論文の概要: Contextual Data Integration for Bike-sharing Demand Prediction with Graph Neural Networks in Degraded Weather Conditions

• arxiv url: http://arxiv.org/abs/2412.03307v1
• Date: Wed, 04 Dec 2024 13:29:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:08:39.547710
• Title: Contextual Data Integration for Bike-sharing Demand Prediction with Graph Neural Networks in Degraded Weather Conditions
• Title（参考訳）: 劣化気象下におけるグラフニューラルネットワークを用いた自転車共有需要予測のためのコンテキストデータ統合
• Authors: Romain Rochas, Angelo Furno, Nour-Eddin El Faouzi,
• Abstract要約: 本研究は,非定型気象条件下での自転車シェアリング(OD)フローを予測するために,天気などの文脈データを追加することの影響を解析する。 本研究は,自転車シェアリング需要の予測品質と道路交通流の関係を軽度に強調する一方で,導入した時間埋め込みにより,最先端の成果を達成できることを示す。
• 参考スコア（独自算出の注目度）: 1.0036312061637767
• License:
• Abstract: Demand for bike sharing is impacted by various factors, such as weather conditions, events, and the availability of other transportation modes. This impact remains elusive due to the complex interdependence of these factors or locationrelated user behavior variations. It is also not clear which factor is additional information which are not already contained in the historical demand. Intermodal dependencies between bike-sharing and other modes are also underexplored, and the value of this information has not been studied in degraded situations. The proposed study analyzes the impact of adding contextual data, such as weather, time embedding, and road traffic flow, to predict bike-sharing Origin-Destination (OD) flows in atypical weather situations Our study highlights a mild relationship between prediction quality of bike-sharing demand and road traffic flow, while the introduced time embedding allows outperforming state-of-the-art results, particularly in the case of degraded weather conditions. Including weather data as an additional input further improves our model with respect to the basic ST-ED-RMGC prediction model by reducing of more than 20% the prediction error in degraded weather condition.
• Abstract（参考訳）: 自転車シェアリングの需要は、気象条件、イベント、その他の輸送モードの可用性など、様々な要因に影響を受けている。 この影響は、これらの要因の複雑な相互依存性や、位置関連ユーザの振る舞いの違いによって、いまだ解明されていない。 また、過去の要求には含まれていない追加情報であるかどうかも明らかでない。 自転車シェアリングと他のモード間の相互依存も過小評価されており、この情報の価値は劣化した状況では研究されていない。 本研究は, 気象, 時間埋め込み, 道路交通流などの文脈データを加えることで, 非定型的気象条件下での自転車共有の起因推定 (OD) フローを予測し, 自転車共有需要の予測品質と道路交通流との微妙な関係を明らかにする。 気象データを付加入力として含めることで、劣化気象条件下での予測誤差を20%以上削減することで、基本ST-ED-RMGC予測モデルに対する我々のモデルをさらに改善する。

関連論文リスト

• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
  本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。 提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。 このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-19T06:42:41Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Spatio-temporal neural structural causal models for bike flow prediction [2.991894112851257]
  自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。 近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。 時空間構造因果モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-19T01:39:21Z)
• AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for Electric Vehicle Charging Station Availability Forecasting [8.596556653895028]
  本研究では,Attribute-Augmented Space-Temporal Graph Informer (AST-GIN) 構造を提案する。 私たちのモデルはダンディーシティで収集されたデータに基づいてテストされます。
  論文  参考訳（メタデータ） (2022-09-07T13:51:45Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• 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)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Context-aware demand prediction in bike sharing systems: incorporating spatial, meteorological and calendrical context [0.0]
  近年の深層学習と距離に基づく予測器の貢献は,自転車のシェアリング需要の予測に限られた成功を収めたことを示している。 本研究は, 駅需要の予測モデルにおいて, 空間的, 気象的, 状況的, カレンディカルな文脈の歴史的および将来的な情報源の両方を組み込むための, 包括的な新原則を提案する。
  論文  参考訳（メタデータ） (2021-05-03T18:53:58Z)
• 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)

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。