論文の概要: One Model Fits All: Cross-Region Taxi-Demand Forecasting

• arxiv url: http://arxiv.org/abs/2310.18215v1
• Date: Fri, 27 Oct 2023 15:42:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 13:34:49.604956
• Title: One Model Fits All: Cross-Region Taxi-Demand Forecasting
• Title（参考訳）: 1つのモデルがすべて:クロスリージョンタクシーの予測
• Authors: Ren Ozeki, Haruki Yonekura, Aidana Baimbetova, Hamada Rizk, Hirozumi Yamaguchi
• Abstract要約: 既存のシステムは特定の領域に限られており、目に見えない領域に一般化性がない。 本稿では,都市環境における空間依存性やパターンをグラフニューラルネットワークを用いて把握する新しいタクシー需要予測システムを提案する。 このフレームワークは、変分オートエンコーダのパワーを組み込んで、入力特徴を領域固有成分と領域ニュートラル成分に分解する。
• 参考スコア（独自算出の注目度）: 3.1698826134900457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing demand for ride-hailing services has led to an increasing need for accurate taxi demand prediction. Existing systems are limited to specific regions, lacking generalizability to unseen areas. This paper presents a novel taxi demand forecasting system that leverages a graph neural network to capture spatial dependencies and patterns in urban environments. Additionally, the proposed system employs a region-neutral approach, enabling it to train a model that can be applied to any region, including unseen regions. To achieve this, the framework incorporates the power of Variational Autoencoder to disentangle the input features into region-specific and region-neutral components. The region-neutral features facilitate cross-region taxi demand predictions, allowing the model to generalize well across different urban areas. Experimental results demonstrate the effectiveness of the proposed system in accurately forecasting taxi demand, even in previously unobserved regions, thus showcasing its potential for optimizing taxi services and improving transportation efficiency on a broader scale.
• Abstract（参考訳）: 配車サービスの需要増加により、正確なタクシー需要予測の必要性が高まっている。 既存のシステムは特定の領域に限られており、見えない領域に一般化性がない。 本稿では,都市環境における空間依存やパターンの把握にグラフニューラルネットワークを活用する新しいタクシー需要予測システムを提案する。 さらに,提案システムでは,未確認領域を含む任意の領域に適用可能なモデルをトレーニング可能な領域ニュートラルアプローチを採用している。 これを実現するために、このフレームワークは変分オートエンコーダのパワーを取り入れ、入力特徴を領域固有および領域ニュートラルなコンポーネントに分解する。 地域ニュートラルの特徴は、地域横断タクシー需要予測を促進し、異なる都市部でモデルをうまく一般化することができる。 実験の結果,従来観測されていなかった地域においても,タクシー需要を正確に予測できるシステムの有効性が示され,タクシーサービスの最適化や交通効率の向上が期待できることがわかった。

関連論文リスト

• 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)
• Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
  通勤フロー予測は、現実の自治体の業務に欠かせない課題である。 我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。 提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-27T03:30:01Z)
• A Data-driven Region Generation Framework for Spatiotemporal Transportation Service Management [17.13561457429991]
  MAUP (modably isal unit problem) は空間データ管理と解析の基本的な問題である。 既存の領域生成手法の多くは手動で指定されている(例えば、固定サイズグリッド)。 本研究では,重要な特徴を持つ領域を指定可能なデータ駆動型領域生成フレームワークであるRereaGenを提案する。
  論文  参考訳（メタデータ） (2023-06-05T11:58:07Z)
• Urban Regional Function Guided Traffic Flow Prediction [117.75679676806296]
  メタデータとして各領域の機能を利用するPOI-MetaBlockという新しいモジュールを提案する。 我々のモジュールはトラフィックフロー予測の性能を大幅に改善し、メタデータを使用する最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-03-17T06:03:49Z)
• RbX: Region-based explanations of prediction models [69.3939291118954]
  領域に基づく説明(RbX)は、ブラックボックス予測モデルからスカラー出力の局所的な説明を生成するモデルに依存しない方法である。 RbXは「スパーシティ公理(sparsity axiom)」を満たすことが保証されており、予測モデルに入らない特徴は重要視されない。
  論文  参考訳（メタデータ） (2022-10-17T03:38:06Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Semantic Segmentation by Early Region Proxy [53.594035639400616]
  本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。 領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。 現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
  論文  参考訳（メタデータ） (2022-03-26T10:48:32Z)
• 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)
• Coupled Layer-wise Graph Convolution for Transportation Demand Prediction [43.23120462553671]
  グラフ畳み込みネットワーク(gcn)は輸送需要予測に広く適用されている。 本稿では,輸送需要予測のための新しいグラフ畳み込みネットワークを提案する。 実世界の2つのデータセット、NYC Citi BikeとNYC Taxiで実験が行われた。
  論文  参考訳（メタデータ） (2020-12-15T04:10:09Z)
• Interpretable Data-Driven Demand Modelling for On-Demand Transit Services [6.982614422666432]
  本研究では,DAレベルにおけるオンデマンド交通(ODT)サービスのための旅行・流通モデルを開発した。 その結果, 商業・工業用地利用型と高密度住宅用地利用型との間には, より高い旅行分布レベルが期待できることがわかった。
  論文  参考訳（メタデータ） (2020-10-27T20:48:10Z)
• A Distributed Model-Free Ride-Sharing Approach for Joint Matching, Pricing, and Dispatching using Deep Reinforcement Learning [32.0512015286512]
  我々は、動的で需要に敏感で、価格に基づく車両通行者マッチングとルート計画フレームワークを提案する。 我々の枠組みはニューヨーク市税のデータセットを用いて検証されている。 実験の結果,実時間および大規模設定におけるアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2020-10-05T03:13:47Z)

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。