Fugu-MT 論文翻訳(概要): Graph-Based Optimisation of Network Expansion in a Dockless Bike Sharing System

論文の概要: Graph-Based Optimisation of Network Expansion in a Dockless Bike Sharing System

arxiv url: http://arxiv.org/abs/2404.01320v1
Date: Thu, 28 Mar 2024 12:29:25 GMT
ステータス: 処理完了
システム内更新日: 2024-04-03 21:16:45.256286
Title: Graph-Based Optimisation of Network Expansion in a Dockless Bike Sharing System
Title（参考訳）: ドックレス自転車共有システムにおけるネットワーク拡張のグラフベース最適化
Authors: Mark Roantree, Niamh Murphi, Dinh Viet Cuong, Vuong Minh Ngo,
Abstract要約: 自転車シェアリングシステム(BSS)は世界中で数千以上の都市に展開されており、多くの都市交通システムにおいて重要な役割を果たしている。本研究では,ドッキングレス BSS オペレータである Bikes Moby の旅行データを用いて,最適時間グラフを構築した。グラフを最適化するプロセスは、将来のBSSの拡張中に新しいステーションを建てるための主要な場所を明らかにした。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Bike-sharing systems (BSSs) are deployed in over a thousand cities worldwide and play an important role in many urban transportation systems. BSSs alleviate congestion, reduce pollution and promote physical exercise. It is essential to explore the spatiotemporal patterns of bike-sharing demand, as well as the factors that influence these patterns, in order to optimise system operational efficiency. In this study, an optimised geo-temporal graph is constructed using trip data from Moby Bikes, a dockless BSS operator. The process of optimising the graph unveiled prime locations for erecting new stations during future expansions of the BSS. The Louvain algorithm, a community detection technique, is employed to uncover usage patterns at different levels of temporal granularity. The community detection results reveal largely self-contained sub-networks that exhibit similar usage patterns at their respective levels of temporal granularity. Overall, this study reinforces that BSSs are intrinsically spatiotemporal systems, with community presence driven by spatiotemporal dynamics. These findings may aid operators in improving redistribution efficiency.
Abstract（参考訳）: 自転車シェアリングシステム(BSS)は世界中で数千以上の都市に展開されており、多くの都市交通システムにおいて重要な役割を果たしている。 BSSは渋滞を緩和し、汚染を軽減し、身体運動を促進する。システムの運用効率を最適化するためには,自転車シェアリング需要の時空間パターンと,これらのパターンに影響を与える要因を検討することが不可欠である。本研究では,ドッキングレスBSSオペレータであるMoby Bikesの旅行データを用いて,時空間の最適化グラフを構築した。グラフを最適化するプロセスは、将来のBSSの拡張中に新しいステーションを建てるための主要な場所を明らかにした。コミュニティ検出手法であるLouvainアルゴリズムは、時間的粒度の異なるレベルでの使用パターンを明らかにするために使用される。コミュニティ検出の結果は, 時間的粒度のそれぞれに類似した利用パターンを示す, 自己完結型のサブネットワークであることが判明した。本研究は, BSSが本質的に時空間系であり, 時空間力学によるコミュニティの存在感を裏付けるものである。これらの発見は、オペレーターが再分配効率を向上させるのに役立つかもしれない。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
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)
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)
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
Deep trip generation with graph neural networks for bike sharing system expansion [7.737133861503814]
マルチソース都市構築環境データに基づく駅レベルの需要予測のためのグラフニューラルネットワーク(GNN)手法を提案する。提案手法は空間回帰モデルとして,空間回帰とGNNの共通性を示す。
論文参考訳（メタデータ） (2023-03-20T16:43:41Z)
A Cluster-Based Trip Prediction Graph Neural Network Model for Bike Sharing Systems [2.1423963702744597]
自転車シェアリングシステム(BSS)は革新的な交通サービスとして発展しつつある。これらのシステムが現在のグローバルな懸念の多くを根絶することにコミットしていることを考えると、BSSの適切な機能を確保することが不可欠である。ユーザの移行パターンに関する優れた知識は、サービスの品質と運用性に対する決定的な貢献である。
論文参考訳（メタデータ） (2022-01-03T15:47:40Z)
A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes [13.819341724635319]
都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
論文参考訳（メタデータ） (2021-04-21T17:13:29Z)
Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文参考訳（メタデータ） (2021-03-13T06:56:29Z)
An Expectation-Based Network Scan Statistic for a COVID-19 Early Warning System [8.634409966628322]
新型コロナウイルス(COVID-19)パンデミックに対するグレーター・ロンドン・オーソリティ(GLA)の対応のひとつとして、複数の大規模および異種データセットが集められている。本稿では,早期警戒システムについて述べるとともに,GLAとTransport for Londonを支援するネットワークの予測に基づくスキャン統計を導入する。
論文参考訳（メタデータ） (2020-12-08T19:35:17Z)
STDI-Net: Spatial-Temporal Network with Dynamic Interval Mapping for Bike Sharing Demand Prediction [3.7875603451557076]
本稿では,空間時間動的インターバルネットワーク(STDI-Net)と呼ばれる新しい深層学習手法を提案する。共同時空間情報をモデル化することにより、近い将来に複数の接続ステーションの貸出・返却注文数を予測する。その結果, 提案手法が既存手法よりも優れていることを示した。
論文参考訳（メタデータ） (2020-06-07T08:52:40Z)
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)

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。