論文の概要: Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing System Using Gated Graph Neural Network

• arxiv url: http://arxiv.org/abs/2101.07425v1
• Date: Tue, 19 Jan 2021 02:51:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 11:32:17.175838
• Title: Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing System Using Gated Graph Neural Network
• Title（参考訳）: グラフニューラルネットワークを用いたドックレス自転車共有システムにおける自転車ステーションの動的計画
• Authors: Jianguo Chen and Kenli Li and Keqin Li and Philip S. Yu and Zeng Zeng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 79.61517670541863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Benefiting from convenient cycling and flexible parking locations, the Dockless Public Bicycle-sharing (DL-PBS) network becomes increasingly popular in many countries. However, redundant and low-utility stations waste public urban space and maintenance costs of DL-PBS vendors. In this paper, we propose a Bicycle Station Dynamic Planning (BSDP) system to dynamically provide the optimal bicycle station layout for the DL-PBS network. The BSDP system contains four modules: bicycle drop-off location clustering, bicycle-station graph modeling, bicycle-station location prediction, and bicycle-station layout recommendation. In the bicycle drop-off location clustering module, candidate bicycle stations are clustered from each spatio-temporal subset of the large-scale cycling trajectory records. In the bicycle-station graph modeling module, a weighted digraph model is built based on the clustering results and inferior stations with low station revenue and utility are filtered. Then, graph models across time periods are combined to create a graph sequence model. In the bicycle-station location prediction module, the GGNN model is used to train the graph sequence data and dynamically predict bicycle stations in the next period. In the bicycle-station layout recommendation module, the predicted bicycle stations are fine-tuned according to the government urban management plan, which ensures that the recommended station layout is conducive to city management, vendor revenue, and user convenience. Experiments on actual DL-PBS networks verify the effectiveness, accuracy and feasibility of the proposed BSDP system.
• Abstract（参考訳）: 便利なサイクリングと柔軟な駐車場所の恩恵を受け、ドックレス公共自転車シェアリング(dl-pbs)ネットワークは多くの国で人気が高まっている。 しかし、冗長で低ユーティリティな駅は公共の都市空間とDL-PBSベンダーのメンテナンスコストを無駄にしている。 本稿では,DL-PBSネットワークにおける最適な自転車ステーションレイアウトを動的に提供するために,BSDP(Bicycle Station Dynamic Planning)システムを提案する。 BSDPシステムには、自転車落下位置クラスタリング、自転車ステーショングラフモデリング、自転車ステーション位置予測、自転車ステーションレイアウトレコメンデーションの4つのモジュールが含まれている。 自転車降車位置クラスタリングモジュールにおいて、大規模サイクリング軌道記録の各時空間サブセットから候補自転車ステーションをクラスタリングする。 自転車駅グラフモデリングモジュールにおいて、クラスタリング結果に基づいて重み付きダイアグラフモデルを構築し、低い駅歳入とユーティリティを有する下位の駅をフィルタする。 そして、各期間にわたるグラフモデルを組み合わせて、グラフシーケンスモデルを作成する。 自転車停留所位置予測モジュールでは、GGNNモデルを用いて、グラフシーケンスデータをトレーニングし、次の期間の自転車ステーションを動的に予測する。 本発明の自転車駅レイアウトレコメンデーションモジュールは、都市管理計画に従って予測された自転車駅を微調整し、都市管理、ベンダー収益、ユーザ利便性に配慮した推奨駅レイアウトを実現する。 実際のDL-PBSネットワーク実験では,提案したBSDPシステムの有効性,精度,実現可能性を検証する。

関連論文リスト

• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車のボリュームをモデル化するために,グラフ畳み込みネットワークアーキテクチャを利用する最初の研究について述べる。 オーストラリア,メルボルン市全体での年間平均自転車数(AADB)を,Strava Metro の自転車数データを用いて推定した。 以上の結果から,GCNモデルは従来のAADB数予測モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• 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)
• 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)
• 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)
• 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)
• Network and Station-Level Bike-Sharing System Prediction: A San Francisco Bay Area Case Study [12.477331187546216]
  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。
  論文  参考訳（メタデータ） (2020-09-20T06:46:41Z)
• Towards Dynamic Urban Bike Usage Prediction for Station Network Reconfiguration [7.5640951518267165]
  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。
  論文  参考訳（メタデータ） (2020-08-13T23:41:29Z)
• Exploiting Interpretable Patterns for Flow Prediction in Dockless Bike Sharing Systems [45.45179250456602]
  本稿では,解釈可能な交通パターンを用いた効率的な自転車フロー予測を実現するための,解釈可能な自転車フロー予測(IBFP)フレームワークを提案する。 都市部をフロー密度に応じて領域に分割することにより、まず、グラフ正規化スパース表現を用いて、各領域間の自転車の流れをモデル化する。 そして,スパース表現を用いたサブスペースクラスタリングを用いて,自転車のフローからトラフィックパターンを抽出し,解釈可能なベース行列を構築する。 最後に、実世界のデータを用いた実験結果から、ドックレス自転車シェアリングシステムにおけるフロー予測におけるIBFP法の利点が示された。
  論文  参考訳（メタデータ） (2020-04-13T05:31:50Z)

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。