Predicting Spatiotemporal Demand of Dockless E-Scooter Sharing Services with a Masked Fully Convolutional Network
Notice bibliographique
Résumé
Dockless electric scooters (e-scooter) have emerged as a green alternative to automobiles and a solution to the first- and last-mile problems. Demand anticipation, or being able to accurately predict spatiotemporal demand of e-scooter usage, is one supply–demand balancing strategy. In this paper, we present a dockless e-scooter demand prediction model based on a fully convolutional network (FCN) coupled with a masking process and a weighted loss function, namely, masked FCN (or MFCN). The MFCN model handles the sparse e-scooter usage data with its masking process and weighted loss function. The model is trained with highly correlated features through our feature selection process. Next-hour and next 24-h prediction schemes have been tested for both pick-up and drop-off demands. Overall, the proposed MFCN outperforms other baseline models including a naïve forecasting, linear regression, and convolutional long short-term memory networks with mean absolute errors of 0.0434 and 0.0464 for the next-hour pick-up and drop-off demand prediction, respectively, and the errors of 0.0491 and 0.0501 for the next 24-h pick-up and drop-off demand prediction, respectively. The developed MFCN expands the collection of deep learning techniques that can be applied in the transportation domain, especially spatiotemporal demand prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».