論文の概要: Spatially-aware station based car-sharing demand prediction

• arxiv url: http://arxiv.org/abs/2303.14421v2
• Date: Thu, 19 Dec 2024 21:06:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:20:22.910491
• Title: Spatially-aware station based car-sharing demand prediction
• Title（参考訳）: 空間認識型ステーションによるカーシェアリング需要予測
• Authors: Dominik J. Mühlematter, Nina Wiedemann, Yanan Xin, Martin Raubal,
• Abstract要約: 本稿では,空間認識学習アルゴリズムを用いて,駅型カーシェアリングサービスにおける月平均需要を分析することを提案する。 まず、異なるモデリング手法の性能を比較し、入力機能の一部としてグローバルなランダムフォレストとジオコーディネートを組み合わせることで、最高の予測性能が得られることを示す。 SHAP値とGWRモデルとMGWRモデルの係数によるランダムフォレストの解析により、人口密度とカーシェアリングの供給に加えて、周囲のPOIなどの空間的特徴も重要な役割を担っていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 2.0840675600355127
• License:
• 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. Our 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 first compare the performance of different modeling approaches and find that a global Random Forest with geo-coordinates as part of input features achieves the highest predictive performance with an R-squared score of 0.87 on test data. While a local linear model, Geographically Weighted Regression, performs almost on par in terms of out-of-sample prediction accuracy. We further leverage the models to identify spatial and socio-demographic drivers of car-sharing demand. An analysis of the Random Forest via SHAP values, as well as the coefficients of GWR and MGWR models, reveals that besides population density and the car-sharing supply, other spatial features such as surrounding POIs play a major role. In addition, MGWR yields exciting insights into the multiscale heterogeneous spatial distributions of factors influencing car-sharing behaviour. Together, our study offers insights for selecting effective and interpretable methods for diagnosing and planning the placement of car-sharing stations.
• Abstract（参考訳）: 近年では、自動車シェアリングサービスが個人の移動手段の代替手段として発展し、より持続的で資源効率が良いが、それでも快適な交通手段として期待されている。 短期予測と最適化手法の研究は、カーシェアリングサービスの運用とフリートコントロールを改善した。 そこで本稿では,駅におけるカーシェアリングサービスにおける月平均需要を,高い予測性能と解釈可能性を提供する空間認識学習アルゴリズムを用いて分析することを提案する。 本研究では,大規模な自動車共有データセットと公開データセットから抽出した,社会デコグラフィ,位置情報(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。 まず、異なるモデリング手法の性能を比較し、入力機能の一部としてグローバルなランダムフォレストとジオコーディネートを組み合わせることで、テストデータ上での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。 局所線形モデルであるGeographically Weighted Regressionは、サンプル外予測精度の点でほぼ同等に機能する。 さらに、カーシェアリング需要の空間的および社会的なデデノグラフィー要因を特定するためにモデルを活用する。 SHAP値とGWRモデルとMGWRモデルの係数によるランダムフォレストの解析により、人口密度とカーシェアリングの供給に加えて、周囲のPOIなどの空間的特徴も重要な役割を担っていることが明らかとなった。 さらに、MGWRはカーシェアリング行動に影響を与える要因の多種多様な空間分布に対するエキサイティングな洞察を与える。 本研究は,カーシェアリングステーションの配置と配置を効果的かつ解釈可能な方法を選択するための知見を提供する。

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。