核心概念
公開システムにおける需要予測の課題を解決するため、カルトグラムアプローチを活用した深層学習フレームワークが提案されている。
要約
I. 導入
時系列パターンの予測は金融危機やパンデミックなど様々な分野で重要。
共有交通システムの需要予測が難しい理由:オープンシステムであること、駅間の需要不均衡。
II. データ構築と予測手法
ソウル市の自転車共有システムの時空間的な需要パターンを分析・予測。
深層学習モデル(RNNとCNN)を使用して、長距離相関も考慮したST-CGAネットワークを採用。
III. 予測性能と新規駅への初期需要予測
ST-CGAモデルへのカルトグラムアプローチ適用前後の効果を示す。
IV. 結論と議論
提案手法が未訓練空間データに対しても時間パターンを予測するために適用可能であることが示唆されている。
統計
全体数: 1,538(2018年)、1,554(2019年)
マップ画像は255セルに分割され、2km解像度で処理