論文の概要: Transfer learning for cross-modal demand prediction of bike-share and public transit

• arxiv url: http://arxiv.org/abs/2203.09279v1
• Date: Thu, 17 Mar 2022 12:06:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 13:45:11.810800
• Title: Transfer learning for cross-modal demand prediction of bike-share and public transit
• Title（参考訳）: 自転車シェアリングと公共交通のクロスモーダル需要予測のためのトランスファーラーニング
• Authors: Mingzhuang Hua, Francisco Camara Pereira, Yu Jiang, Xuewu Chen
• Abstract要約: 本研究では,多種多様な機械学習モデルと移動学習戦略を,モーダル間需要予測のために検討する。 駅レベルの旅客流として、自転車シェア、メトロ、タクシーの走行データを処理する。 提案手法は南京・シカゴの大規模ケーススタディで検証された。
• 参考スコア（独自算出の注目度）: 3.048808575168628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The urban transportation system is a combination of multiple transport modes, and the interdependencies across those modes exist. This means that the travel demand across different travel modes could be correlated as one mode may receive demand from or create demand for another mode, not to mention natural correlations between different demand time series due to general demand flow patterns across the network. It is expectable that cross-modal ripple effects become more prevalent, with Mobility as a Service. Therefore, by propagating demand data across modes, a better demand prediction could be obtained. To this end, this study explores various machine learning models and transfer learning strategies for cross-modal demand prediction. The trip data of bike-share, metro, and taxi are processed as the station-level passenger flows, and then the proposed prediction method is tested in the large-scale case studies of Nanjing and Chicago. The results suggest that prediction models with transfer learning perform better than unimodal prediction models. Furthermore, stacked Long Short-Term Memory model performs particularly well in cross-modal demand prediction. These results verify our combined method's forecasting improvement over existing benchmarks and demonstrate the good transferability for cross-modal demand prediction in multiple cities.
• Abstract（参考訳）: 都市交通システムは複数の輸送モードの組み合わせであり、これらのモードにまたがる相互依存が存在する。 つまり、1つのモードが別のモードからの需要を受信したり、別のモードの需要を作成したりする可能性があるため、ネットワーク全体の一般的な需要フローパターンによる異なる需要時系列間の自然な相関は言及されない。 モビリティ・アズ・ア・サービスによって、クロスモーダルなリップル効果がより普及することが期待できる。 したがって、モード間で需要データを伝播させることで、より優れた需要予測が得られる。 そこで本研究では,多種多様な機械学習モデルと移動学習戦略を探索し,需要予測を行う。 また, 自転車シェア, メトロ, タクシーの走行データを駅レベルの乗客フローとして処理し, 南京, シカゴの大規模ケーススタディにおいて, 提案手法を検証した。 その結果, 伝達学習による予測モデルは, 単調な予測モデルよりも優れていることが示唆された。 さらに, 積層長短期記憶モデルは, 特にクロスモーダル需要予測において良好に機能する。 これらの結果から,既存ベンチマークの予測精度の向上を検証し,複数の都市におけるクロスモーダル需要予測の優れた伝達性を示す。

関連論文リスト

• Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
  マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。 提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
  論文  参考訳（メタデータ） (2024-11-04T23:15:21Z)
• Predicting travel demand of a bike sharing system using graph convolutional neural networks [0.0]
  本研究は,自転車共有システムにおける旅行需要の予測に焦点を当てた。 ゲートグラフ畳み込みニューラルネットワークと呼ばれる新しいハイブリッドディープラーニングモデルが導入された。 軌跡データ、気象データ、アクセスデータを統合し、ゲートグラフ畳み込みネットワークを活用することにより、旅行需要予測の精度を大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-18T00:24:30Z)
• xMTrans: Temporal Attentive Cross-Modality Fusion Transformer for Long-Term Traffic Prediction [3.08580339590996]
  本稿では,長期交通予測,すなわちxMTransに対する時間的注意型クロスモーダルトランスモデルを提案する。 我々は,実世界のデータセットを用いて,交通渋滞とタクシー需要予測に関する提案モデルを評価する実験を行った。
  論文  参考訳（メタデータ） (2024-05-08T06:29:26Z)
• 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)
• ICN: Interactive Convolutional Network for Forecasting Travel Demand of Shared Micromobility [5.6973480878880824]
  本稿では,共有マイクロモビリティのための旅行需要を予測するための,対話型畳み込みネットワーク(ICN)というディープラーニングモデルを提案する。 提案手法はシカゴ, IL, オースチン, TXの2つの実世界のケーススタディに対して評価された。
  論文  参考訳（メタデータ） (2023-06-24T08:08:04Z)
• Cross-Mode Knowledge Adaptation for Bike Sharing Demand Prediction using Domain-Adversarial Graph Neural Networks [8.695763084463055]
  本研究では,自転車シェアリング需要予測のためのドメイン逆多重関係グラフニューラルネットワーク(DA-MRGNN)を提案する。 異なるモードのパターン要求から共有可能な特徴を抽出するために、時間的対角適応ネットワークを導入する。 実験はニューヨーク市の実際の自転車シェアリング、地下鉄、ライドシェアリングのデータを用いて行われた。
  論文  参考訳（メタデータ） (2022-11-16T13:35:32Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• Joint predictions of multi-modal ride-hailing demands: a deep multi-task multigraph learning-based approach [64.18639899347822]
  本稿では、複数のマルチグラフ畳み込み(MGC)ネットワークを組み合わせて、異なるサービスモードの要求を予測する深層マルチタスクマルチグラフ学習手法を提案する。 提案手法は,様々な配車モードの予測精度において,ベンチマークアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T07:10:50Z)
• Knowledge Adaption for Demand Prediction based on Multi-task Memory Neural Network [43.356096302298056]
  駅集中型モードからのデータを用いた駅間モードの需要予測とメモリ拡張型マルチタスクリカレントネットワーク(MATURE)の設計を提案する。 具体的には,1)長期の情報を捕捉し,各トランジットモードの時間的知識を格納する能力を強化するメモリ拡張リカレントネットワーク,2)ステーション集約的なソースからステーションスパースソースへの知識を適応するための知識適応モジュール,3)すべての情報を組み込んだマルチタスク学習フレームワーク,および複数のモードの需要を同時に予測する。
  論文  参考訳（メタデータ） (2020-09-12T12:21:09Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。