論文の概要: A Grid-Based Framework for E-Scooter Demand Representation and Temporal Input Design for Deep Learning: Evidence from Austin, Texas

• arxiv url: http://arxiv.org/abs/2603.13609v1
• Date: Fri, 13 Mar 2026 21:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.296601
• Title: A Grid-Based Framework for E-Scooter Demand Representation and Temporal Input Design for Deep Learning: Evidence from Austin, Texas
• Title（参考訳）: E-Scooter 需要表現のためのグリッドベースフレームワークと深層学習のための時間入力設計:テキサス州オースチンからの証拠
• Authors: Mohammad Sahnoon Merkebe Getachew Demissie, Roberto Souza,
• Abstract要約: 本稿では,画像から画像への需要予測のための時間的入力構造を統計的に設計する手法を提案する。 我々は、旅行記録を時間ごとのピックアップ・アンド・ドロップオフ需要画像に変換することにより、グリッドベースの国勢調査データセットを構築した。 提案した設計では、次の24時間予測では平均2乗誤差を最大37%削減し、次の24時間予測では35%削減する。
• 参考スコア（独自算出の注目度）: 0.17188280334580194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite progress in deep learning for shared micromobility demand prediction, the systematic design and statistical validation of temporal input structures remain underexplored. Temporal features are often selected heuristically, even though historical demand strongly affects model performance and generalizability. This paper introduces a reproducible data-processing pipeline and a statistically grounded method for designing temporal input structures for image-to-image demand prediction. Using large-scale e-scooter data from Austin, Texas, we build a grid-based spatiotemporal dataset by converting trip records into hourly pickup and dropoff demand images. The pipeline includes trip filtering, mapping Census Tracts to spatial locations, grid construction, demand aggregation, and creation of a global activity mask that limits evaluation to historically active areas. This representation supports consistent spatial learning while preserving demand patterns. We then introduce a combined correlation- and error-based procedure to identify informative historical inputs. Optimal temporal depth is selected through an ablation study using a baseline UNET model with paired non-parametric tests and Holm correction. The resulting temporal structures capture short-term persistence as well as daily and weekly cycles. Compared with adjacent-hour and fixed-period baselines, the proposed design reduces mean squared error by up to 37 percent for next-hour prediction and 35 percent for next-24-hour prediction. These results highlight the value of principled dataset construction and statistically validated temporal input design for spatiotemporal micromobility demand prediction.
• Abstract（参考訳）: 共用マイクロモビリティ需要予測のためのディープラーニングの進歩にもかかわらず、時間的入力構造の体系的設計と統計的検証は未検討のままである。 歴史的要求がモデル性能と一般化可能性に強く影響を及ぼすにもかかわらず、時間的特徴はしばしばヒューリスティックに選択される。 本稿では、再現可能なデータ処理パイプラインと、画像から画像への需要予測のための時間的入力構造を統計的に設計する手法を提案する。 テキサス州オースチンの大規模なE-Scooterデータを用いて、旅行記録を時間ごとのピックアップ・ドロップオフ需要画像に変換することにより、グリッドベースの時空間データセットを構築した。 パイプラインには、トリップフィルタリング、国勢調査トラクトを空間的な場所へマッピングする、グリッドの構築、需要集約、そして歴史的に活動的な領域に評価を制限するグローバルなアクティビティマスクの作成が含まれる。 この表現は、需要パターンを維持しながら一貫した空間学習をサポートする。 次に,情報的履歴入力を識別するための相関式と誤差式を組み合わせた手法を提案する。 ペアの非パラメトリックテストとホルム補正を用いたベースラインUNETモデルを用いたアブレーション実験により、最適時間深度を選択する。 結果として生じる時間構造は、短期的な持続性だけでなく、毎日や毎週のサイクルも捉えている。 平均二乗誤差を次の時間予測では最大37%,次の24時間予測では35%削減する。 これらの結果は,時空間マイクロモビリティ需要予測のための基本的データセット構築と統計的に検証された時間的入力設計の価値を強調した。

関連論文リスト

• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• STRelay: A Universal Spatio-Temporal Relaying Framework for Location Prediction with Future Spatiotemporal Contexts [23.8690122800167]
  STRelayは全てのケースにおける予測性能を3.19%-1156%改善している。 我々はSTRelayを4つの実世界の軌跡データセット上で4つの最先端位置予測ベースモデルと統合して評価する。 結果、STRelayは全てのケースにおける予測性能を3.19%-1156%改善することを示した。
  論文  参考訳（メタデータ） (2025-08-14T02:44:33Z)
• Decomposing the Time Series Forecasting Pipeline: A Modular Approach for Time Series Representation, Information Extraction, and Projection [2.5216923314390733]
  時系列予測は依然として困難な課題であり、効果的なシーケンス表現、意味のある情報抽出、正確な将来予測を要求している。 本研究は時系列予測パイプラインを,入力シーケンス表現,情報抽出とメモリ構築,最終目標投影という3つのコアステージに分解する。 我々のモデルは、トレーニング時間と推論時間を短縮し、パラメータ数を小さくし、計算効率を大幅に向上させながら、最先端の予測精度を達成する。
  論文  参考訳（メタデータ） (2025-07-08T11:26:42Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• TimeRefine: Temporal Grounding with Time Refining Video LLM [75.99665302872901]
  ビデオの時間的接地は、テキストのプロンプトが与えられたビデオの中で、関連する時間的境界をローカライズすることを目的としている。 我々は時間的接地タスクを時間的精錬タスクとして再構成する。 我々は、予測セグメントが基底真理からさらに逸脱した場合、モデルをよりペナルティ化する補助予測ヘッドを組み込む。
  論文  参考訳（メタデータ） (2024-12-12T18:59:11Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
  本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。 タスクに対してSTSMというモデルを提案する。 私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
  論文  参考訳（メタデータ） (2024-01-19T06:26:05Z)
• PASTA: PArallel Spatio-Temporal Attention with spatial auto-correlation gating for fine-grained crowd flow prediction [33.08230699138568]
  空間的自己相関ゲーティングを備えたニューラルネットワークPArallel Spatioを導入する。 提案手法の構成要素は,空間的自己相関ゲーティング,マルチスケール残差ブロック,時間的注意ゲーティングモジュールである。
  論文  参考訳（メタデータ） (2023-10-02T14:10:42Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment [0.0]
  我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。 いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。 我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
  論文  参考訳（メタデータ） (2020-07-28T08:15:17Z)

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。