論文の概要: A Comprehensive Machine Learning Framework for Micromobility Demand Prediction

• arxiv url: http://arxiv.org/abs/2507.02715v1
• Date: Thu, 03 Jul 2025 15:31:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.502485
• Title: A Comprehensive Machine Learning Framework for Micromobility Demand Prediction
• Title（参考訳）: マイクロモビリティ需要予測のための総合的機械学習フレームワーク
• Authors: Omri Porat, Michael Fire, Eran Ben-Elia,
• Abstract要約: ドックレスのeスクーターは、エコフレンドリーでフレキシブルな都市交通手段として登場した。 本研究では,マイクロモビリティの需要予測を改善するために,空間的,時間的,ネットワーク的依存関係を統合したフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dockless e-scooters, a key micromobility service, have emerged as eco-friendly and flexible urban transport alternatives. These services improve first and last-mile connectivity, reduce congestion and emissions, and complement public transport for short-distance travel. However, effective management of these services depends on accurate demand prediction, which is crucial for optimal fleet distribution and infrastructure planning. While previous studies have focused on analyzing spatial or temporal factors in isolation, this study introduces a framework that integrates spatial, temporal, and network dependencies for improved micromobility demand forecasting. This integration enhances accuracy while providing deeper insights into urban micromobility usage patterns. Our framework improves demand prediction accuracy by 27 to 49% over baseline models, demonstrating its effectiveness in capturing micromobility demand patterns. These findings support data-driven micromobility management, enabling optimized fleet distribution, cost reduction, and sustainable urban planning.
• Abstract（参考訳）: 重要なマイクロモビリティーサービスであるドックレスeスクーターは、エコフレンドリーでフレキシブルな都市交通手段として登場した。 これらのサービスは、ファーストマイルとラストマイルの接続性を改善し、混雑と排出を減らすとともに、短距離旅行のための公共交通機関を補完する。 しかし、これらのサービスの効果的な管理は、最適な艦隊配置とインフラ計画に不可欠である正確な需要予測に依存している。 従来の研究では,空間的・時間的要因の分離分析に重点を置いてきたが,この研究では,空間的・時間的・ネットワーク的依存関係を統合し,マイクロモビリティの需要予測を改善する枠組みを導入する。 この統合により、都市部のマイクロモビリティ利用パターンに関する深い洞察を提供しながら、精度が向上する。 本フレームワークは, 需要予測精度をベースラインモデルより27～49%向上させ, マイクロモビリティ需要パターンの把握の有効性を実証する。 これらの結果は、データ駆動型マイクロモビリティ管理をサポートし、最適化された艦隊分散、コスト削減、持続可能な都市計画を可能にしている。

関連論文リスト

• Scalable Ride-Sourcing Vehicle Rebalancing with Service Accessibility Guarantee: A Constrained Mean-Field Reinforcement Learning Approach [42.070187224580344]
  連続状態平均場制御(MFC)と平均場強化学習(MFRL)モデルを導入する。 MFCとMFRLは、個々の車両ではなく、車両分布との相互作用を通じて各車両の挙動をモデル化することで、スケーラブルなソリューションを提供する。 我々のアプローチは数万台の車両にスケールし、トレーニング時間は1つの線形プログラミングリバランスの決定時間に匹敵する。
  論文  参考訳（メタデータ） (2025-03-31T15:00:11Z)
• Microservice Deployment in Space Computing Power Networks via Robust Reinforcement Learning [43.96374556275842]
  低レイテンシ要件を満たすために、信頼性の高いリアルタイムリモートセンシングサービスを提供することが重要である。 本稿では、低地球軌道衛星コンステレーション用に設計されたリモートセンシング人工知能アプリケーションデプロイメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-08T16:55:04Z)
• Real-Time Performance Optimization of Travel Reservation Systems Using AI and Microservices [1.03590082373586]
  本研究では、システムのパフォーマンス最適化のために、人工知能とマイクロサービスアプローチを折り畳むハイブリッドフレームワークを提案する。 AIアルゴリズムは需要パターンを予測し、リソースの割り当てを最適化し、マイクロサービスアーキテクチャによって駆動される意思決定を強化する。
  論文  参考訳（メタデータ） (2024-12-09T16:08:22Z)
• A methodological framework for Resilience as a Service (RaaS) in multimodal urban transportation networks [0.0]
  本研究は,サービス戦略としてのレジリエンスを通じて公共交通の混乱を管理することを目的としている。 効率よく資源を割り当て、オペレーターと乗客のコストを最小限に抑える最適化モデルを開発する。 提案手法はイル・ド・フランス、パリ、郊外のケーススタディに適用された。
  論文  参考訳（メタデータ） (2024-08-30T12:22:34Z)
• Predicting travel demand of a bike sharing system using graph convolutional neural networks [0.0]
  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。
  論文  参考訳（メタデータ） (2024-08-18T00:24:30Z)
• A Fairness-Oriented Reinforcement Learning Approach for the Operation and Control of Shared Micromobility Services [46.1428063182192]
  本研究では,共有マイクロモビリティサービスにおける性能最適化とアルゴリズムフェアネスのバランスについて検討する。 提案手法は,Q-ラーニングを駆使して,Gini指数を用いて等価な結果を得る。 総合データを用いたケーススタディは、私たちの洞察を検証し、都市マイクロモビリティにおける公正の重要性を強調します。
  論文  参考訳（メタデータ） (2024-03-23T09:32:23Z)
• 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)
• Data-driven micromobility network planning for demand and safety [0.688204255655161]
  都市マイクロモビリティのインフラは一般的にアドホックで計画されており、調査データによって最もよく知られています。 需要ベースと安全ベースの開発に焦点を合わせるパラメータを導入する。 本稿では,データ駆動型プロセスが都市プランナに対して,短時間の変動シナリオ計画の自動支援を実現する方法を示す。
  論文  参考訳（メタデータ） (2022-03-28T10:02:25Z)
• Listening to the city, attentively: A Spatio-Temporal Attention Boosted Autoencoder for the Short-Term Flow Prediction Problem [0.9625436987364908]
  マルチアテンション(空間的および時間的)を備えたSTREED-Netと呼ばれるフレームワークを提案し、高レベルの空間的および時間的特徴をより良くマイニングする。 都市が分断された異なる地域の流入と流出を予測するために、3つの実際のデータセットの実験を行います。
  論文  参考訳（メタデータ） (2021-03-01T13:17:33Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。