論文の概要: Deep trip generation with graph neural networks for bike sharing system
expansion
- arxiv url: http://arxiv.org/abs/2303.11977v1
- Date: Mon, 20 Mar 2023 16:43:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 14:12:04.443647
- Title: Deep trip generation with graph neural networks for bike sharing system
expansion
- Title（参考訳）: 自転車シェアリングシステム拡張のためのグラフニューラルネットワークによるディープトリップ生成
- Authors: Yuebing Liang, Fangyi Ding, Guan Huang, Zhan Zhao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.737133861503814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bike sharing is emerging globally as an active, convenient, and sustainable
mode of transportation. To plan successful bike-sharing systems (BSSs), many
cities start from a small-scale pilot and gradually expand the system to cover
more areas. For station-based BSSs, this means planning new stations based on
existing ones over time, which requires prediction of the number of trips
generated by these new stations across the whole system. Previous studies
typically rely on relatively simple regression or machine learning models,
which are limited in capturing complex spatial relationships. Despite the
growing literature in deep learning methods for travel demand prediction, they
are mostly developed for short-term prediction based on time series data,
assuming no structural changes to the system. In this study, we focus on the
trip generation problem for BSS expansion, and propose a graph neural network
(GNN) approach to predicting the station-level demand based on multi-source
urban built environment data. Specifically, it constructs multiple localized
graphs centered on each target station and uses attention mechanisms to learn
the correlation weights between stations. We further illustrate that the
proposed approach can be regarded as a generalized spatial regression model,
indicating the commonalities between spatial regression and GNNs. The model is
evaluated based on realistic experiments using multi-year BSS data from New
York City, and the results validate the superior performance of our approach
compared to existing methods. We also demonstrate the interpretability of the
model for uncovering the effects of built environment features and spatial
interactions between stations, which can provide strategic guidance for BSS
station location selection and capacity planning.
- Abstract（参考訳）: 自転車シェアリングは、アクティブで便利で持続可能な交通手段として世界中で普及している。
自転車シェアリングシステム(BSS)の成功を計画するために、多くの都市は小規模のパイロットから始まり、徐々にシステムを拡大し、より多くの地域をカバーする。
駅ベースのBSSでは、時間とともに既存の駅をベースとした新しい駅を計画し、システム全体の新駅数を予測する必要がある。
従来の研究は通常、複雑な空間的関係を捉えるのに限られる比較的単純な回帰モデルや機械学習モデルに依存していた。
旅行需要予測のためのディープラーニング手法の文献が増えているにもかかわらず、これらは主に時系列データに基づく短期的な予測のために開発されており、システムに構造的変化はない。
本研究では,BSS拡張のためのトリップ生成問題に着目し,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)アプローチを提案する。
具体的には、各駅を中心に複数の局所グラフを構築し、駅間の相関重みを学習するために注意機構を用いる。
さらに,提案手法を一般化された空間回帰モデルとみなすことができ,空間回帰とGNNの共通性を示す。
このモデルは,ニューヨーク市の複数年間のBSSデータを用いた実測実験に基づいて評価し,既存手法と比較して,提案手法の有効性を検証した。
また,BSS局の位置選択とキャパシティ計画のための戦略的ガイダンスを提供するため,構築された環境特徴とステーション間の空間的相互作用の影響を明らかにするためのモデルの解釈可能性を示す。
関連論文リスト
- Graph-Based Optimisation of Network Expansion in a Dockless Bike Sharing System [0.0]
自転車シェアリングシステム(BSS)は世界中で数千以上の都市に展開されており、多くの都市交通システムにおいて重要な役割を果たしている。
本研究では,ドッキングレス BSS オペレータである Bikes Moby の旅行データを用いて,最適時間グラフを構築した。
グラフを最適化するプロセスは、将来のBSSの拡張中に新しいステーションを建てるための主要な場所を明らかにした。
論文 参考訳（メタデータ） (2024-03-28T12:29:25Z) - Improving Demand Forecasting in Open Systems with Cartogram-Enhanced Deep Learning [2.684349361878955]
本研究では,カルトグラム手法を用いてレンタル・リターンパターンを予測するためのディープラーニングフレームワークを提案する。
本手法を韓国ソウル市における自転車レンタル・アンド・リターンデータに適用する。
論文 参考訳（メタデータ） (2024-03-24T07:29:12Z) - 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) - 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) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - Predicting Vehicles Trajectories in Urban Scenarios with Transformer
Networks and Augmented Information [0.0]
本稿では,トランスフォーマーネットワークに基づく歩行者軌道予測のための単純な構造を利用する。
我々は,最大5秒の地平線における都市シナリオにおける車両軌道予測の問題にそれらの利用を適応させる。
我々のモデルは最先端の成果を達成し、異なるタイプの都市環境に柔軟で適応可能であることを証明している。
論文 参考訳（メタデータ） (2021-06-01T15:18:55Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - Network and Station-Level Bike-Sharing System Prediction: A San
Francisco Bay Area Case Study [12.477331187546216]
本研究では,サンフランシスコベイエリア自転車共有システムにおける自転車の利用状況をモデル化するモデルを開発した。
機械学習には、ネットワークとステーションという2つのレベルがある。
論文 参考訳（メタデータ） (2020-09-20T06:46:41Z) - 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) - Physical-Virtual Collaboration Modeling for Intra-and Inter-Station
Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。
特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。
類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文 参考訳（メタデータ） (2020-01-14T16:47:54Z)
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。