適化における既存の主要な局所化問題である。
p中間問題は、一組の顧客(市民)と最寄りの施設(自転車駅)との距離を最小化する形で、一組の施設(自転車駅)を配置することを目指している。
論文 参考訳（メタデータ） (2024-02-06T12:19:46Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - Large-scale Ridesharing DARP Instances Based on Real Travel Demand [0.0]
最先端のDARPソリューションのベンチマークは、小さな人工インスタンスや時代遅れの非パブリックインスタンスに限られている。
我々は,実世界のデータに基づく大規模需要インスタンスを包括的に作成する手法を開発した。
その結果,全測定値の面積に有意な差が認められた。
論文 参考訳（メタデータ） (2023-05-30T08:51:11Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - Evaluating a Signalized Intersection Performance Using Unmanned Aerial
Data [11.699288626519682]
本研究では,ギリシャ・アテネの3方向信号通信交差点におけるドローンの生データの利用について検討した。
リアルタイムビデオから抽出したデータに対する顕微鏡的アプローチと衝撃波解析を用いて,最大待ち行列長を推定した。
様々なMOEの結果は有望であることが判明し、ドローンが収集したトラフィックデータの利用には多くの応用があることが確認された。
論文 参考訳（メタデータ） (2022-07-16T21:48:32Z) - A Metaheuristic Algorithm for Large Maximum Weight Independent Set
Problems [58.348679046591265]
ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。
このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。
我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-03-28T21:34:16Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - A Strong Baseline for Vehicle Re-Identification [1.9573380763700712]
vehicle re-idは、異なるカメラで同じ車両を識別することを目指している。
本稿では、まず車両再ID性能を阻害する主な要因を分析します。
次に、第5回AIチャレンジのトラック2をターゲットとしたソリューションを紹介します。
論文 参考訳（メタデータ） (2021-04-22T03:54:55Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳（メタデータ） (2020-05-22T23:07:42Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。