Detailergebnis zu DOK-Nr. 78386
Niedrigdimensionales Modell für die Prognose der Bikesharing-Nachfrage unter expliziter Berücksichtigung von Wetterdaten (Orig. engl.: Low-dimensional model for bike-sharing demand forecasting that explicitly accounts for weather data)
| Autoren |
G. Cantelmo R. Kucharski C. Antoniou |
|---|---|
| Sachgebiete |
5.5 Radverkehr, Radwege 6.1 Verkehrserhebungen, Verkehrsmessungen 6.2 Verkehrsberechnungen, Verkehrsmodelle |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2674, H. 8, 2020, S. 132-144, 5 B, 1 T, 27 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Mit der zunehmenden Verfügbarkeit großer verkehrsbezogener Datensätze wird eine detaillierte datengesteuerte Mobilitätsanalyse möglich. Fahrten mit ihren Quellen, Zielen und Fahrtzeiten werden jetzt in öffentlich zugänglichen Datenbanken gesammelt, was eine detaillierte Nachfrageprognose mit Methoden ermöglicht, die große und genaue Daten nutzen. In dem Beitrag wird das Nachfragemuster für Fahrräder in New York City mit einem niedrigdimensionalen Ansatz, der ein dreistufiges Datenclustering verwendet, vorgestellt. Es werden historische Nachfragedaten zusammen mit Temperatur und Niederschlag verwendet, um die Daten zunächst zu aggregieren und dann zu zerlegen, um aussagekräftige Cluster zu erhalten. Der Kern dieses Ansatzes liegt in der vorgeschlagenen Clustering-Technik, die die Dimension des Problems reduziert und im Gegensatz zu anderen Techniken des maschinellen Lernens nur begrenzte Annahmen über das Modell oder seine Parameter erfordert. Die vorgeschlagene Methode ermöglicht es, für die gegebene Temperatur- und Niederschlagsmethode den erwarteten Bewegungsvektor (durchschnittliche Anzahl und Richtung der Fahrten) für jede Zone zu erhalten. In der Arbeit wurden mehr als 17 Millionen Fahrten zu täglichen und zonalen Bewegungsvektoren synthetisiert, die in Verbindung mit den Wetterdaten eine Vorhersage der Fahrtennachfrage ermöglichen. Die Methode ermöglichte es, die Nachfrage mit einer Genauigkeit von über 75 % vorherzusagen, wie in einer Reihe von Experimenten gezeigt wurde, in denen verschiedene Einstellungen und Parametrisierungen anhand von 25 % sogenannter Holdout-Daten (Aufteilung des Datensatzes in eine Trainings- und eine Testmenge) validiert wurden.