文献

J-GLOBAL ID：202102251870382478   整理番号：21A0013320

ドックレスパブリックバイクの長期持続可能な開発のための量管理への機械学習アプローチ:中国におけるShenzhenの事例【JST・京大機械翻訳】

Machine Learning Approach to Quantity Management for Long-Term Sustainable Development of Dockless Public Bike: Case of Shenzhen in China

著者 (4件)： Zhou Qingfeng (Harbin Institute of Technology, Shenzhen, Guangdong 518055, China) ,  Zhou Qingfeng (Shenzhen Key Laboratory of Urban Planning and Decision Making, Shenzhen, Guangdong 518055, China) ,  Wong Chun Janice (Harbin Institute of Technology, Shenzhen, Guangdong 518055, China) ,  Su Xian (China Resources Land Guangxi Co, Nanning, Guangxi 530000, China)
資料名： Journal of Advanced Transportation  (Journal of Advanced Transportation)
巻： 2020  ページ： Null  発行年： 2020年 
JST資料番号： D0581A  ISSN： 0197-6729  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 自転車の数がドックレスPBSの持続可能な開発に重要であるので,本研究は,Shenzhen(深川)におけるOFOバイク操作データを用いた量管理への機械学習アプローチの導入を実践した。最初に,2つのクラスタリングアルゴリズムを用いて,自転車収集領域を同定し,利用可能なバイク数変動の利用可能なバイク数および係数を,各自転車収集地域タイプにおいて解析した。第2に,5つの分類アルゴリズムを,25の影響因子を用いて,自転車収集領域のタイプを識別する精度で比較した。最後に,公共自転車の数計画と管理を導くために,既存のドックレス自転車運転データから得られた知識の応用を調査した。著者らは以下のことを見出した。1)4つのタイプに分割できる492のOFO自転車収集地域があった:高能率,正常非効率,高効率,および正常効率。高い非効率で正常な非効率地域は,低い使用で110,000の自転車を集めた。(2)より多くのタイプの自転車収集区域は,分類アルゴリズムの正確さに影響した。ランダム森林分類は,75%以上の精度で,5つの分類アルゴリズムにおいて,自転車収集地域タイプの同定において,最良の性能を持った。(3)4種類の自転車収集地域における25の影響因子の特性に明らかな違いがあった。利用可能な自転車の数を最適化し,運転コストを低減し,利用効率を改善するために,これらの要因を面積タイプを予測するために使用できる。本研究は,オペレータと政府がドックレスPBSの特性を理解し,機械学習アプローチによるシステムの長期持続可能な開発の促進に寄与する。Copyright 2020 Qingfeng Zhou et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  オペレータ ,  自転車 ,  *ドック ,  *機械学習 ,  *持続可能な開発
準シソーラス用語： 高効率 ,  分類アルゴリズム ,  影響因子 ,  ランダムフォレスト ,  クラスタリングアルゴリズム ,  運転データ , 【Automatic Indexing@JST】

分類 (1件)： 交通調査  (TB01031B)

引用文献 (40件)：

• P. Demaio, "Bike-sharing: history, impacts, models of provision, and future," Journal of Public Transportation, vol. 12, no. 4, pp. 41-56, 2009.
• China Academy of Information and Communications Technology, China Shared Bicycle Industry Development Report, China Academy of Information and Communications Technology, Beijing, China, 2018.
• Y. Zhou, B. P. L. Lau, Z. Koh, C. Yuen, B. K. K. Ng, "Understanding crowd behaviors in a social event by passive WiFi sensing and data mining," IEEE Internet of Things Journal, vol. 7, no. 5, pp. 4442-4454, 2020.
• K. Li, C. Yuen, S. S. Kanhere et al., "An experimental study for tracking crowd in smart cities," IEEE Systems Journal, vol. 13, no. 3, pp. 2966-2977, 2019.
• Q. Chen, W. Wang, F. Wu et al., "A survey on an emerging area: deep learning for smart city data," IEEE Transactions on Emerging Topics in Computational Intelligence, vol. 3, no. 5, pp. 392-410, 2019.

タイトルに関連する用語 (5件)： 長期 ,  持続可能な開発 ,  量 ,  機械学習 ,  中国