論文の概要: Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach
- arxiv url: http://arxiv.org/abs/2410.08522v1
- Date: Fri, 11 Oct 2024 04:53:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 23:24:44.949351
- Title: Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach
- Title（参考訳）: グラフ畳み込みニューラルネットワークによるリンクレベル自転車容積推定におけるデータ空間の影響評価
- Authors: Mohit Gupta, Debjit Bhowmick, Meead Saberi, Shirui Pan, Ben Beck,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 54.84957282120537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate bicycling volume estimation is crucial for making informed decisions about future investments in bicycling infrastructure. Traditional link-level volume estimation models are effective for motorised traffic but face significant challenges when applied to the bicycling context because of sparse data and the intricate nature of bicycling mobility patterns. To the best of our knowledge, we present the first study to utilize a Graph Convolutional Network (GCN) architecture to model link-level bicycling volumes. We estimate the Annual Average Daily Bicycle (AADB) counts across the City of Melbourne, Australia using Strava Metro bicycling count data. To evaluate the effectiveness of the GCN model, we benchmark it against traditional machine learning models, such as linear regression, support vector machines, and random forest. Our results show that the GCN model performs better than these traditional models in predicting AADB counts, demonstrating its ability to capture the spatial dependencies inherent in bicycle traffic data. We further investigate how varying levels of data sparsity affect performance of the GCN architecture. The GCN architecture performs well and better up to 80% sparsity level, but its limitations become apparent as the data sparsity increases further, emphasizing the need for further research on handling extreme data sparsity in bicycling volume estimation. Our findings offer valuable insights for city planners aiming to improve bicycling infrastructure and promote sustainable transportation.
- Abstract（参考訳）: 自転車の正確な体積推定は、将来の自転車インフラへの投資に関する情報決定に不可欠である。
従来のリンクレベルの容積推定モデルは、交通のモーター化に有効であるが、スパースデータと自転車の移動パターンの複雑な性質のために、自転車のコンテキストに適用した場合、重大な課題に直面している。
我々の知る限り、リンクレベルの自転車の体積をモデル化するために、グラフ畳み込みネットワーク(GCN)アーキテクチャを利用する最初の研究を示す。
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。
GCNモデルの有効性を評価するため、線形回帰、サポートベクトルマシン、ランダムフォレストといった従来の機械学習モデルと比較した。
以上の結果から,GCNモデルはAADB数予測において従来のモデルよりも優れた性能を示し,自転車交通データに固有の空間依存性を捉える能力を示した。
さらに、GCNアーキテクチャの性能に様々なレベルのデータ空間がどう影響するかについても検討する。
GCNアーキテクチャは、最大80%のスパーシリティレベルで良好に機能するが、その制限は、データのスパーシリティがさらに増加するにつれて明らかになり、自転車の体積推定における極端なデータスパーシリティの処理に関するさらなる研究の必要性を強調している。
本研究は, 自転車インフラの整備と持続可能な交通の促進をめざして, 都市計画者にとって貴重な知見を提供する。
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) - Modeling Large-Scale Walking and Cycling Networks: A Machine Learning Approach Using Mobile Phone and Crowdsourced Data [0.0]
オーストラリア,ニューサウスウェールズ州の大規模地域ネットワークを横断する日中歩行量とサイクリング量を推定するための機械学習に基づくモデリング手法を開発し,適用した。
この研究では、モデルトレーニング、テスト、推論の3つの側面すべてに関連する、ユニークな課題と制限について論じている。
論文 参考訳（メタデータ） (2024-03-29T21:37:23Z) - BikeDNA: A Tool for Bicycle Infrastructure Data & Network Assessment [0.0]
BikeDNAは、自転車のインフラデータの再現可能な品質評価のためのオープンソースツールである。
BikeDNAは、幅広いアプリケーションのための自転車インフラデータの品質評価をサポートする。
論文 参考訳（メタデータ） (2023-03-02T13:06:59Z) - 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) - 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) - 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) - Automated Detection of Missing Links in Bicycle Networks [0.15293427903448023]
我々は,都市の自転車ネットワークにおいて最も重要なリンクを見つけるためのIPDC手順(Identify, Prioritize, Decluster, Classify)を開発した。
まず、多重化ネットワークアプローチによるすべての可能なギャップを特定し、フローベースのメトリックに従って優先順位付けし、新たなギャップクラスタを分解し、手動でギャップのタイプを分類する。
以上の結果から,最小データ要件によるネットワーク分析が,自転車ネットワーク計画の費用効率向上支援ツールとして有効であることを示す。
論文 参考訳（メタデータ） (2022-01-10T15:35:14Z) - 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) - 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) - 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)
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。