論文の概要: Context-aware demand prediction in bike sharing systems: incorporating
spatial, meteorological and calendrical context
- arxiv url: http://arxiv.org/abs/2105.01125v1
- Date: Mon, 3 May 2021 18:53:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 03:14:58.750963
- Title: Context-aware demand prediction in bike sharing systems: incorporating
spatial, meteorological and calendrical context
- Title（参考訳）: 自転車シェアリングシステムにおけるコンテキスト対応需要予測--空間的・気象的・カレンディカルな文脈を取り入れて
- Authors: Cl\'audio Sardinha, Anna C. Finamore, Rui Henriques
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bike sharing demand is increasing in large cities worldwide. The proper
functioning of bike-sharing systems is, nevertheless, dependent on a balanced
geographical distribution of bicycles throughout a day. In this context,
understanding the spatiotemporal distribution of check-ins and check-outs is
key for station balancing and bike relocation initiatives. Still, recent
contributions from deep learning and distance-based predictors show limited
success on forecasting bike sharing demand. This consistent observation is
hypothesized to be driven by: i) the strong dependence between demand and the
meteorological and situational context of stations; and ii) the absence of
spatial awareness as most predictors are unable to model the effects of
high-low station load on nearby stations.
This work proposes a comprehensive set of new principles to incorporate both
historical and prospective sources of spatial, meteorological, situational and
calendrical context in predictive models of station demand. To this end, a new
recurrent neural network layering composed by serial long-short term memory
(LSTM) components is proposed with two major contributions: i) the feeding of
multivariate time series masks produced from historical context data at the
input layer, and ii) the time-dependent regularization of the forecasted time
series using prospective context data. This work further assesses the impact of
incorporating different sources of context, showing the relevance of the
proposed principles for the community even though not all improvements from the
context-aware predictors yield statistical significance.
- Abstract（参考訳）: 世界中の大都市では自転車シェアリング需要が増加している。
自転車共有システムの適切な機能は、それでも1日を通して自転車の地理的分布のバランスに依存する。
この文脈では、チェックインとチェックインの時空間的分布を理解することが駅のバランスと自転車の移転イニシアチブの鍵となる。
それでも、ディープラーニングと距離ベースの予測器による最近の貢献は、自転車シェアリングの需要予測に限定的な成功を示している。
この一貫した観察は, 需要と局の気象・状況の強い依存, および, 近辺の駅における高低局負荷の影響をモデル化できない多くの予測者が空間認識の欠如によって引き起こされると考えられる。
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。
この目的のために、直列長短項メモリ(LSTM)コンポーネントで構成される新しいリカレントニューラルネットワーク層を、入力層における歴史的文脈データから生成される多変量時系列マスクの摂食と、予測された文脈データを用いた予測時系列の時間依存性正規化の2つの主要なコントリビューションとして提案する。
この研究は、文脈認識予測器によるすべての改善が統計的に有意であるとはいえ、コミュニティに対する提案された原則の関連性を示す、異なる文脈源を取り入れることの影響をさらに評価する。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Improving Demand Forecasting in Open Systems with Cartogram-Enhanced Deep Learning [2.684349361878955]
本研究では,カルトグラム手法を用いてレンタル・リターンパターンを予測するためのディープラーニングフレームワークを提案する。
本手法を韓国ソウル市における自転車レンタル・アンド・リターンデータに適用する。
論文 参考訳（メタデータ） (2024-03-24T07:29:12Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - 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) - Spatio-temporal neural structural causal models for bike flow prediction [2.991894112851257]
自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。
近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。
時空間構造因果モデルを提案する。
論文 参考訳（メタデータ） (2023-01-19T01:39:21Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1～15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳（メタデータ） (2022-02-10T11:37:00Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - 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) - 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)
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。