論文の概要: Analysis and mining of low-carbon and energy-saving tourism data
characteristics based on machine learning algorithm
- arxiv url: http://arxiv.org/abs/2312.03037v1
- Date: Mon, 4 Dec 2023 14:32:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 17:14:34.268743
- Title: Analysis and mining of low-carbon and energy-saving tourism data
characteristics based on machine learning algorithm
- Title(参考訳): 機械学習アルゴリズムによる低炭素・省エネルギー観光データ特性の解析とマイニング
- Authors: Lukasz Wierzbinski
- Abstract要約: 本稿では,機械学習アルゴリズムに基づく低炭素省エネルギー旅行データの特徴分析とマイニングを提案する。
筆者らはK平均クラスタリングアルゴリズムを用いて住民の低炭素移動意欲の強さを分類する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In order to study the formation mechanism of residents' low-carbon awareness
and provide an important basis for traffic managers to guide urban residents to
choose low-carbon travel mode, this paper proposes a low-carbon energy-saving
travel data feature analysis and mining based on machine learning algorithm.
This paper uses data mining technology to analyze the data of low-carbon travel
questionnaire, and regards the 15-dimensional problem under the framework of
planned behavior theory as the internal cause variable that characterizes
residents' low-carbon travel willingness. The author uses K-means clustering
algorithm to classify the intensity of residents' low-carbon travel
willingness, and applies the results as the explanatory variables to the random
forest model to explore the mechanism of residents' social attribute
characteristics, travel characteristics, etc. on their low-carbon travel
willingness. The experimental results show that based on the Silhouette index
test and t-SNE dimensionality reduction, residents' low-carbon travel
willingness can be divided into three categories: strong, neutral, and not
strong; Based on the importance index, the four most significant factors are
the occupation, residence, family composition and commuting time of residents.
Conclusion: This method provides policy recommendations for the development and
management of urban traffic low-carbon from multiple perspectives.
- Abstract(参考訳): 住民の低炭素意識の形成メカニズムを解明し、交通管理者が低炭素移動モードを選択するよう都市住民に誘導するための重要な基盤を提供するために、機械学習アルゴリズムに基づく低炭素エネルギー移動データの特徴分析とマイニングを提案する。
本稿では,データマイニング技術を用いて低炭素旅行アンケートのデータを解析し,住民の低炭素旅行意欲を特徴付ける内因変数として計画行動理論の枠組みに基づく15次元問題を検討する。
筆者は,k-meansクラスタリングアルゴリズムを用いて住民の低炭素移動意欲の強度を分類し,その結果をランダム森林モデルに説明変数として適用し,低炭素移動意欲に対する住民の社会的特性特性,旅行特性等について検討した。
実験の結果, シルエット指数とt-SNE次元の減少から, 住民の低炭素移動意欲は, 強く, 中立で, 強くない3つのカテゴリーに分けられ, 重要度に基づいて, 住民の職業, 居住地, 家族構成, 通勤時間の4つの重要な要因が示された。
結論: この手法は, 都市交通の低炭素化を多面的に検討する上での政策勧告を提供する。
関連論文リスト
- Optimizing Bus Travel: A Novel Approach to Feature Mining with P-KMEANS
and P-LDA Algorithms [12.67101421854941]
本研究では,POI(Point of Interest)データに根ざしたバス走行特徴抽出手法を提案する。
本手法は, 年齢, 職業, 性別, スポーツ, コスト, 安全性, 性格特性など, バス旅行の多様な側面をマイニングする。
論文 参考訳(メタデータ) (2023-12-04T07:21:27Z) - CAFE: Carbon-Aware Federated Learning in Geographically Distributed Data
Centers [18.54380015603228]
大規模人工知能(AI)モデルの訓練には、計算能力とエネルギーが要求されるため、炭素フットプリントが増加し、環境に悪影響を及ぼす可能性がある。
本稿は、地理的に分散した(地理的に分散した)データセンターでAIモデルをトレーニングする際の課題を考察し、学習性能と炭素フットプリントのバランスを強調する。
固定炭素フットプリント予算内でのトレーニングを最適化するために,CAFE(Carbon-Aware Federated Learning)と呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-06T23:59:22Z) - Multicollinearity Resolution Based on Machine Learning: A Case Study of
Carbon Emissions in Sichuan Province [0.6616610975735081]
本研究は, 行列正規化を用いた46主要四川産業における2000-2019年エネルギー消費データを前処理した。
DBSCANクラスタリングでは、16種類の特徴クラスを客観的にグループ化している。
その結果、石炭の2番目のクラスターは、生産需要のため、最も高い排出率を示した。
論文 参考訳(メタデータ) (2023-09-03T08:08:59Z) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳(メタデータ) (2023-03-24T18:32:38Z) - 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) - Understanding transit ridership in an equity context through a
comparison of statistical and machine learning algorithms [0.0]
より優れた旅行行動分析のためのビッグデータと機械学習(ML)アルゴリズムによる最近の実験は、主に社会的に不利なグループを見落としている。
カナダ・トロント大都市圏とハミルトン地区の交通投資に対する低所得者の旅行行動反応について検討する。
本研究は,低所得層に対するMLアルゴリズムによる旅行行動予測の強化の可能性を明らかにし,解釈可能性を大幅に損なうことなく検討した。
論文 参考訳(メタデータ) (2022-11-30T04:48:58Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-10T17:04:04Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳(メタデータ) (2022-05-27T12:46:52Z) - Examining Passenger Vehicle Miles Traveled and Carbon Emissions in the
Boston Metropolitan Area [3.988796279614794]
本章は、2014年にボストン都市圏のオンロード乗用車輸送セクターの温室効果ガス排出量を調査している。
生産ベースと消費ベースの両方の観点からの温室効果ガス排出量の推定を、2つの大規模管理データセットと比較する。
ボストン都市圏の都市や町は、VMTを抑え、二酸化炭素排出量を減らし、炭素中立性の気候目標を達成する方法を推奨している。
論文 参考訳(メタデータ) (2021-06-12T03:28:58Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳(メタデータ) (2021-04-30T12:47:52Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳(メタデータ) (2020-01-31T05:12:59Z)
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。