論文の概要: Mining individual daily commuting patterns of dockless bike-sharing users: a two-layer framework integrating spatiotemporal flow clustering and rule-based decision trees

• arxiv url: http://arxiv.org/abs/2407.09820v2
• Date: Fri, 22 Nov 2024 11:09:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:01:43.767367
• Title: Mining individual daily commuting patterns of dockless bike-sharing users: a two-layer framework integrating spatiotemporal flow clustering and rule-based decision trees
• Title（参考訳）: ドックレス自転車シェアリング利用者の日々の通勤パターンのマイニング--時空間フロークラスタリングとルールに基づく決定木を統合した2層フレームワーク
• Authors: Caigang Zhuang, Shaoying Li, Haoming Zhuang, Xiaoping Liu,
• Abstract要約: 本論文は、ドックレス自転車共有旅行データから、個人自転車の日々の通勤パターンをユーザIDで抽出する枠組みを提案する。 このフレームワークの有効性と適用性は、深センでの2億回以上の自転車共有旅行記録によって実証されている。 多くの自転車共有通勤者が都市村や古い町の近くに住んでおり、特に中心部では生活費が低い。
• 参考スコア（独自算出の注目度）: 3.3988622291971247
• License:
• Abstract: The rise of dockless bike-sharing systems has led to increased interest in using bike-sharing data for sustainable transportation and travel behavior research. However, these studies have rarely focused on the individual daily mobility patterns, hindering their alignment with the increasingly refined needs of active transportation planning. To bridge this gap, this paper presents a two-layer framework, integrating improved flow clustering methods and multiple rule-based decision trees, to mine individual cyclists' daily home-work commuting patterns from dockless bike-sharing trip data with user IDs. The effectiveness and applicability of the framework is demonstrated by over 200 million bike-sharing trip records in Shenzhen. Based on the mining results, we obtain two categories of bike-sharing commuters (74.38% of Only-biking commuters and 25.62% of Biking-with-transit commuters) and some interesting findings about their daily commuting patterns. For instance, lots of bike-sharing commuters live near urban villages and old communities with lower costs of living, especially in the central city. Only-biking commuters have a higher proportion of overtime than Biking-with-transit commuters, and the Longhua Industrial Park, a manufacturing-oriented area, has the longest average working hours (over 10 hours per day). Moreover, massive users utilize bike-sharing for commuting to work more frequently than for returning home, which is intricately related to the over-demand for bikes around workplaces during commuting peak. In sum, this framework offers a cost-effective way to understand the nuanced non-motorized mobility patterns and low-carbon trip chains of residents. It also offers novel insights for improving the bike-sharing services and planning of active transportation modes.
• Abstract（参考訳）: ドックレス自転車シェアリングシステムの台頭は、持続可能な輸送・旅行行動研究に自転車シェアリングデータを使うことへの関心が高まっている。 しかし、これらの研究は日々の移動パターンにはほとんど焦点を合わせておらず、活発な交通計画の必要性がますます高まっていくのを妨げている。 このギャップを埋めるために,本論文では,ドッキングレス自転車共有旅行データから各サイクリストの日々の通勤パターンをユーザIDで抽出する,改良されたフロークラスタリング手法と複数のルールベースの決定木を統合した2層フレームワークを提案する。 このフレームワークの有効性と適用性は、深センでの2億回以上の自転車共有旅行記録によって実証されている。 採鉱の結果から, 自転車共有通勤の2つのカテゴリー(自転車専用通勤の74.38%, 自転車乗り通勤の25.62%)と, 日常の通勤パターンに関する興味深い知見を得た。 例えば、多くの自転車シェアリング通勤者が都市村や古い町の近くに住んでおり、特に中心部では生活費が低い。 通勤者だけが通勤者よりも残業率が高く、製造業中心のロングワ工業団地は平均労働時間(1日10時間以上)が最長である。 さらに、大規模な利用者は通勤時よりも通勤時の自転車シェアリングを頻繁に利用しており、通勤ピーク時の職場周辺での自転車の過度な需要と密接に関連している。 総じて、この枠組みは、住民の無動力移動パターンや低炭素トリップチェーンを理解するためのコスト効率のよい方法を提供する。 また、自転車シェアリングサービスの改善や、アクティブな交通手段の計画に関する新たな洞察も提供する。

関連論文リスト

• Multiscale spatiotemporal heterogeneity analysis of bike-sharing system's self-loop phenomenon: Evidence from Shanghai [8.946633693774283]
  本研究では,空間的自己回帰モデルと二重機械学習フレームワークを用いたマルチスケール解析を行う。 その結果,自転車シェアリングの自己ループ強度は道路規模で空間ラグ効果が顕著であることがわかった。 自転車シェアリングの連携を強化するため,地下鉄の利用率が高く,バスの運行率も低い地域での自転車利用率の向上を提唱する。
  論文  参考訳（メタデータ） (2024-11-26T16:18:38Z)
• The Growth of E-Bike Use: A Machine Learning Approach [57.506876852412034]
  アメリカでのEバイクの使用は2022年に15,737.82キログラムのCO2排出量を削減した。 同年、電動自転車利用者は活動を通じて約716,630.727キロカロリーを燃やした。
  論文  参考訳（メタデータ） (2023-07-15T03:34:10Z)
• 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)
• Bike Sharing Demand Prediction based on Knowledge Sharing across Modes: A Graph-based Deep Learning Approach [8.695763084463055]
  本研究では,自転車共有需要予測(B-MRGNN)のためのグラフに基づくディープラーニング手法を提案する。 マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し、モード間の空間単位間の相関を捉える。 実験はニューヨーク市の実際の自転車シェアリング、地下鉄、ライドシェアリングのデータを用いて行われた。
  論文  参考訳（メタデータ） (2022-03-18T06:10:17Z)
• Understanding Cycling Mobility: Bologna Case Study [0.0]
  この研究の主な目的は、イタリアのボローニャ市におけるサイクリングモビリティの研究である。 320,118回のセルフレポートされた自転車旅行からなる6ヶ月のデータセットを使用しました。 本研究の主な結果は, 自転車の利用が気温, 降水量と相関し, 風速や汚染と相関しないことを示している。
  論文  参考訳（メタデータ） (2021-09-09T13:11:35Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)
• Dynamic Bicycle Dispatching of Dockless Public Bicycle-sharing Systems using Multi-objective Reinforcement Learning [79.61517670541863]
  ドッキングレスPBS(DL-PBS)に欠かせない動的自転車レンタル需要に基づく効率的な自転車配車ソリューションを実現するためのAIの活用 DL-PBSに最適な自転車ディスパッチソリューションを提供するために、マルチオブジェクト強化学習(MORL-BD)に基づく動的自転車ディスパッチアルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-01-19T03:09:51Z)
• Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing System Using Gated Graph Neural Network [79.61517670541863]
  Dockless Public Bicycle-share (DL-PBS)ネットワークは多くの国でますます人気が高まっています。 冗長で低電力の駅は、DL-PBSベンダーの公共都市空間とメンテナンスコストを無駄にします。 DL-PBSネットワークに最適な自転車ステーションレイアウトを動的に提供できるよう、BSDP(自転車ステーションダイナミックプランニング)システムを提案します。
  論文  参考訳（メタデータ） (2021-01-19T02:51:12Z)
• The Benefits of Autonomous Vehicles for Community-Based Trip Sharing [20.51380943801894]
  この研究はHasanらによって提案されたコミュニティベースの旅行共有の概念を再考する。 自動運転車のメリットを、コミュニティベースの旅行共有に定量化することを目的としている。 最適化の結果は、自動運転車を利用して1日あたりの車両使用量を92%削減し、元の通勤トリップシェアリング問題の結果を34%改善し、また1日あたりの走行距離を約30%削減できることを示している。
  論文  参考訳（メタデータ） (2020-08-28T18:12:13Z)
• Modeling and Analysis of Excess Commuting with Trip Chains [3.728629802579785]
  この研究は、従来の過剰通勤研究が実際の通勤と最適な通勤の両方を過小評価し、過剰通勤を過小評価していることを示している。 フロリダ州タンパベイ地域のケーススタディに基づいて、従来の過剰通勤研究は実際の通勤と最適な通勤の両方を過小評価し、過剰通勤を過小評価している。
  論文  参考訳（メタデータ） (2020-08-25T14:54:04Z)

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。