論文の概要: Cross-Mode Knowledge Adaptation for Bike Sharing Demand Prediction using Domain-Adversarial Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2211.08903v1
• Date: Wed, 16 Nov 2022 13:35:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 14:09:50.682597
• Title: Cross-Mode Knowledge Adaptation for Bike Sharing Demand Prediction using Domain-Adversarial Graph Neural Networks
• Title（参考訳）: ドメイン逆グラフニューラルネットワークを用いた自転車共有需要予測のためのクロスモーダル知識適応
• Authors: Yuebing Liang, Guan Huang and Zhan Zhao
• Abstract要約: 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。
• 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: For bike sharing systems, demand prediction is crucial to ensure the timely re-balancing of available bikes according to predicted demand. Existing methods for bike sharing demand prediction are mostly based on its own historical demand variation, essentially regarding it as a closed system and neglecting the interaction between different transportation modes. This is particularly important for bike sharing because it is often used to complement travel through other modes (e.g., public transit). Despite some recent progress, no existing method is capable of leveraging spatiotemporal information from multiple modes and explicitly considers the distribution discrepancy between them, which can easily lead to negative transfer. To address these challenges, this study proposes a domain-adversarial multi-relational graph neural network (DA-MRGNN) for bike sharing demand prediction with multimodal historical data as input. A temporal adversarial adaptation network is introduced to extract shareable features from demand patterns of different modes. To capture correlations between spatial units across modes, we adapt a multi-relational graph neural network (MRGNN) considering both cross-mode similarity and difference. In addition, an explainable GNN technique is developed to understand how our proposed model makes predictions. Extensive experiments are conducted using real-world bike sharing, subway and ride-hailing data from New York City. The results demonstrate the superior performance of our proposed approach compared to existing methods and the effectiveness of different model components.
• Abstract（参考訳）: 自転車共有システムにとって、需要予測は、予測された需要に応じて、利用可能な自転車のタイムリーな再バランスを確保するために不可欠である。 既存の自転車シェアリング需要予測の方法は、基本的には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独自の歴史的需要変動に基づいている。 これは自転車シェアリングにおいて特に重要であり、他のモード(公共交通機関など)での移動を補完するためにしばしば使用される。 最近の進歩にもかかわらず、既存の手法では複数のモードからの時空間情報を活用することはできず、それらの間の分布の不一致を明示的に考慮し、容易に負の転送につながる可能性がある。 そこで本研究では,複数モーダル履歴データを入力として,自転車シェアリング需要予測を行うためのドメイン逆マルチリレーショナルグラフニューラルネットワーク(da-mrgnn)を提案する。 異なるモードの需要パターンから共有可能な特徴を抽出するために、時間的対向適応ネットワークを導入する。 モード間の空間単位間の相関関係を捉えるため,モード間の類似性と差を考慮した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)を適用した。 さらに,提案したモデルがどのように予測を行うかを理解するために,説明可能なGNN手法を開発した。 ニューヨーク市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大規模な実験が行われた。 その結果,提案手法は既存手法と比較して優れた性能を示し,異なるモデルコンポーネントの有効性を示した。

関連論文リスト

• 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)
• 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)
• Bike Sharing Demand Prediction based on Knowledge Sharing across Modes: A Graph-based Deep Learning Approach [8.695763084463055]
  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。
  論文  参考訳（メタデータ） (2022-03-18T06:10:17Z)
• Transfer learning for cross-modal demand prediction of bike-share and public transit [3.048808575168628]
  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。
  論文  参考訳（メタデータ） (2022-03-17T12:06:05Z)
• 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)
• Joint Demand Prediction for Multimodal Systems: A Multi-task Multi-relational Spatiotemporal Graph Neural Network Approach [7.481812882780837]
  本研究では,マルチモーダル需要予測のための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,異種空間依存性を捉える。 実験はニューヨーク市の実際のデータセットを用いて行われる。
  論文  参考訳（メタデータ） (2021-12-15T12:35:35Z)
• 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)
• 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)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• 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。