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
- Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。
最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。
本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction [4.672121078249809]
本研究では,空間時間深層学習とマルチソースデータ融合を組み合わせた駐車予測フレームワークを提案する。
このフレームワークは、時空間深層学習モデルとしてのTransformerに基づいている。
実世界の実証データを用いて,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-05-02T07:28:27Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - 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) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - 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) - 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) - 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) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - 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) - GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory
Prediction [6.12727713172576]
Google、Uber、DiDiなどのAI指向企業は、より正確な車両軌道予測アルゴリズムを調査している。
本稿では,対象車両とその周辺車両間の情報共有を可能にする新しいグラフベース情報共有ネットワーク(GISNet)を提案する。
論文 参考訳（メタデータ） (2020-03-22T03:24:31Z)
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。