論文の概要: Unveiling the influence of behavioural, built environment and socio-economic features on the spatial and temporal variability of bus use using explainable machine learning

• arxiv url: http://arxiv.org/abs/2403.05545v1
• Date: Tue, 6 Feb 2024 11:47:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 06:19:57.809115
• Title: Unveiling the influence of behavioural, built environment and socio-economic features on the spatial and temporal variability of bus use using explainable machine learning
• Title（参考訳）: 説明可能な機械学習を用いたバス利用の空間的・時間的変動に及ぼす行動・構築環境・社会経済的特徴の影響の解明
• Authors: Sui Tao, Francisco Rowe, Hongyu Shan,
• Abstract要約: 都市部への距離が大きくなると、バス利用の空間的変動が増大する。 旅行の出発点と目的地の高度分離は、空間的および時間的変動を減少させる。 道路密度の低下は、特に朝のバス利用の空間変動の増大と関連している。
• 参考スコア（独自算出の注目度）: 0.04096453902709291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the variability of people's travel patterns is key to transport planning and policy-making. However, to what extent daily transit use displays geographic and temporal variabilities, and what are the contributing factors have not been fully addressed. Drawing on smart card data in Beijing, China, this study seeks to address these deficits by adopting new indices to capture the spatial and temporal variability of bus use during peak hours and investigate their associations with relevant contextual features. Using explainable machine learning, our findings reveal non-linear interaction between spatial and temporal variability and trip frequency. Furthermore, greater distance to the urban centres (>10 kilometres) is associated with increased spatial variability of bus use, while greater separation of trip origins and destinations from the subcentres reduces both spatial and temporal variability. Higher availability of bus routes is linked to higher spatial variability but lower temporal variability. Meanwhile, both lower and higher road density is associated with higher spatial variability of bus use especially in morning times. These findings indicate that different built environment features moderate the flexibility of travel time and locations. Implications are derived to inform more responsive and reliable operation and planning of transit systems.
• Abstract（参考訳）: 人々の旅行パターンの多様性を理解することが、交通計画と政策立案の鍵となる。 しかし, 日々の交通機関の利用状況は, 地理的・時間的変動の程度と, どのような要因が完全には対処されていないかを示す。 本研究は,中国北京のスマートカードデータに基づいて,ピーク時のバス利用の空間的・時間的変動を把握し,関連する文脈的特徴との関連性を調べるために,新しい指標を採用することで,これらの欠陥に対処することを目的とする。 説明可能な機械学習を用いて,空間的・時間的変動と旅行頻度の非線形相互作用を明らかにした。 さらに、都市中心部(>10km)への距離は、バス利用の空間的変動の増加と関連し、旅行の発端と目的地の分離は、空間的および時間的変動を減少させる。 バス路線の高可用性は、より空間的変動性が高いが時間的変動性が低いことに関係している。 一方,道路密度の低下と道路密度の上昇は,特に朝のバス利用の空間変動に関係している。 これらの結果から,異なる建築環境が旅行時間や場所の柔軟性を適度に発揮していることが明らかとなった。 インプリケーションは、より応答性が高く信頼性の高いトランジットシステムの運用と計画を行うために引き起こされる。

関連論文リスト

• Association between built environment characteristics and school run traffic congestion in Beijing, China [3.8996542996236605]
  学校は、学校周辺の交通渋滞を著しく悪化させ、学校運営中にフリーフローの確率を8.34%削減している。 学校が運営する交通渋滞は、複数の学校、バスの停留所、ビジネスや金融機能に関連する景観がある地域では深刻である。
  論文  参考訳（メタデータ） (2024-11-18T09:05:49Z)
• Streaming detection of significant delay changes in public transport systems [0.9217021281095907]
  遅延などの公共交通機関の混乱は、モビリティの選択に悪影響を及ぼす可能性がある。 本稿では,遅延検出手法と参照アーキテクチャを提案する。 方法は、スケジュールからの逸脱として定義される遅延の計算を補完することができる。
  論文  参考訳（メタデータ） (2024-04-11T15:54:20Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Spatial-Temporal Feature Extraction and Evaluation Network for Citywide Traffic Condition Prediction [1.321203201549798]
  二重層-時空間特徴抽出・評価モデル(DL-STFEE)を提案する。 3つの実験セットが実際の交通データセット上で実施され、DL-STFEEが空間的特徴を効果的に捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-07-22T12:15:41Z)
• Assessing Machine Learning Algorithms for Near-Real Time Bus Ridership Prediction During Extreme Weather [0.0]
  本研究は、気象条件の急激な変化に関連して、リアルタイムに近いライダーシップをモデル化し、予測するための一連の機械学習アルゴリズムを採用し、評価する。 本研究は, 気象・気象関係のバス時間変動には, 有意な変動レベルが存在することを確認した。
  論文  参考訳（メタデータ） (2022-04-20T21:39:30Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• Leveraging the Self-Transition Probability of Ordinal Pattern Transition Graph for Transportation Mode Classification [0.0]
  本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。 提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
  論文  参考訳（メタデータ） (2020-07-16T23:25:09Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための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） (2020-04-23T03:50:46Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。