文献

J-GLOBAL ID：202002254654879840   整理番号：20A2632720

線形回帰(LR)と長期短期記憶(LSTM)を用いた段階的解釈可能機械学習フレームワーク:黄色タクシーと車車(FHV)サービスの都市全体の需要側予測【JST・京大機械翻訳】

A stepwise interpretable machine learning framework using linear regression (LR) and long short-term memory (LSTM): City-wide demand-side prediction of yellow taxi and for-hire vehicle (FHV) service

著者 (4件)： Kim Taehooie (Arizona State University, School of Sustainable Engineering and the Built Environment, 660 S. College Avenue, Tempe, AZ 85281, USA) ,  Sharda Shivam (Arizona State University, School of Sustainable Engineering and the Built Environment, 660 S. College Avenue, Tempe, AZ 85281, USA) ,  Zhou Xuesong (Arizona State University, School of Sustainable Engineering and the Built Environment, 660 S. College Avenue, Tempe, AZ 85281, USA) ,  Pendyala Ram M. (Arizona State University, School of Sustainable Engineering and the Built Environment, 660 S. College Avenue, Tempe, AZ 85281, USA)
資料名： Transportation Research. Part C. Emerging Technologies  (Transportation Research. Part C. Emerging Technologies)
巻： 120  ページ： Null  発行年： 2020年 
JST資料番号： W0534A  ISSN： 0968-090X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 既存の伝統的なタクシー市場の中で,アプリケーションベースの乗り上げサービスが広く採用されているので,研究者は,新しい移動性の需要に影響する重要な要因を理解するために専念されてきた。計量モデル(EM)は主に需要の重要因子を解釈するために利用され,深層ニューラルネットワーク(DNN)は最近,大規模データセットにおける複雑なパターンを捕捉することにより予測性能を改善するために使用されている。しかし,現在のタクシー運転者に対する可能な(誘導)交通渋滞とバランス利用率を緩和するために,新興サービスと規則的タクシーの両方に対する割当てシステムを積極的に管理する効果的な戦略が,まだ批判的に必要とされている。本論文では,2つのモード間の需要容量のバランスをとる割当てシステムを評価することができる説明可能な深層学習モデルを系統的に設計することを目的とした。二段階解釈可能機械学習モデリングフレームワークを,長い短期メモリ(LSTM)によって層状化したニューラルネットワークと結合した線形回帰(LR)モデルによって開発した。第一段階は,他の説明変数を制御しながら,既存のタクシーとオンデマンドの乗り上げサービスの間の相関を研究する。第二段階は長い短期メモリ(LSTM)ネットワーク構造を満足し,予測性能を高めるために最初の推定段階から残差を捕捉した。提案した段階的モデリングアプローチ(LR-LSTM)はタクシーライドの需要を予測し,ニューヨーク市(NYC)タクシーデータを用いたピックアップ需要予測の適用に実装した。実験結果は,統合モデルが,既存のタクシーと乗り越しサービスの間の相互関係を捕え,また,追加因子,すなわち,週,天候,および休日の影響を同定することができることを示す。全体として,このモデリング手法を適用して,短期期間に対する効果的なアクティブ需要管理(ADM)と,オンデマンド乗り上げサービスと伝統的タクシー間の割当て制御戦略を構築した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  ニューラルネットワーク ,  残差 ,  *都市 ,  需要予測 ,  ネットワーク構造 ,  応用プログラム ,  交通混雑 ,  *タクシー ,  *機械学習
準シソーラス用語： 短期記憶 ,  利用率 ,  *線形回帰 ,  深層学習 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： オンデマンド・ライド・ヘリング ,  タクシー市場 ,  短期需要予測 ,  長期短期記憶(LSTM) ,  深層ニューラルネットワーク(DNN) ,  アクティブ需要管理(ADM)

分類 (3件)： 道路輸送・サービス一般  (TB01010O) ,  人工知能  (JE08000Z) ,  交通調査  (TB01031B)

タイトルに関連する用語 (14件)： 線形回帰 ,  Lr ,  長期 ,  短期記憶 ,  LSTM ,  段階 ,  機械学習 ,  フレームワーク ,  黄色 ,  タクシー ,  サービス ,  都市 ,  需要 ,  予測