論文の概要: Transfer Learning Approach to Bicycle-sharing Systems' Station Location
Planning using OpenStreetMap Data
- arxiv url: http://arxiv.org/abs/2111.00990v1
- Date: Mon, 1 Nov 2021 14:56:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 14:24:48.458425
- Title: Transfer Learning Approach to Bicycle-sharing Systems' Station Location
Planning using OpenStreetMap Data
- Title（参考訳）: OpenStreetMapデータを用いた自転車共有システムの駅立地計画への移動学習アプローチ
- Authors: Kamil Raczycki, Piotr Szyma\'nski
- Abstract要約: 本稿では,空間埋め込み手法を用いて,計画の合理化と効率化を図るための新しい手法を提案する。
OpenStreetMapの公開データとヨーロッパの34都市からの駅レイアウトに基づいて、都市をマイクロリージョンに分割する手法が開発されている。
- 参考スコア（独自算出の注目度）: 4.869953137750582
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Bicycle-sharing systems (BSS) have become a daily reality for many citizens
of larger, wealthier cities in developed regions. However, planning the layout
of bicycle-sharing stations usually requires expensive data gathering,
surveying travel behavior and trip modelling followed by station layout
optimization. Many smaller cities and towns, especially in developing areas,
may have difficulty financing such projects. Planning a BSS also takes a
considerable amount of time. Yet as the pandemic has shown us, municipalities
will face the need to adapt rapidly to mobility shifts, which include citizens
leaving public transport for bicycles. Laying out a bike sharing system quickly
will become critical in addressing the increase in bike demand. This paper
addresses the problem of cost and time in BSS layout design and proposes a new
solution to streamline and facilitate the process of such planning by using
spatial embedding methods. Based only on publicly available data from
OpenStreetMap, and station layouts from 34 cities in Europe, a method has been
developed to divide cities into micro-regions using the Uber H3 discrete global
grid system and to indicate regions where it is worth placing a station based
on existing systems in different cities using transfer learning. The result of
the work is a mechanism to support planners in their decision making when
planning a station layout with a choice of reference cities.
- Abstract（参考訳）: 自転車共有システム(BSS)は、先進地域の大規模で富裕な都市の多くの市民にとって日々の現実となっている。
しかしながら、自転車共有ステーションのレイアウトを計画するには、通常、高価なデータ収集、旅行行動の調査、そしてステーションレイアウトの最適化が必要となる。
多くの小さな都市や町、特に発展途上国では、こうした計画の資金調達が困難である。
BSSの計画にもかなりの時間がかかる。
しかし、パンデミックが示すように、自治体は自転車の公共交通機関を離れる市民を含むモビリティシフトに迅速に対応する必要がある。
自転車の需要の増加に対処するためには、自転車シェアリングシステムを迅速に提供することが重要である。
本稿では,bssレイアウト設計におけるコストと時間の問題に対処し,空間埋め込み手法を用いて,計画の合理化とプロセスを容易にする新しいソリューションを提案する。
openstreetmapの公開データとヨーロッパの34都市からの駅配置のみに基づいて、uber h3離散グローバルグリッドシステムを使用して都市をマイクロリージョンに分割し、トランスファーラーニングを使用して、異なる都市の既存のシステムに基づいて駅を配置する価値のある地域を示す方法が開発されている。
この作業の結果は、駅レイアウトを基準都市の選択で計画する際の意思決定においてプランナーを支援するメカニズムである。
関連論文リスト
- MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。
公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。
本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
論文 参考訳（メタデータ） (2024-07-11T17:56:49Z) - From Counting Stations to City-Wide Estimates: Data-Driven Bicycle Volume Extrapolation [0.0]
ストリートレベルの自転車量情報は、都市が自転車を奨励するためのインフラの改善を計画するのに役立つだろう。
現在市や市民が利用できるデータは、わずかに数える駅からしか得られないことが多い。
本論文は,ベルリン全都市における自転車の容積を推定するために,これらの数箇所を超える自転車の容積を推定する。
論文 参考訳（メタデータ） (2024-06-26T16:01:53Z) - Smart Recommendations for Renting Bikes in Bike Sharing Systems [1.5115914900997285]
自動車シェアリングシステムは近年、大都市で人気が高まっている。
それらの利点の1つは、例えば、市内のほぼどこでも車両を運べる(または出発する)可能性である。
規制緩和の問題 — 使用パターンのため、利用可能な車両は特定のエリアに集中しているが、他の地域では利用できない — は、このようなシステムでは極めて一般的である。
本稿では, 自転車の貸出・返却を希望する利用者に対して, 駅を推薦する戦略を提示し, 比較する。
論文 参考訳（メタデータ） (2024-01-22T19:29:33Z) - 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) - Automated Detection of Missing Links in Bicycle Networks [0.15293427903448023]
我々は,都市の自転車ネットワークにおいて最も重要なリンクを見つけるためのIPDC手順(Identify, Prioritize, Decluster, Classify)を開発した。
まず、多重化ネットワークアプローチによるすべての可能なギャップを特定し、フローベースのメトリックに従って優先順位付けし、新たなギャップクラスタを分解し、手動でギャップのタイプを分類する。
以上の結果から,最小データ要件によるネットワーク分析が,自転車ネットワーク計画の費用効率向上支援ツールとして有効であることを示す。
論文 参考訳（メタデータ） (2022-01-10T15:35:14Z) - Predicting the Location of Bicycle-sharing Stations using OpenStreetMap
Data [0.0]
本論文は,空間埋め込み手法を用いて,そのような計画のプロセスを効率化し,促進する新しい手法を提案する。
OpenStreetMapの公開データとヨーロッパの34都市からの駅レイアウトに基づいて、都市をマイクロリージョンに分割する手法が開発されている。
この作業の結果は、駅レイアウトを基準都市の選択で計画する際の意思決定において、プランナーを支援するメカニズムである。
論文 参考訳（メタデータ） (2021-11-02T16:44:00Z) - 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) - Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing
System Using Gated Graph Neural Network [79.61517670541863]
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。
論文 参考訳（メタデータ） (2021-01-19T02:51:12Z) - End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。
我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。
北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2021-01-17T14:16:12Z) - 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) - Smart Urban Mobility: When Mobility Systems Meet Smart Data [55.456196356335745]
都市人口は都市部で約25億人に達し、道路交通量は2050年までに12億台を超えた。
輸送部門の経済貢献は欧州のGDPの5%を占め、アメリカでは平均482.05億ドルの費用がかかる。
論文 参考訳（メタデータ） (2020-05-09T13:53:01Z)
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。