文献

J-GLOBAL ID：202202266363998952   整理番号：22A1118026

ライドソーシング需要の空間モデリングのための機械学習アプローチ【JST・京大機械翻訳】

Machine learning approach for spatial modeling of ridesourcing demand

著者 (2件)： Zhang Xiaojian (Department of Civil and Coastal Engineering, University of Florida, 1949 Stadium Rd, Gainesville, FL 32611, USA) ,  Zhao Xilei (Department of Civil and Coastal Engineering, University of Florida, 1949 Stadium Rd, Gainesville, FL 32611, USA)
資料名： Journal of Transport Geography  (Journal of Transport Geography)
巻： 100  ページ： Null  発行年： 2022年 
JST資料番号： W0681A  ISSN： 0966-6923  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： 効果的な輸送計画と政策決定のためには,正確に乗り越し需要を予測することが重要である。人工知能(AI)の上昇に伴い,研究者は移動需要を予測するために機械学習モデルを利用し始め,多くの場合,統計的モデルよりも高い予測精度を生産できる。しかし,ほとんどの既存の機械学習研究は,需要を予測し,空間不均一性(すなわち説明変数の影響における空間変動)の影響を無視するために,グローバルモデルを使用した。空間不均一性は空間にわたって変化するパラメータ推定を駆動できる。空間変動を考慮することは,モデルの予測性能を制限する可能性がある。空間不均一性を説明するために,本研究は,乗り取りサービスのためのゾーンツーゾーン(セニュース・ツー・セニュース・トラック)旅行需要を予測するために,クラスタ化支援アンサンブル法(CEM)を提案した。特に,著者らは,起源-目的対を異なるクラスタに分割し,予測のためにクラスタ特異的機械学習モデルを集合するために,対話型クラスタリングアプローチ(ヒトインザループAIにより動力)を開発した。Chicagoのライドソーシング-トリップデータを用いて,提案した方法を実装し,試験した。結果は,より透明で柔軟なモデル構造で,CEMがベンチマークモデル(即ち,全観測で直接訓練された大域的機械学習と統計モデル)よりも予測精度を著しく改善することを示した。本研究は,輸送研究者と実務者を,特に乗り取りと微小移動性のような新しい旅行モードに対して,旅行需要予測の新しい方法論を提供する。Copyright 2022 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： 予測技法 ,  学習モデル ,  需要 ,  輸送計画 ,  旅行 ,  クラスタ化 ,  人工知能 ,  クラスタ ,  モデル ,  統計模型 ,  パラメータ推定 ,  *機械学習
準シソーラス用語： 予測精度 ,  対話型 ,  *空間モデル ,  アンサンブル法 , 【Automatic Indexing@JST】

著者キーワード (6件)： ライドソーシング需要 ,  空間不均一性 ,  クラスタリング ,  機械学習 ,  アンサンブルモデル ,  ヒューマンインザループAI

分類 (2件)： 交通調査  (TB01031B) ,  観光,レクリエーション  (RD04030J)

タイトルに関連する用語 (3件)： 需要 ,  空間モデリング ,  機械学習