Core Concepts
STGCN-Lモデルは、自転車需要予測において競争力のあるパフォーマンスを示し、既存のモデルと比較してその潜在能力を証明しています。
Abstract
1. Abstract:
新しい深層学習フレームワークであるSTGCN-Lモデルが自転車需要予測に成功を収めている。
LLMsを活用してPOIテキストデータから洞察を抽出する。
2. Introduction:
自転車共有は都市の重要な部分であり、交通流に基づいて共有自転車の配分関係を予測することが重要。
伝統的な構造化された移動性モデルは、非構造化言語データを処理できないため、共有自転車予測タスクのパフォーマンスが低下する。
3. Approach:
自動化された道路グラフ上で自転車需要予測を行う。
Embeddings APIを使用してPOIテキストデータを1536次元ベクトルに変換し、各ノードの空間特徴として利用する。
4. Experiments:
STGCN-LモデルはMSEが0.506、MAEが0.595であり、他の手法よりも優れた性能を示している。
AGCRNモデルはMAEが0.64、MSEが0.30であり、最も小さい誤差率を示す。
Stats
自動化された道路グラフ上で自動化された道路グラフ上で自動化された道路グラフ上で自動化された道路グラフ上で自動化された道路グラフ上で
Quotes
"LLMs exhibit a proficiency in comprehending natural language, offering the potential to extract meaningful insights from POI text data."
"We conducted an in-depth analysis of select models that demonstrated strong performance in previous research efforts."