論文の概要: Predicting travel demand of a bike sharing system using graph convolutional neural networks

• arxiv url: http://arxiv.org/abs/2408.09317v1
• Date: Sun, 18 Aug 2024 00:24:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 21:19:42.094743
• Title: Predicting travel demand of a bike sharing system using graph convolutional neural networks
• Title（参考訳）: グラフ畳み込みニューラルネットワークを用いた自転車共有システムの走行需要予測
• Authors: Ali Behroozi, Ali Edrisi,
• Abstract要約: 本研究は,自転車共有システムにおける旅行需要の予測に焦点を当てた。 ゲートグラフ畳み込みニューラルネットワークと呼ばれる新しいハイブリッドディープラーニングモデルが導入された。 軌跡データ、気象データ、アクセスデータを統合し、ゲートグラフ畳み込みネットワークを活用することにより、旅行需要予測の精度を大幅に向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Public transportation systems play a crucial role in daily commutes, business operations, and leisure activities, emphasizing the need for effective management to meet public demands. One approach to achieve this goal is by predicting demand at the station level. Bike-sharing systems, as a form of transit service, contribute to the reduction of air and noise pollution, as well as traffic congestion. This study focuses on predicting travel demand within a bike-sharing system. A novel hybrid deep learning model called the gate graph convolutional neural network is introduced. This model enables prediction of the travel demand at station level. By integrating trajectory data, weather data, access data, and leveraging gate graph convolution networks, the accuracy of travel demand forecasting is significantly improved. Chicago City bike-sharing system is chosen as the case study. In this investigation, the proposed model is compared to the base models used in previous literature to evaluate their performance, demonstrating that the main model exhibits better performance than the base models. By utilizing this framework, transportation planners can make informed decisions on resource allocation and rebalancing management.
• Abstract（参考訳）: 公共交通機関は、日々の通勤、事業活動、レジャー活動において重要な役割を担い、公共の要求を満たすための効果的な管理の必要性を強調している。 この目標を達成するための1つのアプローチは、駅レベルでの需要を予測することである。 自転車シェアリングシステムは、交通サービスの一形態として、空気と騒音の汚染を減らすだけでなく、交通渋滞にも貢献している。 本研究は,自転車共有システムにおける旅行需要の予測に焦点を当てた。 ゲートグラフ畳み込みニューラルネットワークと呼ばれる新しいハイブリッドディープラーニングモデルが導入された。 このモデルにより、駅レベルでの移動需要の予測が可能となる。 軌跡データ、気象データ、アクセスデータを統合し、ゲートグラフ畳み込みネットワークを活用することにより、旅行需要予測の精度を大幅に向上する。 シカゴシティの自転車シェアリングシステムはケーススタディに選ばれている。 本研究では,本モデルがベースモデルよりも優れた性能を示すことを示すため,従来の文献で使用したベースモデルと比較した。 この枠組みを利用することで、輸送計画立案者は資源配分と再バランス管理について情報的な決定を下すことができる。

関連論文リスト

• 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)
• 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)
• Cross-Mode Knowledge Adaptation for Bike Sharing Demand Prediction using Domain-Adversarial Graph Neural Networks [8.695763084463055]
  本研究では,自転車シェアリング需要予測のためのドメイン逆多重関係グラフニューラルネットワーク(DA-MRGNN)を提案する。 異なるモードのパターン要求から共有可能な特徴を抽出するために、時間的対角適応ネットワークを導入する。 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） (2022-11-16T13:35:32Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• 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)
• 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)
• Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts for Inventory Management [8.441020454345932]
  本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。 本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
  論文  参考訳（メタデータ） (2021-07-28T14:11:34Z)
• 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)
• 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)
• Traffic Modelling and Prediction via Symbolic Regression on Road Sensor Data [0.8602553195689513]
  本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。 提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
  論文  参考訳（メタデータ） (2020-02-14T16:03:04Z)
• Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
  本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。 特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。 類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
  論文  参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。