論文の概要: Examining spatial heterogeneity of ridesourcing demand determinants with explainable machine learning

• arxiv url: http://arxiv.org/abs/2209.07980v1
• Date: Fri, 16 Sep 2022 14:47:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 13:08:38.880001
• Title: Examining spatial heterogeneity of ridesourcing demand determinants with explainable machine learning
• Title（参考訳）: 説明可能な機械学習による配車需要要因の空間的不均一性の検討
• Authors: Xiaojian Zhang, Xiang Yan, Zhengze Zhou, Yiming Xu and Xilei Zhao
• Abstract要約: 本研究は、配車需要を形作る重要な要因を特定するために、機械学習に基づく分析フレームワークを適用した。 建設環境の重要性は、空間的な状況によって異なり、空港旅行における配車需要を予測する上で最も重要な要因となっている。 ライドソーシングの需要は通常、ダウンタウンでの旅行や、近隣での旅行、空港での旅行など、構築された環境の変化に最も反応する。
• 参考スコア（独自算出の注目度）: 9.307655320619984
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The growing significance of ridesourcing services in recent years suggests a need to examine the key determinants of ridesourcing demand. However, little is known regarding the nonlinear effects and spatial heterogeneity of ridesourcing demand determinants. This study applies an explainable-machine-learning-based analytical framework to identify the key factors that shape ridesourcing demand and to explore their nonlinear associations across various spatial contexts (airport, downtown, and neighborhood). We use the ridesourcing-trip data in Chicago for empirical analysis. The results reveal that the importance of built environment varies across spatial contexts, and it collectively contributes the largest importance in predicting ridesourcing demand for airport trips. Additionally, the nonlinear effects of built environment on ridesourcing demand show strong spatial variations. Ridesourcing demand is usually most responsive to the built environment changes for downtown trips, followed by neighborhood trips and airport trips. These findings offer transportation professionals nuanced insights for managing ridesourcing services.
• Abstract（参考訳）: 近年の配車サービスの重要性の高まりは、配車需要の鍵となる要因を検討する必要性を示唆している。 しかしながら、ライドソーシング需要決定要因の非線形効果と空間的不均一性についてはほとんど知られていない。 本研究では,乗降需要を形作る重要な要因を特定し,様々な空間環境(空港,中心街,周辺)における非線形関係を探索するために,説明可能な機械学習に基づく分析手法を適用する。 シカゴのライドソーシングトリップデータを実証分析に利用しています。 その結果,建設環境の重要性は空間的背景によって異なっており,空港旅行における配車需要の予測に最も重要であることが明らかになった。 さらに, 組込み環境の乗降需要に対する非線形効果は, 強い空間的変動を示す。 ライドソーシングの需要は通常、ダウンタウンでの旅行や近隣での旅行、空港での旅行など、建設環境の変化に最も反応する。 これらの発見は、運送業者が配車サービスを管理するための洞察を与えてくれる。

関連論文リスト

• Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
  強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。 本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。 これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
  論文  参考訳（メタデータ） (2024-07-17T09:45:27Z)
• Unveiling the influence of behavioural, built environment and socio-economic features on the spatial and temporal variability of bus use using explainable machine learning [0.04096453902709291]
  都市部への距離が大きくなると、バス利用の空間的変動が増大する。 旅行の出発点と目的地の高度分離は、空間的および時間的変動を減少させる。 道路密度の低下は、特に朝のバス利用の空間変動の増大と関連している。
  論文  参考訳（メタデータ） (2024-02-06T11:47:40Z)
• Analysis and mining of low-carbon and energy-saving tourism data characteristics based on machine learning algorithm [0.0]
  本稿では,機械学習アルゴリズムに基づく低炭素省エネルギー旅行データの特徴分析とマイニングを提案する。 筆者らはK平均クラスタリングアルゴリズムを用いて住民の低炭素移動意欲の強さを分類する。
  論文  参考訳（メタデータ） (2023-12-04T14:32:54Z)
• A Bibliometric Analysis and Review on Reinforcement Learning for Transportation Applications [43.356096302298056]
  交通は経済と都市の発展のバックボーンである。 自律的な意思決定者が複雑な環境と対話できるようにする強化学習(RL)。 本稿では, 交通用RL法の開発状況を明らかにするために, 文献分析を行った。
  論文  参考訳（メタデータ） (2022-10-26T07:34:51Z)
• A Clustering-aided Ensemble Method for Predicting Ridesourcing Demand in Chicago [0.0]
  本研究では,配車サービスにおけるゾーン間移動需要を予測するためのクラスタリング支援型アンサンブル手法(CEM)を提案する。 シカゴのライドソーシングトリップデータを用いて提案手法の実装と試験を行った。
  論文  参考訳（メタデータ） (2021-09-08T04:58:29Z)
• 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)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
  強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。 車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。 その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
  論文  参考訳（メタデータ） (2020-12-07T02:09:15Z)
• Studying Person-Specific Pointing and Gaze Behavior for Multimodal Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
  物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。 既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。 本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
  論文  参考訳（メタデータ） (2020-09-23T14:56:19Z)
• K-Prototype Segmentation Analysis on Large-scale Ridesourcing Trip Data [0.0]
  本研究は、シカゴの公共配車データのシティアルゴリズムを用いて、モビリティの出現パターンについて検討する。 目的は、配車サービスのパトロンの体系的なバリエーションを調べることである。 悪天候条件に関する重要な相違点から,6種類の配車プロトタイプを同定し,検討した。
  論文  参考訳（メタデータ） (2020-06-24T17:53:26Z)

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。