論文の概要: A Cluster-Based Trip Prediction Graph Neural Network Model for Bike
Sharing Systems
- arxiv url: http://arxiv.org/abs/2201.00720v1
- Date: Mon, 3 Jan 2022 15:47:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-04 15:27:08.602890
- Title: A Cluster-Based Trip Prediction Graph Neural Network Model for Bike
Sharing Systems
- Title(参考訳): 自転車共有システムのためのクラスタベーストリプ予測グラフニューラルネットワークモデル
- Authors: B\'arbara Tavares, Cl\'audia Soares, Manuel Marques
- Abstract要約: 自転車シェアリングシステム(BSS)は革新的な交通サービスとして発展しつつある。
これらのシステムが現在のグローバルな懸念の多くを根絶することにコミットしていることを考えると、BSSの適切な機能を確保することが不可欠である。
ユーザの移行パターンに関する優れた知識は、サービスの品質と運用性に対する決定的な貢献である。
- 参考スコア(独自算出の注目度): 2.1423963702744597
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Bike Sharing Systems (BSSs) are emerging as an innovative transportation
service. Ensuring the proper functioning of a BSS is crucial given that these
systems are committed to eradicating many of the current global concerns, by
promoting environmental and economic sustainability and contributing to
improving the life quality of the population. Good knowledge of users'
transition patterns is a decisive contribution to the quality and operability
of the service. The analogous and unbalanced users' transition patterns cause
these systems to suffer from bicycle imbalance, leading to a drastic customer
loss in the long term. Strategies for bicycle rebalancing become important to
tackle this problem and for this, bicycle traffic prediction is essential, as
it allows to operate more efficiently and to react in advance. In this work, we
propose a bicycle trips predictor based on Graph Neural Network embeddings,
taking into consideration station groupings, meteorology conditions,
geographical distances, and trip patterns. We evaluated our approach in the New
York City BSS (CitiBike) data and compared it with four baselines, including
the non-clustered approach. To address our problem's specificities, we
developed the Adaptive Transition Constraint Clustering Plus (AdaTC+)
algorithm, eliminating shortcomings of previous work. Our experiments evidence
the clustering pertinence (88% accuracy compared with 83% without clustering)
and which clustering technique best suits this problem. Accuracy on the Link
Prediction task is always higher for AdaTC+ than benchmark clustering methods
when the stations are the same, while not degrading performance when the
network is upgraded, in a mismatch with the trained model.
- Abstract(参考訳): 自転車シェアリングシステム(BSS)は革新的な交通サービスとして発展しつつある。
bssの適切な機能を保証することは、これらのシステムが、環境と経済の持続可能性を促進し、人々の生活の質を改善するために貢献することによって、現在の世界の多くの懸念を根絶することにコミットしていることを考えれば重要である。
ユーザの移行パターンに関する優れた知識は、サービスの品質と運用性に対する決定的な貢献である。
類似および不均衡な利用者の移行パターンは、これらのシステムが自転車の不均衡に悩まされ、長期的には顧客の損失が激化する。
自転車再バランスの戦略は、この問題に対処するために重要となり、自転車の交通予測は、より効率的に運転でき、事前に反応できるため、不可欠である。
本研究では,駅群,気象条件,地理的距離,旅行パターンを考慮した,グラフニューラルネットワークの埋め込みに基づく自転車旅行予測手法を提案する。
ニューヨーク市のBSS(CitiBike)データによるアプローチを評価し,非クラスタ化アプローチを含む4つのベースラインと比較した。
問題の特異性に対処するために,適応的遷移制約クラスタリングプラス (adatc+) アルゴリズムを開発し,これまでの作業の欠点を解消した。
実験の結果,クラスタリングの精度は88%で,クラスタリングなしでは83%であり,クラスタリング技術が問題に最も適していることがわかった。
adatc+のリンク予測タスクの精度は、ステーションが同じ場合のベンチマーククラスタリング法よりも常に高いが、ネットワークがアップグレードされた場合のパフォーマンスは低下しない。
関連論文リスト
- An Adaptive Framework for Generalizing Network Traffic Prediction
towards Uncertain Environments [51.99765487172328]
我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。
我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
論文 参考訳(メタデータ) (2023-11-30T18:58:38Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳(メタデータ) (2023-09-04T17:30:21Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - 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) - Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated
Learning via Class-Imbalance Reduction [76.26710990597498]
本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。
我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。
特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
論文 参考訳(メタデータ) (2022-09-30T05:42:56Z) - Improving short-term bike sharing demand forecast through an irregular
convolutional neural network [16.688608586485316]
本研究は,自転車の短期共有需要予測を改善するために,不規則な畳み込み長短記憶モデル(IrConv+LSTM)を提案する。
提案モデルは,シンガポールのドックレス自転車シェアリングシステムと,シカゴ,ワシントンD.C.,ニューヨーク,ロンドンにある4つのステーションベースシステムを含む,5つの調査サイトでベンチマークモデルを用いて評価された。
このモデルはまた、自転車使用量やピーク期間の異なる地域での優れたパフォーマンスも達成している。
論文 参考訳(メタデータ) (2022-02-09T10:21:45Z) - 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) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - A Comparative Study of Using Spatial-Temporal Graph Convolutional
Networks for Predicting Availability in Bike Sharing Schemes [13.819341724635319]
都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。
実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
論文 参考訳(メタデータ) (2021-04-21T17:13:29Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳(メタデータ) (2021-03-18T08:47:56Z) - Deep Reinforcement Learning with Spatio-temporal Traffic Forecasting for
Data-Driven Base Station Sleep Control [39.31623488192675]
5G時代のモバイル交通需要の増加に対応するため、基地局(BS)は無線アクセスネットワーク(RAN)に密に展開され、ネットワークカバレッジと容量が向上しています。
BSの高密度はピークトラフィックに対応するために設計されているため、オフピーク時にBSがオンになっている場合、不必要に大量のエネルギーを消費します。
セルラーネットワークのエネルギー消費を抑えるために、交通需要に応えないアイドルベースステーションを非活性化する方法が効果的である。
本論文では,DeepBSC と呼ばれるトラフィック認識型動的 BS 睡眠制御フレームワークを開発した。
論文 参考訳(メタデータ) (2021-01-21T01:39:42Z)
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。