Mar, 2024

无桩自行车共享系统中基于图优化的网络扩张

PDF
TL;DR自行车共享系统是全球超过一千个城市中部署的，对许多城市交通系统起着重要作用。本研究利用摩比自行车的出行数据构建了一个优化的地理时空图，揭示了未来共享系统扩展时的最佳站点位置。使用路汶算法进行社区检测，发现不同时间粒度上呈现类似使用模式的自包含子网络。整体来看，本研究加强了自行车共享系统是物理时空系统的内在特性，并且社区的存在受到时空动态的驱动。这些发现可能有助于运营商提高再分配效率。
发现论文，激发创造
  • 利用图神经网络进行深度单车共享行程推荐

    本研究针对自行车共享系统随着规模扩大而面临的新站点规划和旅行需求预测问题，提出了一种基于图神经网络的方法，以多源城市建筑环境数据为基础进行局部化图构造，使用注意力机制学习识别不同站点之间的相关性，对其应用情景进行了实际验证并与现有方法进行了比较，结果表明我们的方法具有更好的性能和解释力。

    Mar, 2023

  • 自行车共享系统租赁智能推荐

    在这篇论文中，我们提出并比较了在基于站点的自行车共享系统中为用户推荐站点的策略，首先是基于排队理论的推荐策略，其根据用户的利益推荐距离较近且更有可能找到自行车或停车位的站点；然后，我们进一步定义了一种策略，将特定用户的利益与全局系统的利益相结合，以实现在预期未来需求方面改善自行车和停车位分布，以隐式地避免或缓解平衡问题。我们通过对马德里自行车共享系统 BiciMAD 的实际数据进行了多个实验来评估我们的提议。

    Jan, 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

  • Bike3S：自行车共享系统模拟工具

    该研究介绍了 Bike3S，一种基于站点的自行车共享系统的模拟器，该模拟器可以对系统的操作进行半真实的模拟，并允许评估和测试不同的管理决策和策略。

    Jan, 2024

  • 基于灵活节点的交通需求预测图构建

    介绍了一种针对自由流动交通模式的新型图构建方法，利用密度聚类算法确定图中节点的灵活定位，并从乘车数据中提取有价值的信息来初始化图神经网络的边权重，实验证实了该方法显著提高了模型的性能和计算效率。

    Mar, 2024

  • 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

  • 多图卷积网络用于自行车流量预测

    本研究提出了一种新的多图卷积神经网络模型，通过构建多个站点之间的关系图，从图的角度提高了单个站点自行车流量的预测准确性，可帮助单车共享系统管理者做出决策

    Jul, 2018

  • 借助 Cartogram 辅助的深度学习提升开放系统中的需求预测

    我们提出了一种深度学习框架来预测公共自行车租赁和归还模式，通过利用卡图法来实现对新安装站点需求以及长期预测的预测，我们在首尔，南韩的公共自行车租赁和归还数据上展示了我们框架的有效性和潜在应用。

    Mar, 2024

  • 基于现实世界数据的乘车请求时空图建模

    本论文基于详细分析真实世界来自共享乘车服务的数据，专注于对乘车请求和其时空变化进行建模。作者提出了一个图形模型来捕捉乘车请求的时空变异性和共乘的潜力，并发现这些乘车请求图形展现了人类行为建模的常见特征 - 稠密化功率法则。通过使用自动合成算法，本研究提供了一种自动生成满足实际数据的图形的方法。

    Jan, 2017

  • 基于图卷积神经网络的大规模共享单车网络站点级小时需求预测

    本研究提出了一种基于数据驱动图滤波器（GCNN-DDGF）的图卷积神经网络模型，可以学习车站之间隐藏的异质性相关性以预测大规模自行车共享网络中车站级别的小时需求。根据多种自行车共享系统数据建立和比较了 6 种 GCNN 模型和 7 种基准模型，并在 New York City 的一个 Citi Bike 数据集上进行了测试，结果表明 GCNNrec-DDGF 的表现最佳，其次是 GCNNreg-DDGF。此外，通过 DDGF 获得更详细的图网络分析，发现它捕捉了一些嵌入在 SD，DE 和 DC 矩阵中的细节信息，而且还揭示了车站之间不被这些矩阵揭示的隐藏的异质性成对相关关系。

    Dec, 2017