論文の概要: Spatially-Aware Car-Sharing Demand Prediction
- arxiv url: http://arxiv.org/abs/2303.14421v1
- Date: Sat, 25 Mar 2023 10:10:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 19:53:37.742180
- Title: Spatially-Aware Car-Sharing Demand Prediction
- Title(参考訳): 空間対応カーシェアリング需要予測
- Authors: Dominik J. M\"uhlematter, Nina Wiedemann, Yanan Xin and Martin Raubal
- Abstract要約: 駅型カーシェアリングサービスにおける月平均需要を空間認識学習アルゴリズムを用いて分析する。
ジオコーディネートを入力特徴とするグローバルランダムフォレストモデルは,R2乗スコア0.87で最高の予測性能が得られることを示す。
本研究は,カーシェアリングステーションの設置状況の診断・計画に有効な手法と高い解釈性を提供する。
- 参考スコア(独自算出の注目度): 3.085449079520639
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, car-sharing services have emerged as viable alternatives to
private individual mobility, promising more sustainable and resource-efficient,
but still comfortable transportation. Research on short-term prediction and
optimization methods has improved operations and fleet control of car-sharing
services; however, long-term projections and spatial analysis are sparse in the
literature. We propose to analyze the average monthly demand in a station-based
car-sharing service with spatially-aware learning algorithms that offer high
predictive performance as well as interpretability. In particular, we compare
the spatially-implicit Random Forest model with spatially-aware methods for
predicting average monthly per-station demand. The study utilizes a rich set of
socio-demographic, location-based (e.g., POIs), and car-sharing-specific
features as input, extracted from a large proprietary car-sharing dataset and
publicly available datasets. We show that the global Random Forest model with
geo-coordinates as an input feature achieves the highest predictive performance
with an R-squared score of 0.87, while local methods such as Geographically
Weighted Regression perform almost on par and additionally yield exciting
insights into the heterogeneous spatial distributions of factors influencing
car-sharing behaviour. Additionally, our study offers effective as well as
highly interpretable methods for diagnosing and planning the placement of
car-sharing stations.
- Abstract(参考訳): 近年、カーシェアリングサービスは個人移動の代替手段として存在し、より持続可能で資源効率が高いが快適な交通手段を約束している。
短期予測と最適化手法の研究により、カーシェアリングサービスの運用とフリート制御が改善されたが、長期的な予測や空間分析は文献に乏しい。
本研究では,空間認識型学習アルゴリズムを用いて,ステーション型カーシェアリングサービスにおける月間平均需要を解析し,高い予測性能と解釈性を提供する。
特に,空間的に単純化されたランダムフォレストモデルと空間認識手法を比較し,ステーション毎の月平均需要を推定する。
この研究は、大規模なプロプライエタリなカーシェアリングデータセットと公開データセットから抽出された、社会デコグラフィー、ロケーションベース(POIなど)、カーシェアリング特有の特徴を入力として利用する。
ジオ座標を入力特徴とするグローバルランダムフォレストモデルは,r-二乗スコア0.87で最高予測性能を達成し,地理的重み付け回帰などの局所的手法はほぼ同等の性能を示し,カーシェアリング行動に影響を与える因子の空間分布の異種性に対するエキサイティングな洞察を与える。
また, カーシェアリングステーションの設置状況の診断・計画方法として, 効果的かつ解釈性の高い手法が提案されている。
関連論文リスト
- A step towards the integration of machine learning and small area
estimation [0.0]
本稿では,機械学習アルゴリズムがサポートする予測器を提案する。
仮定モデルからわずかに逸脱しただけで、この場合も提案が良い代替手段であることを示す。
さらに,機械学習予測器の精度推定手法を提案し,従来の手法との比較を行った。
論文 参考訳(メタデータ) (2024-02-12T09:43:17Z) - Contextual Stochastic Vehicle Routing with Time Windows [47.91283991228738]
本研究は,車両経路問題に時間窓 (VRPTW) と走行時間を用いて検討する。
観測された特徴に照らし合わせて,輸送コストと到着遅れの罰則を最小化する,文脈的VRPTWを導入する。
本稿では,歴史データを用いた新しいデータ駆動規範モデルを提案する。
論文 参考訳(メタデータ) (2024-02-10T14:56:36Z) - Learning to Drive Anywhere [38.547150940396904]
地理的に認識された条件付き模倣学習モデルであるAnyDを提案する。
我々の重要な洞察は、高容量なジオロケーションベースのチャネルアテンションメカニズムを導入することである。
提案手法は、本質的に不均衡なデータ分布と位置依存イベントを効率的にスケールすることができる。
論文 参考訳(メタデータ) (2023-09-21T17:55:36Z) - A Baselined Gated Attention Recurrent Network for Request Prediction in
Ridesharing [1.0312968200748118]
ライドシェアリングは、ドライバーと乗客の両方にとって利便性とコスト効率のため、世界的に人気がある。
RSODP(Origin-Destination Prediction for Ride Share)問題の目的は、将来の配車要求を予測し、事前に車両のスケジュールを提供することである。
既存の予測モデルの多くはDeep Learningを利用しているが、空間力学と時間力学の両方を効果的に考慮していない。
論文 参考訳(メタデータ) (2022-07-11T08:41:24Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-29T17:58:12Z) - An Empirical Study on Distribution Shift Robustness From the Perspective
of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。
我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文 参考訳(メタデータ) (2022-05-25T13:04:53Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - 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) - Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts
for Inventory Management [8.441020454345932]
本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。
本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
論文 参考訳(メタデータ) (2021-07-28T14:11:34Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳(メタデータ) (2021-03-08T16:03:09Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳(メタデータ) (2020-04-21T20:46:32Z)
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。