論文の概要: Interpretable Data-Driven Demand Modelling for On-Demand Transit
Services
- arxiv url: http://arxiv.org/abs/2010.15673v3
- Date: Fri, 1 Oct 2021 21:44:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 13:19:14.785627
- Title: Interpretable Data-Driven Demand Modelling for On-Demand Transit
Services
- Title（参考訳）: オンデマンド交通サービスのための解釈可能なデータ駆動需要モデリング
- Authors: Nael Alsaleh and Bilal Farooq
- Abstract要約: 本研究では,DAレベルにおけるオンデマンド交通(ODT)サービスのための旅行・流通モデルを開発した。
その結果, 商業・工業用地利用型と高密度住宅用地利用型との間には, より高い旅行分布レベルが期待できることがわかった。
- 参考スコア（独自算出の注目度）: 6.982614422666432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, with the advancements in information and communication
technology, different emerging on-demand shared mobility services have been
introduced as innovative solutions in the low-density areas, including
on-demand transit (ODT), mobility on-demand (MOD) transit, and crowdsourced
mobility services. However, due to their infancy, there is a strong need to
understand and model the demand for these services. In this study, we developed
trip production and distribution models for ODT services at Dissemination areas
(DA) level using four machine learning algorithms: Random Forest (RF), Bagging,
Artificial Neural Network (ANN) and Deep Neural Network (DNN). The data used in
the modelling process were acquired from Belleville's ODT operational data and
2016 census data. Bayesian optimalization approach was used to find the optimal
architecture of the adopted algorithms. Moreover, post-hoc model was employed
to interpret the predictions and examine the importance of the explanatory
variables. The results showed that the land-use type was the most important
variable in the trip production model. On the other hand, the demographic
characteristics of the trip destination were the most important variables in
the trip distribution model. Moreover, the results revealed that higher trip
distribution levels are expected between dissemination areas with
commercial/industrial land-use type and dissemination areas with high-density
residential land-use. Our findings suggest that the performance of ODT services
can be further enhanced by (a) locating idle vehicles in the neighbourhoods
with commercial/industrial land-use and (b) using the spatio-temporal demand
models obtained in this work to continuously update the operating fleet size.
- Abstract（参考訳）: 近年、情報通信技術の進歩に伴い、オンデマンド交通(ODT)、モビリティオンデマンド交通(MOD)、クラウドソーシングモビリティサービスといった低密度領域における革新的なソリューションとして、新たなオンデマンド共有モビリティサービスが導入されている。
しかし、その幼少期のため、これらのサービスの需要を理解し、モデル化する必要がある。
本研究では、4つの機械学習アルゴリズム(ランダムフォレスト(RF)、バギング、人工ニューラルネットワーク(ANN)、ディープニューラルネットワーク(DNN))を用いて、分散領域(DA)レベルでのODTサービスの旅行生成と配信モデルを開発した。
モデリングプロセスで使用されるデータは、ベルヴィルのODT運用データと2016年の国勢調査データから取得された。
ベイズ最適化アプローチは、採用アルゴリズムの最適アーキテクチャを見つけるために用いられた。
さらに,ポストホックモデルを用いて予測を解釈し,説明変数の重要性を検討した。
その結果, 土地利用型は旅行生産モデルにおいて最も重要な変数であった。
一方,旅行目的地の人口統計特性は旅行分布モデルにおいて最も重要な変数であった。
さらに, 商業・工業用地利用型と高密度住宅用地利用型との間には, より高い旅行分布レベルが期待できることがわかった。
以上の結果から, ODT サービスの性能をさらに向上できる可能性が示唆された。
(a)商業・工業用土地利用及び周辺におけるアイドル車両の配置
b) 本研究で得られた時空間需要モデルを用いて、運用車両の規模を継続的に更新する。
関連論文リスト
- Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis [11.90100976089832]
我々は,人間の移動性モデリングと合成のための新しい生成的深層学習手法を開発した。
オープンソースのデータを使って、アクティビティパターンとロケーショントラジェクトリの両方を組み込む。
モデルはローカルデータで微調整できるため、さまざまな領域にわたるモビリティパターンを正確に表現することができる。
論文 参考訳（メタデータ） (2024-05-24T02:04:10Z) - Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。
本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。
実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
論文 参考訳（メタデータ） (2024-05-06T06:23:06Z) - Data-efficient Large Vision Models through Sequential Autoregression [58.26179273091461]
限られたデータセットに基づいて,効率的な自己回帰に基づく視覚モデルを構築する。
このモデルは,高レベル・低レベルのセマンティック理解の両方にまたがる視覚的タスクにおいて,その習熟度をいかに達成するかを実証する。
我々の経験的評価は、モデルが様々なタスクに適応する際の機敏さを強調し、パラメータフットプリントの大幅な削減を図った。
論文 参考訳（メタデータ） (2024-02-07T13:41:53Z) - Predicting the Skies: A Novel Model for Flight-Level Passenger Traffic
Forecasting [0.0]
本研究では,飛行レベルの旅客輸送を予測するための新しい多モード深層学習手法を提案する。
本モデルでは, フライト毎に, 過去の交通情報, 運賃情報, 季節特性を収集する。
従来のベンチマークと比較すると,平均二乗誤差はおよそ33%改善した。
論文 参考訳（メタデータ） (2024-01-07T06:51:26Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Regions are Who Walk Them: a Large Pre-trained Spatiotemporal Model
Based on Human Mobility for Ubiquitous Urban Sensing [24.48869607589127]
本研究では,人体移動データに含まれるリッチな情報を活用するために,トラジェクトリ(RAW)に基づく大規模時空間モデルを提案する。
提案手法は,人間の移動データのみに特色を持たず,ユーザのプロファイリングや地域分析に一定の関連性を示す。
論文 参考訳（メタデータ） (2023-11-17T11:55:11Z) - Context-aware multi-head self-attentional neural network model for next
location prediction [19.640761373993417]
我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。
提案モデルが他の最先端予測モデルより優れていることを示す。
我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
論文 参考訳（メタデータ） (2022-12-04T23:40:14Z) - A Generative Approach for Production-Aware Industrial Network Traffic
Modeling [70.46446906513677]
ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。
我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。
可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
論文 参考訳（メタデータ） (2022-11-11T09:46:58Z) - Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。
共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。
さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
論文 参考訳（メタデータ） (2022-07-08T10:25:47Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - TLab: Traffic Map Movie Forecasting Based on HR-NET [23.40323690536007]
私たちのソリューションでは、手作りの機能はチャネルの形でモデルに入力されます。
予測精度に関しては、NeurIPS 2020、Traffic4cast Challengeで2位を獲得しました。
論文 参考訳（メタデータ） (2020-11-13T18:48:13Z)
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。