論文の概要: Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts
for Inventory Management
- arxiv url: http://arxiv.org/abs/2108.00858v1
- Date: Wed, 28 Jul 2021 14:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-08 11:06:50.439436
- Title: Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts
for Inventory Management
- Title(参考訳): 在庫管理における自転車シェアリング需要予測の予測と予測性能
- Authors: Daniele Gammelli, Yihua Wang, Dennis Prak, Filipe Rodrigues, Stefan
Minner, Francisco Camara Pereira
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 8.441020454345932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bike-sharing systems are a rapidly developing mode of transportation and
provide an efficient alternative to passive, motorized personal mobility. The
asymmetric nature of bike demand causes the need for rebalancing bike stations,
which is typically done during night time. To determine the optimal starting
inventory level of a station for a given day, a User Dissatisfaction Function
(UDF) models user pickups and returns as non-homogeneous Poisson processes with
piece-wise linear rates. In this paper, we devise a deep generative model
directly applicable in the UDF by introducing a variational Poisson recurrent
neural network model (VP-RNN) to forecast future pickup and return rates. We
empirically evaluate our approach against both traditional and learning-based
forecasting methods on real trip travel data from the city of New York, USA,
and show how our model outperforms benchmarks in terms of system efficiency and
demand satisfaction. By explicitly focusing on the combination of
decision-making algorithms with learning-based forecasting methods, we
highlight a number of shortcomings in literature. Crucially, we show how more
accurate predictions do not necessarily translate into better inventory
decisions. By providing insights into the interplay between forecasts, model
assumptions, and decisions, we point out that forecasts and decision models
should be carefully evaluated and harmonized to optimally control shared
mobility systems.
- Abstract(参考訳): 自転車シェアリングシステムは急速に発展している交通手段であり、パッシブで電動化されたパーソナルモビリティの代替手段を提供する。
自転車需要の非対称性は、通常夜間に行われる自転車ステーションの再バランスの必要性を引き起こす。
ある日のステーションの最適な開始在庫レベルを決定するために、UDF(User Dissatisfaction Function)は、ユーザのピックアップをモデル化し、一回りの線形レートで不均一なPoissonプロセスとして返却する。
本稿では,今後のピックアップとリターン率を予測するために,変分ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入することにより,UDFに直接適用可能な深部生成モデルを考案する。
本稿は,米国ニューヨーク市からの実際の旅行データに対する従来型および学習型予測手法に対するアプローチを実証的に評価し,システム効率と需要満足度の観点から,我々のモデルがベンチマークを上回っていることを示す。
意思決定アルゴリズムと学習に基づく予測手法を組み合わせることで、文献における多くの欠点を浮き彫りにする。
重要なことは、より正確な予測が必ずしもより良い在庫決定に結びつくとは限らないことを示しています。
予測,モデル仮定,決定の相互作用に関する洞察を提供することにより,予測と決定モデルを慎重に評価し,調和して共有モビリティシステムを最適に制御すべきであることを指摘する。
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) - Individualized Federated Learning for Traffic Prediction with Error Driven Aggregation [8.495633193471853]
フェデレートラーニング(Federated Learning)は、トラフィック予測のための有望なテクニックとして登場した。
現在のFLTPフレームワークにはリアルタイムモデル更新スキームがない。
個人化されたリアルタイム・フェデレーション学習方式であるNeighborFLを提案する。
論文 参考訳(メタデータ) (2024-07-17T00:42:47Z) - Fuel Consumption Prediction for a Passenger Ferry using Machine Learning
and In-service Data: A Comparative Study [5.516843968790116]
本稿では,旅客船から収集したサービス内データを用いて,燃料消費を予測するモデルを提案する。
最高の予測性能は、ブーチングアンサンブルアプローチであるXGboost技術を用いて開発されたモデルから得られる。
論文 参考訳(メタデータ) (2023-10-19T19:35:38Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - How to Estimate Model Transferability of Pre-Trained Speech Models? [84.11085139766108]
事前学習音声モデルの伝達可能性推定のためのスコアベースアセスメントフレームワーク
ベイズ確率推定と最適輸送という2つの表現理論を利用して、PSM候補のランクスコアを生成する。
本フレームワークは,候補モデルやレイヤを実際に微調整することなく,転送可能性スコアを効率的に計算する。
論文 参考訳(メタデータ) (2023-06-01T04:52:26Z) - GNN-based Passenger Request Prediction [0.3480973072524161]
本稿では,乗客のオリジン・デスティネーション(OD)フローを予測するために,意識メカニズムとともにグラフニューラルネットワークフレームワークを開発する。
提案するフレームワークは,異なる場所から発生する要求の間に発生する線形および非線形の依存関係を利用する。
道路網をカバーするグリッドセルの最適サイズは、モデルの複雑さと精度を保っている。
論文 参考訳(メタデータ) (2023-01-06T14:04:46Z) - Interpretable Machine Learning Models for Modal Split Prediction in
Transportation Systems [0.43012765978447565]
交通ネットワークにおけるモーダル分割予測は、交通渋滞の管理と交通サービスの信頼性向上にネットワークオペレーターをサポートする可能性がある。
本研究では,高次元の旅行時間データを用いて,旅行者の時間差予測の問題に焦点をあてる。
変数選択に様々な正則化手法を用いて、オーバーフィッティングを防止し、多重線形性の問題を解決する。
論文 参考訳(メタデータ) (2022-03-27T02:59:00Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-09-30T20:00:11Z)
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。