論文の概要: ICN: Interactive Convolutional Network for Forecasting Travel Demand of Shared Micromobility

• arxiv url: http://arxiv.org/abs/2306.13897v1
• Date: Sat, 24 Jun 2023 08:08:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 18:31:21.049259
• Title: ICN: Interactive Convolutional Network for Forecasting Travel Demand of Shared Micromobility
• Title（参考訳）: ICN:共有マイクロモビリティの旅行需要予測のための対話型畳み込みネットワーク
• Authors: Yiming Xu, Qian Ke, Xiaojian Zhang, Xilei Zhao
• Abstract要約: 本稿では,共有マイクロモビリティのための旅行需要を予測するための,対話型畳み込みネットワーク(ICN)というディープラーニングモデルを提案する。 提案手法はシカゴ, IL, オースチン, TXの2つの実世界のケーススタディに対して評価された。
• 参考スコア（独自算出の注目度）: 5.6973480878880824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate shared micromobility demand predictions are essential for transportation planning and management. Although deep learning models provide powerful tools to deal with demand prediction problems, studies on forecasting highly-accurate spatiotemporal shared micromobility demand are still lacking. This paper proposes a deep learning model named Interactive Convolutional Network (ICN) to forecast spatiotemporal travel demand for shared micromobility. The proposed model develops a novel channel dilation method by utilizing multi-dimensional spatial information (i.e., demographics, functionality, and transportation supply) based on travel behavior knowledge for building the deep learning model. We use the convolution operation to process the dilated tensor to simultaneously capture temporal and spatial dependencies. Based on a binary-tree-structured architecture and interactive convolution, the ICN model extracts features at different temporal resolutions, and then generates predictions using a fully-connected layer. The proposed model is evaluated for two real-world case studies in Chicago, IL, and Austin, TX. The results show that the ICN model significantly outperforms all the selected benchmark models. The model predictions can help the micromobility operators develop optimal vehicle rebalancing schemes and guide cities to better manage the shared micromobility system.
• Abstract（参考訳）: 正確な共有マイクロモビリティ需要予測は交通計画と管理に不可欠である。 ディープラーニングモデルは需要予測問題に対処する強力なツールを提供するが、高度に正確な時空間的共有マイクロモビリティ需要を予測する研究はまだ不足している。 本稿では,マイクロモビリティ共有のための時空間移動需要を予測するために,Interactive Convolutional Network (ICN) というディープラーニングモデルを提案する。 深層学習モデル構築のための旅行行動知識に基づく多次元空間情報(人口統計,機能,交通供給など)を利用して,新しいチャネル拡張手法を開発した。 畳み込み演算を用いて拡張テンソルを処理し,時間的および空間的依存性を同時に捉える。 二分木構造アーキテクチャと対話的畳み込みに基づいて、ICNモデルは異なる時間分解能で特徴を抽出し、完全連結層を用いて予測を生成する。 提案手法はシカゴ, IL, オースチン, TXの2つの実世界のケーススタディに対して評価された。 その結果,ICNモデルが選択したベンチマークモデルよりも有意に優れていた。 モデル予測は、マイクロモビリティーオペレーターが最適な車両再バランススキームを開発し、都市を誘導し、共有マイクロモビリティシステムを管理するのに役立つ。

関連論文リスト

• Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction [0.6202955567445396]
  本稿では,自律走行のための新しい軌道予測モデルを提案する。 本モデルは,不確実性推定と複雑なエージェント相互作用を組み込むことにより,軌道予測の精度と信頼性を向上させる。 提案モデルでは,実環境における自律走行システムへの応用の可能性を示す。
  論文  参考訳（メタデータ） (2024-11-25T15:03:44Z)
• A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
  本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。 モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
  論文  参考訳（メタデータ） (2024-06-02T05:41:25Z)
• Hybrid Transformer and Spatial-Temporal Self-Supervised Learning for Long-term Traffic Prediction [1.8531577178922987]
  本稿では,ハイブリッドトランスフォーマーと自己教師型学習を組み合わせたモデルを提案する。 このモデルは、トラフィックのシーケンスレベルにデータ拡張技術を適用することにより、適応的なデータ拡張を強化する。 本研究では,時間的および空間的依存をモデル化する2つの自己教師型学習タスクを設計し,モデルの精度と能力を向上させる。
  論文  参考訳（メタデータ） (2024-01-29T06:17:23Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Real-Time Forecasting of Dockless Scooter-Sharing Demand: A Spatio-Temporal Multi-Graph Transformer Approach [5.6973480878880824]
  本稿では,S-TMGT (S-Temporal Multi-Graph Transformer) という新しいディープラーニングアーキテクチャを提案する。 提案したモデルは、マイクロモビリティーオペレーターが最適な車両再バランススキームを開発し、ドックレススクーターシェアリングオペレーションをよりよく管理するために都市を案内するのに役立つ。
  論文  参考訳（メタデータ） (2021-11-02T03:48:48Z)
• 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)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。