Core Concepts
Durch den Einsatz von Kartogrammen kann ein Deep-Learning-Modell die Nachfrage an neu installierten Stationen ohne Trainingsdaten sowie langfristige Vorhersagen besser erfassen.
Abstract
In dieser Studie wird ein Deep-Learning-Modell vorgestellt, um die Miet- und Rückgabemuster in öffentlichen Fahrradverleihsystemen vorherzusagen. Das Modell nutzt Kartogramme, um die räumlichen Beziehungen zwischen den Stationen zu erfassen.
Zunächst wird der Datensatz der öffentlichen Fahrradverleihsysteme in Seoul, Südkorea, für das Jahr 2018 als Trainingsdaten und 2019 als Testdaten verwendet. Um die räumlich-zeitlichen Muster zu nutzen, wird ein räumlich-zeitliches konvolutionales Graphaufmerksamkeitsnetzwerk (ST-CGA) eingesetzt. Dieses Modell wird dahingehend modifiziert, dass es die Batch-Aufmerksamkeit und aktualisierte Knotenfunktionen berücksichtigt, um die Vorhersagegenauigkeit über verschiedene Zeitskalen hinweg zu verbessern.
Das Modell zeigt eine hohe Leistungsfähigkeit bei der Vorhersage zeitlicher Muster. Darüber hinaus kann es auch die Anfangs-nachfrage an neu installierten Stationen ohne Trainingsdaten vorhersagen, was bisher nicht erreicht wurde. Dies ist möglich, da die Kartogramme eine homogene räumliche Verteilung der Stationen ermöglichen und somit Rückschlüsse auf neue Stationen anhand der benachbarten Nachfrage gezogen werden können.
Stats
Die Gesamtzahl der Mietfahrräder in Seoul betrug 1.538 im Jahr 2018 und 1.554 im Jahr 2019.
Die Stadt wurde in ein Gitter von 17 x 15 Zellen mit einer Auflösung von 2 km unterteilt.
Quotes
Keine relevanten Zitate identifiziert.