Contextual Data Integration for Bike-sharing Demand Prediction with Graph Neural Networks in Degraded Weather Conditions

要約

自転車シェアリングの需要は、気象条件、イベント、他の交通手段の利用可能性など、さまざまな要因の影響を受けます。
これらの要因の複雑な相互依存性や、場所に関連したユーザーの行動の変化により、この影響は依然としてとらえどころのないものです。
また、どの要素が過去の需要に含まれていない追加情報であるかも明確ではありません。
自転車シェアリングと他のモード間の相互依存関係も十分に調査されておらず、劣化した状況におけるこの情報の価値は研究されていません。
提案された研究では、異常気象状況における自転車シェアリングの出発地と目的地（OD）の流れを予測するために、天気、時間の埋め込み、道路交通の流れなどのコンテキスト データを追加することの影響を分析しています。私たちの研究では、自転車の予測品質との間に穏やかな関係があることが明らかになりました。
-需要と道路交通の流れを共有しながら、導入された時間埋め込みにより、特に気象条件が悪化した場合に、最先端の結果を上回るパフォーマンスが可能になります。
追加の入力として気象データを含めることで、悪化した気象条件での予測誤差が 20% 以上削減され、基本的な ST-ED-RMGC 予測モデルに関してモデルがさらに改善されます。

要約(オリジナル)

Demand for bike sharing is impacted by various factors, such as weather conditions, events, and the availability of other transportation modes. This impact remains elusive due to the complex interdependence of these factors or locationrelated user behavior variations. It is also not clear which factor is additional information which are not already contained in the historical demand. Intermodal dependencies between bike-sharing and other modes are also underexplored, and the value of this information has not been studied in degraded situations. The proposed study analyzes the impact of adding contextual data, such as weather, time embedding, and road traffic flow, to predict bike-sharing Origin-Destination (OD) flows in atypical weather situations Our study highlights a mild relationship between prediction quality of bike-sharing demand and road traffic flow, while the introduced time embedding allows outperforming state-of-the-art results, particularly in the case of degraded weather conditions. Including weather data as an additional input further improves our model with respect to the basic ST-ED-RMGC prediction model by reducing of more than 20% the prediction error in degraded weather condition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google