論文の概要: An Interpretable Machine Learning Framework to Understand Bikeshare
Demand before and during the COVID-19 Pandemic in New York City
- arxiv url: http://arxiv.org/abs/2311.06110v1
- Date: Fri, 10 Nov 2023 15:24:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-13 14:53:22.119690
- Title: An Interpretable Machine Learning Framework to Understand Bikeshare
Demand before and during the COVID-19 Pandemic in New York City
- Title(参考訳): ニューヨーク市における新型コロナウイルスパンデミック前後の自転車シェア需要に対する解釈可能な機械学習フレームワーク
- Authors: Majbah Uddin, Ho-Ling Hwang, Md Sami Hasnine
- Abstract要約: 本研究では,大規模な自転車共有システムにおける時間的需要を推定する機械学習モデリングフレームワークを提案する。
本研究で考慮された説明変数の相対的重要性に基づき,両モデルにおいて女性利用者と時間帯の共有が2つの重要な説明変数であった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, bikesharing systems have become increasingly popular as
affordable and sustainable micromobility solutions. Advanced mathematical
models such as machine learning are required to generate good forecasts for
bikeshare demand. To this end, this study proposes a machine learning modeling
framework to estimate hourly demand in a large-scale bikesharing system. Two
Extreme Gradient Boosting models were developed: one using data from before the
COVID-19 pandemic (March 2019 to February 2020) and the other using data from
during the pandemic (March 2020 to February 2021). Furthermore, a model
interpretation framework based on SHapley Additive exPlanations was
implemented. Based on the relative importance of the explanatory variables
considered in this study, share of female users and hour of day were the two
most important explanatory variables in both models. However, the month
variable had higher importance in the pandemic model than in the pre-pandemic
model.
- Abstract(参考訳): 近年、自転車シェアリングシステムは安価で持続可能なマイクロモビリティソリューションとして人気が高まっている。
機械学習のような高度な数学モデルは、自転車シェアの需要を適切に予測するために必要である。
そこで本研究では,大規模自転車シェアリングシステムにおける時間需要を推定する機械学習モデリングフレームワークを提案する。
新型コロナウイルス(covid-19)パンデミック前のデータ(2019年3月~2020年2月)と、パンデミック時のデータ(2020年3月~2021年2月)の2つの極端な勾配上昇モデルが開発された。
さらに、SHapley Additive exPlanationsに基づくモデル解釈フレームワークを実装した。
本研究で考慮された説明変数の相対的重要性に基づき,両モデルにおいて女性利用者と時間帯の共有が2つの重要な説明変数であった。
しかし,パンデミック前モデルよりもパンデミック前モデルの方が月間変動が重要であった。
関連論文リスト
- Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - 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) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳(メタデータ) (2022-10-11T10:20:31Z) - Modelling the Frequency of Home Deliveries: An Induced Travel Demand
Contribution of Aggrandized E-shopping in Toronto during COVID-19 Pandemics [2.5380150390265257]
本研究は、世帯の毎週の宅配頻度を予測するモデルを開発した。
その結果、オンライン食料品会員、世帯平均年齢、男性世帯の割合、世帯労働者数、各種土地利用要因などの社会経済的要因が宅配需要に影響を及ぼすことがわかった。
論文 参考訳(メタデータ) (2022-09-21T21:18:25Z) - Forecasting COVID-19 spreading trough an ensemble of classical and
machine learning models: Spain's case study [0.0]
我々は、新型コロナウイルスのパンデミックの近い将来の進化を予測するために、人口モデルと機械学習モデルのアンサンブルの適用性を評価する。
オープンかつパブリックなデータセットのみに依存しており、発生率、ワクチン接種、人間の移動性、気象データに頼っています。
論文 参考訳(メタデータ) (2022-07-12T08:16:44Z) - Unifying Epidemic Models with Mixtures [28.771032745045428]
新型コロナウイルスのパンデミックは、感染モデルに対する強固な理解の必要性を強調している。
本稿では2つのアプローチをブリッジする単純な混合モデルを提案する。
モデルは非機械的であるが、ネットワーク化されたSIRフレームワークに基づくプロセスの自然な結果として現れることを示す。
論文 参考訳(メタデータ) (2022-01-07T19:42:05Z) - Stock Price Prediction Using Time Series, Econometric, Machine Learning,
and Deep Learning Models [0.0]
本稿では,株価予測のための時系列,エコノメトリ,各種学習モデルについて述べる。
2004年1月から2019年12月までのInfosys、ICICI、SUN PHARMAのデータは、ここでモデルのトレーニングとテストに使用された。
火星は最高の機械学習モデルであることが証明され、LSTMは最高のディープラーニングモデルであることが証明された。
論文 参考訳(メタデータ) (2021-11-01T17:17:52Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Large Scale Interactive Motion Forecasting for Autonomous Driving : The
Waymo Open Motion Dataset [84.3946567650148]
10万枚以上のシーンが10Hzで20秒に渡り、私たちの新しいデータセットには1750kmの道路上の570時間以上のユニークなデータが含まれています。
高精度な3d自動ラベルシステムを用いて,道路エージェント毎に高品質な3dバウンディングボックスを生成する。
シングルエージェントとジョイントエージェントの相互作用運動予測モデルの両方を総合的に評価する新しいメトリクスセットを紹介します。
論文 参考訳(メタデータ) (2021-04-20T17:19:05Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳(メタデータ) (2021-02-12T18:17:12Z)
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。