論文の概要: The Growth of E-Bike Use: A Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2308.02034v1
- Date: Sat, 15 Jul 2023 03:34:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 01:58:15.940546
- Title: The Growth of E-Bike Use: A Machine Learning Approach
- Title（参考訳）: e-bikeの利用拡大:機械学習によるアプローチ
- Authors: Aditya Gupta, Samarth Chitgopekar, Alexander Kim, Joseph Jiang, Megan
Wang, Christopher Grattoni
- Abstract要約: アメリカでのEバイクの使用は2022年に15,737.82キログラムのCO2排出量を削減した。
同年、電動自転車利用者は活動を通じて約716,630.727キロカロリーを燃やした。
- 参考スコア（独自算出の注目度）: 57.506876852412034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present our work on electric bicycles (e-bikes) and their implications for
policymakers in the United States. E-bikes have gained significant popularity
as a fast and eco-friendly transportation option. As we strive for a
sustainable energy plan, understanding the growth and impact of e-bikes is
crucial for policymakers. Our mathematical modeling offers insights into the
value of e-bikes and their role in the future. Using an ARIMA model, a
supervised machine-learning algorithm, we predicted the growth of e-bike sales
in the U.S. Our model, trained on historical sales data from January 2006 to
December 2022, projected sales of 1.3 million units in 2025 and 2.113 million
units in 2028. To assess the factors contributing to e-bike usage, we employed
a Random Forest regression model. The most significant factors influencing
e-bike sales growth were disposable personal income and popularity.
Furthermore, we examined the environmental and health impacts of e-bikes.
Through Monte Carlo simulations, we estimated the reduction in carbon emissions
due to e-bike use and the calories burned through e-biking. Our findings
revealed that e-bike usage in the U.S. resulted in a reduction of 15,737.82
kilograms of CO2 emissions in 2022. Additionally, e-bike users burned
approximately 716,630.727 kilocalories through their activities in the same
year. Our research provides valuable insights for policymakers, emphasizing the
potential of e-bikes as a sustainable transportation solution. By understanding
the growth factors and quantifying the environmental and health benefits,
policymakers can make informed decisions about integrating e-bikes into future
energy and transportation strategies.
- Abstract（参考訳）: 本稿では,電動自転車(eバイク)とその米国における政策立案者への影響について紹介する。
Eバイクは高速でエコフレンドリーな交通手段として人気がある。
持続可能なエネルギー計画への取り組みとして、eバイクの成長と影響を理解することが政策立案者にとって不可欠である。
私たちの数学的モデリングは、eバイクの価値とその将来における役割についての洞察を提供します。
我々のモデルは、2006年1月から2022年12月までの歴史的な販売データに基づいてトレーニングされ、2025年には130万台、2028年には2.113万台と予測された。
e-bikeの利用に寄与する要因を評価するために,ランダムフォレスト回帰モデルを用いた。
電子自転車販売の成長に影響を及ぼす最も重要な要因は、個人所得と人気である。
さらに,eバイクの環境・健康への影響について検討した。
モンテカルロシミュレーションにより,e-bikeによる二酸化炭素排出量の削減と,e-bikingによる燃焼カロリーの推定を行った。
その結果,2022年には米国でのEバイク使用量が15,737.82キログラム削減された。
さらに同年、電動自転車利用者は活動を通じて約716,630.727キロカロリーを燃やした。
我々の研究は、持続可能な輸送ソリューションとしてのeバイクの可能性を強調し、政策立案者に貴重な洞察を提供する。
成長要因を理解し、環境と健康の便益を定量化することによって、政策立案者は将来のエネルギー・輸送戦略にeバイクを統合するためのインフォームドな意思決定を行うことができる。
関連論文リスト
- Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
本稿では,リンクレベルの自転車のボリュームをモデル化するために,グラフ畳み込みネットワークアーキテクチャを利用する最初の研究について述べる。
オーストラリア,メルボルン市全体での年間平均自転車数(AADB)を,Strava Metro の自転車数データを用いて推定した。
以上の結果から,GCNモデルは従来のAADB数予測モデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-10-11T04:53:18Z) - Mining individual daily commuting patterns of dockless bike-sharing users: a two-layer framework integrating spatiotemporal flow clustering and rule-based decision trees [3.3988622291971247]
本論文は、ドックレス自転車共有旅行データから、個人自転車の日々の通勤パターンをユーザIDで抽出する枠組みを提案する。
このフレームワークの有効性と適用性は、深センでの2億回以上の自転車共有旅行記録によって実証されている。
多くの自転車共有通勤者が都市村や古い町の近くに住んでおり、特に中心部では生活費が低い。
論文 参考訳（メタデータ） (2024-07-13T09:30:51Z) - Cycling into the workshop: predictive maintenance for Barcelona's bike-sharing system [0.0]
本研究は,バルセロナの自転車シェアリングシステムであるBicingの旅行情報とメンテナンスデータを用いた。
本研究は、重要な自転車部品のメンテナンスニーズを正確に予測するために、様々なモビリティ指標を考察し、統計的および機械学習サバイバルモデルを適用した。
この分析によると、機械式自転車と電動自転車の利用パターンは明らかに異なっている。
自転車使用量やデータ不均衡といった課題にもかかわらず、この研究は正確な予測保守システムの実現可能性を示すことに成功している。
論文 参考訳（メタデータ） (2024-04-26T07:46:25Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - Predicting Citi Bike Demand Evolution Using Dynamic Graphs [81.12174591442479]
ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用した。
本稿では,ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用しようとする。
論文 参考訳（メタデータ） (2022-12-18T21:43:27Z) - Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language
Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。
BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。
本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文 参考訳（メタデータ） (2022-11-03T17:13:48Z) - Fed-BEV: A Federated Learning Framework for Modelling Energy Consumption
of Battery Electric Vehicles [5.817576247456001]
バッテリ電気自動車(BEV)は、バッテリパックに蓄えられた化学エネルギーのみを推進に使用する。
BEV(Fed-BEV)のエネルギー消費をモデル化するための新しい枠組みを提案する。
具体的には、Fed-BEVフレームワークに関わるBEVのグループが互いに学び、エネルギー消費モデルを共同で強化することができる。
論文 参考訳（メタデータ） (2021-08-05T01:56:09Z) - Exploring the weather impact on bike sharing usage through a clustering
analysis [7.541020519717183]
本研究の目的は、ワシントンD.C.の自転車利用にどの程度の天気がどんな影響を及ぼすかを調査することである。
ワシントンD.C.では,自転車の利用データと天気データを収集し,k平均クラスタリングアルゴリズムを用いて分析する。
論文 参考訳（メタデータ） (2020-08-17T12:24:37Z) - A Comparative Analysis of E-Scooter and E-Bike Usage Patterns: Findings
from the City of Austin, TX [5.107549049636038]
本研究では,平日と日時によって平均走行速度がどう変化するかを検討する。
ユーザーは、通勤目的で乗車する時と比べて、レクリエーション目的で平均速度が遅いeバイクやeスクーターに乗る傾向にある。
論文 参考訳（メタデータ） (2020-06-07T03:27:44Z) - Optimizing carbon tax for decentralized electricity markets using an
agent-based model [69.3939291118954]
人為的気候変動の影響を避けるためには、化石燃料から低炭素技術への移行が必要である。
炭素税は、この移行を支援する効率的な方法であることが示されている。
NSGA-IIの遺伝的アルゴリズムを用いて、電力混合の平均電気価格と相対炭素強度を最小化する。
論文 参考訳（メタデータ） (2020-05-28T06:54:43Z)
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。