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
- Personalized Federated Learning for Cross-view Geo-localization [49.40531019551957]
本稿では,フェデレート・ラーニング (FL) とクロスビュー・イメージ・ジオローカライゼーション (CVGL) 技術を組み合わせた方法論を提案する。
提案手法では, クライアントが粗い特徴抽出器のみを共有しながら, 局所環境に特有のきめ細かな特徴を保持する, 粗い特徴抽出器を実装している。
その結果,フェデレートCVGL法は,データプライバシを維持しつつ,集中的なトレーニングに近い性能を実現することができた。
論文 参考訳（メタデータ） (2024-11-07T13:25:52Z) - Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。
既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。
複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
論文 参考訳（メタデータ） (2024-10-07T09:19:20Z) - Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。
我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。
あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文 参考訳（メタデータ） (2024-07-03T16:08:05Z) - Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。
我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。
単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2024-06-06T17:37:39Z) - 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) - 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) - 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)
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。