Jun, 2020

考虑天气状况影响的自行车共享系统中的自行车数量建模

PDF
TL;DR该研究提出了一种评估天气条件对旧金山湾区自行车共享系统自行车站点数量预测的影响的方法，利用随机森林技术和指导向前逐步回归方法开发了回归模型，并利用贝叶斯信息准则进行了模型比较和开发。研究结果表明，日间时间、温度和湿度是重要的计数预测因子，并且天气变量是地理位置依赖的，因此应该在建模之前进行量化。在车站 i 处提供的自行车数量和日间时间是估算站点 i 自行车数量的最重要的变量。
bike share systemweather conditionsrandom forest techniqueregression modelbayesian information criterion
发现论文，激发创造
  • 纽约市 COVID-19 疫情期间的单车共享需求的可解释机器学习框架

    本研究提出了一个机器学习模型框架，用于估计大规模自行车共享系统的小时需求，并利用两个梯度提升模型以及基于 SHapley Additive exPlanations 的模型解释框架进行实证分析，结果表明性别比例和时间段是两个最重要的解释变量。

    Nov, 2023

  • 交通事故持续时间预测的双层框架：在实用的优化管道中充分利用天气和道路状况数据

    本研究使用多种机器学习模型来预测交通事故对道路交通的短期或长期影响，并确定事故的精确持续时间，结果显示天气条件、风寒和风速是决定交通事故持续时间最有影响力的因素。

    Nov, 2023

  • 利用 GNN 进行伦敦自行车共享服务的天气和工作日预测的空间图粗化

    本研究介绍了使用图神经网络（GNN）来预测伦敦某一天的天气和星期几，使用桑坦德自行车共享系统的数据集作为图分类任务。我们的模型在土地利用特征、自行车站周围的家庭数量以及城市温度等图特征的基础上，通过引入训练节点嵌入的图特征拼接运算符和以地理相邻性为基础的图粗化运算符「空间图粗化」，在交叉熵损失和验证数据集准确率上优于基准模型。

    Aug, 2023

  • 考虑时间区间、天气和乘客数量趋势的多重 LSTM 公交车乘客量预测

    通过设计 LSTM-based 架构和输入过去的巴士乘客、星期几、时间段、天气情况和降雨量等所有相关数据作为特征，本研究提出了一种巴士乘客高度准确的预测模型，以提高服务质量。结果表明，该模型平均和最高准确率分别提高了 23% 和 27%。

    Apr, 2023

  • 应用排序技术估计地球变量对温度预报误差的影响

    该研究揭示了地球系统变量对温度预测误差的影响，并提出了一种基于排名的方法来分析变量之间的相关性。研究结果表明，这种基于排名的方法在不同地点和季节的情况下表现出了良好的性能。

    Mar, 2024

  • 天气和附近交通流量对交通量影响的矢量自回归模型应用

    本研究旨在基于附近交通量和天气条件来预测一个道路段的交通流量，分析结果将有助于解决交通流量预测问题和开发具有高效交通运动和最小交通堵塞的最优化交通网络。

    Nov, 2023

  • 多气候共存估计的天气不确定性建模

    本研究提出了一种新的多天气共存估计方法，基于物理原理模型化了天气不确定性，并通过高斯混合模型和先验 - 后验学习实现了不确定性感知的多天气学习方案。实验结果表明该方法在常规多标签天气分类和多天气共存估计任务中均具有最先进的性能和广泛的泛化能力。

    Mar, 2024

  • 评估使用统计和机器学习技术确定出行方式选择的因素 —— 以印度孟加拉城市为例

    决策行为是交通规划中的关键问题，传统的统计学习方法在预测性能方面存在局限性，机器学习模型在交通规划者中备受关注。然而，机器学习模型的黑箱特性限制了其在决策和政策制定中的实际应用。本研究使用了低收入和低中等收入家庭的数据集，采用了多项式逻辑模型和机器学习分类器，通过特征重要性和个体条件期望图解释了决策行为。研究结果表明，机器学习模型中的随机森林模型具有最佳的准确性，而旅行成本的增加会显著降低公交出行的概率，而旅行时间的减少则增加对地铁的偏好。这项研究扩展了使用机器学习技术进行模式选择分析的研究，并有助于提高对这些模型在真实数据方面的理解，包括准确性和可解释性。

    Jan, 2024

  • 进入车间：巴塞罗那自行车共享系统的预测性维护

    鉴于近年来电动自行车与机械自行车的增加，本研究旨在开发一种全面了解移动动态的方法，区分不同的移动方式，并引入一种专为自行车量身定制的新型预测性维护系统。通过利用巴塞罗那的自行车共享系统 Bicing 的行程信息和维护数据，本研究对移动模式及其与自行车部件故障之间的关系进行了广泛分析，并应用了统计和机器学习生存模型来准确预测自行车的维护需求。

    Apr, 2024

  • 基于跨模态知识共享的自行车共享需求预测：一种基于图的深度学习方法

    本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

    Mar, 2022