論文の概要: Bike Sharing Demand Prediction based on Knowledge Sharing across Modes: A Graph-based Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2203.10961v1
• Date: Fri, 18 Mar 2022 06:10:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 15:05:55.182137
• Title: Bike Sharing Demand Prediction based on Knowledge Sharing across Modes: A Graph-based Deep Learning Approach
• Title（参考訳）: モード間の知識共有に基づく自転車共有需要予測:グラフに基づくディープラーニングアプローチ
• Authors: Yuebing Liang, Guan Huang, Zhan Zhao
• Abstract要約: 本研究では,自転車共有需要予測(B-MRGNN)のためのグラフに基づくディープラーニング手法を提案する。 マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し、モード間の空間単位間の相関を捉える。 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。
• 参考スコア（独自算出の注目度）: 8.695763084463055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bike sharing is an increasingly popular part of urban transportation systems. Accurate demand prediction is the key to support timely re-balancing and ensure service efficiency. Most existing models of bike-sharing demand prediction are solely based on its own historical demand variation, essentially regarding bike sharing as a closed system and neglecting the interaction between different transport modes. This is particularly important because bike sharing is often used to complement travel through other modes (e.g., public transit). Despite some recent efforts, there is no existing method capable of leveraging spatiotemporal information from multiple modes with heterogeneous spatial units. To address this research gap, this study proposes a graph-based deep learning approach for bike sharing demand prediction (B-MRGNN) with multimodal historical data as input. The spatial dependencies across modes are encoded with multiple intra- and inter-modal graphs. A multi-relational graph neural network (MRGNN) is introduced to capture correlations between spatial units across modes, such as bike sharing stations, subway stations, or ride-hailing zones. Extensive experiments are conducted using real-world bike sharing, subway and ride-hailing data from New York City, and the results demonstrate the superior performance of our proposed approach compared to existing methods.
• Abstract（参考訳）: 自転車のシェアリングは都市交通システムで人気が高まっている。 正確な需要予測は、タイムリーに再バランスし、サービスの効率を確保するための鍵です。 既存の自転車シェアリング需要予測モデルは、基本的には自転車シェアリングをクローズドシステムとして、異なる輸送モード間の相互作用を無視するものである。 これは、自転車シェアリングが他のモード(公共交通機関など)を補完するためにしばしば使用されるため、特に重要である。 近年の取り組みにもかかわらず、異種空間単位を持つ複数のモードから時空間情報を活用できる手法は存在しない。 本研究では,多変量履歴データを入力として,自転車シェアリング需要予測(b-mrgnn)のためのグラフベースのディープラーニング手法を提案する。 モード間の空間的依存関係は、複数のモーダルグラフとモーダルグラフで符号化される。 マルチリレーショナルグラフニューラルネットワーク(mrgnn)は、自転車シェアリングステーション、地下鉄駅、ライドシェアリングゾーンなどのモード間の空間単位間の相関をキャプチャするために導入された。 ニューヨーク市の自転車共有, 地下鉄およびライドシェアリングデータを用いて大規模な実験を行い, 提案手法の既存手法と比較して優れた性能を示した。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• 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)
• 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)
• 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)
• 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)
• STDI-Net: Spatial-Temporal Network with Dynamic Interval Mapping for Bike Sharing Demand Prediction [3.7875603451557076]
  本稿では,空間時間動的インターバルネットワーク(STDI-Net)と呼ばれる新しい深層学習手法を提案する。 共同時空間情報をモデル化することにより、近い将来に複数の接続ステーションの貸出・返却注文数を予測する。 その結果, 提案手法が既存手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2020-06-07T08:52:40Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。