Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN) for Travel Demand Forecasting During Wildfires

要約

タイトル：Wildfire時の旅行需要予測のためのSituational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN)

要約：
– 緊急事態管理者や交通計画者が迅速でより情報に基づいた判断を行うために、野火の避難時における旅行需要のリアルタイム予測は重要である。
– しかし、大規模な緊急避難時に正確な旅行需要の予測に焦点を当てた研究はほとんどない。
– そのため、本研究では、モバイルデバイスによって生成された大規模なGPSデータと最先端のAI技術を用いて、野火の避難時の旅行発生をモデリングするための新しい方法論的枠組みを開発し、テストした。
– 提案された方法論は、避難旅行やその他の旅行の予測を目的としており、GPSデータから推定された旅行需要に基づいて、新しいディープラーニングモデルである「Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN)」を開発し、モデル更新スキームを組み合わせることで、野火の避難時の旅行需要のリアルタイム予測を実現することを目指している。
– 提案された方法論的枠組みは、現実世界のケーススタディである2019年のカリフォルニア州ソノマ郡キンケイド火災においてテストされた。
– 結果は、SA-MGCRNが予測パフォーマンスの点で選択されたすべての最先端のベンチマークを大幅に上回っていることを示している。
– また、行動理論および経験的な知見に一致する避難命令/警告情報、火災に近接しているかどうか、人口変化がSA-MGCRNの最も重要なモデルコンポーネントであることがわかった。

要約(オリジナル)

Real-time forecasting of travel demand during wildfire evacuations is crucial for emergency managers and transportation planners to make timely and better-informed decisions. However, few studies focus on accurate travel demand forecasting in large-scale emergency evacuations. Therefore, this study develops and tests a new methodological framework for modeling trip generation in wildfire evacuations by using (a) large-scale GPS data generated by mobile devices and (b) state-of-the-art AI technologies. The proposed methodology aims at forecasting evacuation trips and other types of trips. Based on the travel demand inferred from the GPS data, we develop a new deep learning model, i.e., Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN), along with a model updating scheme to achieve real-time forecasting of travel demand during wildfire evacuations. The proposed methodological framework is tested in this study for a real-world case study: the 2019 Kincade Fire in Sonoma County, CA. The results show that SA-MGCRN significantly outperforms all the selected state-of-the-art benchmarks in terms of prediction performance. Our finding suggests that the most important model components of SA-MGCRN are evacuation order/warning information, proximity to fire, and population change, which are consistent with behavioral theories and empirical findings.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI