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
- 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: Learning the Language of Driving Scenarios [75.61820235290608]
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) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-25T03:37:00Z) - Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI
Data with Self-Supervised Machine Learning [2.8167227950959206]
教師付き学習の魅力的な代替手段として、自己教師型機械学習が登場している。
本稿では,指向性マイクロ構造モデルに適用可能な自己教師型機械学習モデルを実証する。
提案手法は, パラメータ推定と計算時間において, 通常の非線形最小二乗整合と比較して明らかに改善されている。
論文 参考訳(メタデータ) (2022-10-05T15:51:39Z) - 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)
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。