リアルタイム人口データを用いたバイクシェアの需要予測

• Item type: Journal(1)
• 公開日: 2024-06-15
• タイトル: リアルタイム人口データを用いたバイクシェアの需要予測
• タイトル / 言語: en
• タイトル: Demand Forecasting for Bike-sharing Using Real-time Population Data
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [特集:移動の価値を再創造する高度交通システムとパーベイシブシステム] バイクシェアサービス，再配置，深層生成モデル，時系列データ
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/00234835
• ID登録 / ID登録タイプ: JaLC
• 著者所属: NTTドコモ
• 著者所属: NTTドコモ
• 著者所属: NTTドコモ
• 著者所属: 日本電信電話株式会社
• 著者所属: 上智大学
• 著者所属(英): en
• 著者所属(英): NTT DOCOMO, INC.
• 著者所属(英): en
• 著者所属(英): NTT DOCOMO, INC.
• 著者所属(英): en
• 著者所属(英): NTT DOCOMO, INC.
• 著者所属(英): en
• 著者所属(英): Nippon Telegraph and Telephone Corporation
• 著者所属(英): en
• 著者所属(英): Sophia University
• 著者名: 三村, 知洋; 石黒, 慎; 鈴木, 喬; 山田, 曉; 深澤, 佑介
• 著者名(英): Tomohiro, Mimura; Shin, Ishiguro; Takashi, Suzuki; Akira, Yamada; Yusuke, Fukazawa
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，バイクシェアサービス（Bicycle Sharing Services; BSS）に注目が集まっている．BSSの利用が増えることで，専用駐輪場（ポート）の自転車溢れ・不足の問題が顕在化している．この問題の解決方法の1つとして自転車が溢れているポートから自転車が不足しているポートへ自転車を移動する再配置がある．再配置業務をより効率的に行うためには正確な自転車の需要を予測することが重要である．そこで，本研究ではBSSの需要をポート・時間ごとに予測する機械学習モデルを提案する．提案手法は，変分オートエンコーダーに時系列生成モデルを組み合わせたモデルである．我々はこの手法を“Conditional Variational Autoencoders considering Partial Future data”（CVAE-PF）と名付けた．我々はオフライン実験・オンライン実験を通じて提案手法の評価を行った．オフライン実験ではRoot Mean Square Error（RMSE）を用いた評価を行い，提案手法の予測精度が比較手法に比べて高いことを示した．また，オンライン実験では従来の再配置方法に比べ，ポートごとの自転車の溢れ・不足を減少させることができることを確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In recent years, Bicycle Sharing Services (bike-shares) have been established worldwide. One important aspect of bike-share management is to periodically rebalance the positions of the available bikes. Because the bike demand varies by and over time, the number of bikes at each bike-port tends to become unbalanced. To efficiently rebalance a bike-share system, it is essential to predicting the number of bikes in each bike-port. In this paper, we propose a method to predicting bike demand and the number of bike pickups and drop offs at each bike-port every hour, up to 24 hours in advance. To predict demand, we used a time series generation model based on the Variational Autoencoders model and the Attention based Sequence to Sequence learning model. We named this method “Conditional Variational Autoencoders considering Partial Future data” (CVAE-PF). In the experiment, our proposed method showed higher prediction accuracy in root mean square error (RMSE) compared to conventional methods. In addition, the constructed demand model of bicycle sharing services was used for rebalance, and it was confirmed that rebalance could be carried out more efficiently than with conventional methods.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 65, 号 6, p. 1058-1070, 発行日 2024-06-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764
• 公開者 / 言語: ja
• 公開者 / 出版者: 情報処理学会