論文の概要: Micromobility Flow Prediction: A Bike Sharing Station-level Study via Multi-level Spatial-Temporal Attention Neural Network

• arxiv url: http://arxiv.org/abs/2507.16020v1
• Date: Mon, 21 Jul 2025 19:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:13.864286
• Title: Micromobility Flow Prediction: A Bike Sharing Station-level Study via Multi-level Spatial-Temporal Attention Neural Network
• Title（参考訳）: マイクロモビリティフロー予測:多レベル空間時間注意ニューラルネットワークによる自転車シェアリングステーションレベルの学習
• Authors: Xi Yang, Jiachen Wang, Song Han, Suining He,
• Abstract要約: 我々は,自転車共有システム全体のステーションレベルの自転車トラフィックを予測するために,多段階の時間的注意ニューラルネットワークであるBikeMANを提案する。 我々のネットワークは、ニューヨーク市内のすべての駅の自転車駅の交通量を予測するのに高い精度を示した。
• 参考スコア（独自算出の注目度）: 14.73426609677324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient use of urban micromobility resources such as bike sharing is challenging due to the unbalanced station-level demand and supply, which causes the maintenance of the bike sharing systems painstaking. Prior efforts have been made on accurate prediction of bike traffics, i.e., demand/pick-up and return/drop-off, to achieve system efficiency. However, bike station-level traffic prediction is difficult because of the spatial-temporal complexity of bike sharing systems. Moreover, such level of prediction over entire bike sharing systems is also challenging due to the large number of bike stations. To fill this gap, we propose BikeMAN, a multi-level spatio-temporal attention neural network to predict station-level bike traffic for entire bike sharing systems. The proposed network consists of an encoder and a decoder with an attention mechanism representing the spatial correlation between features of bike stations in the system and another attention mechanism describing the temporal characteristic of bike station traffic. Through experimental study on over 10 millions trips of bike sharing systems (> 700 stations) of New York City, our network showed high accuracy in predicting the bike station traffic of all stations in the city.
• Abstract（参考訳）: 不均衡な駅レベルの需要と供給のため、自転車シェアリングなどの都市マイクロモビリティ資源の効率的な利用は困難であり、自転車シェアリングシステムの維持が困難である。 従来は、システム効率を達成するために、需要/ピックアップとリターン/ドロップオフという、自転車のトラフィックの正確な予測に取り組んできた。 しかし,自転車局レベルの交通予測は,自転車共有システムの時空間的複雑さのため困難である。 さらに,自転車シェアリングシステム全体の予測レベルも,多数の自転車ステーションがあるため困難である。 このギャップを埋めるために、自転車共有システム全体のステーションレベルの自転車トラフィックを予測するマルチレベル時空間ニューラルネットワークであるBikeMANを提案する。 提案するネットワークは,自転車駅の特徴間の空間的相関を表すアテンション機構を備えたエンコーダとデコーダと,自転車駅交通の時間的特性を表す他のアテンション機構とから構成される。 ニューヨーク市の1000万回以上の自転車シェアリングシステム(700駅以上)について実験を行ったところ、市内のすべての駅の自転車ステーションの交通量を予測する精度が高かった。

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体積をモデル化するためにGCNアーキテクチャを利用する最初の研究について述べる。 線形回帰、サポートベクターマシン、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,年間平均自転車数(AADB)を予測する上で,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• Mining individual daily commuting patterns of dockless bike-sharing users: a two-layer framework integrating spatiotemporal flow clustering and rule-based decision trees [3.3988622291971247]
  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。
  論文  参考訳（メタデータ） (2024-07-13T09:30:51Z)
• 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)
• Improving short-term bike sharing demand forecast through an irregular convolutional neural network [16.688608586485316]
  本研究は,自転車の短期共有需要予測を改善するために,不規則な畳み込み長短記憶モデル(IrConv+LSTM)を提案する。 提案モデルは,シンガポールのドックレス自転車シェアリングシステムと,シカゴ,ワシントンD.C.,ニューヨーク,ロンドンにある4つのステーションベースシステムを含む,5つの調査サイトでベンチマークモデルを用いて評価された。 このモデルはまた、自転車使用量やピーク期間の異なる地域での優れたパフォーマンスも達成している。
  論文  参考訳（メタデータ） (2022-02-09T10:21:45Z)
• 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)
• Flatland Competition 2020: MAPF and MARL for Efficient Train Coordination on a Grid World [49.80905654161763]
  車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。 現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
  論文  参考訳（メタデータ） (2021-03-30T17:13:29Z)
• 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)
• Towards Dynamic Urban Bike Usage Prediction for Station Network Reconfiguration [7.5640951518267165]
  AtCoRと呼ばれる自転車ステーションレベルの予測アルゴリズムは、既存のステーションと新しいステーションの両方で自転車の使用率を予測することができる。 AtCoRは、既存のステーションと将来のステーションの両方の予測において、ベースラインと最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2020-08-13T23:41:29Z)

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。