Demand Density Forecasting in Mobility-on-Demand Systems Through Recurrent Mixture Density Networks
Notice bibliographique
Résumé
Demand forecasting is one of the essential issues in the Mobility-on-Demand (MoD) systems. Most deep learning-based models address this issue by point prediction, which neglects stochasticity in the forecasting result. In this paper, we propose a novel deep learning-based model, the tailored recurrent mixture density network (RMDN), to forecast the demand density in the MoD systems. The tailored RMDN integrates the time-dependent sequence of historical mobility demand information with the temporal features to forecast the short-term demand density. Unlike the point prediction in the existing work, the forecasting result by tailored RMDN benefits from the predicted parameters. Namely, the predicted weights, means, and variances can be utilized to parameterize a Gaussian mixture model that can denote any shape of demand distribution. We then conduct a group of numerical experiments on the New York yellow taxi trip record data. The validation results show that by integrating the temporal features in MoD data, the tailored RMDN model can significantly improve the demand density forecasting results compared to the statistical time-series prediction model ARIMA. In particular, the tailored RMDN model outperforms the ARIMA model up to 51.3% in terms of the log-likelihood values. In addition, we observe that the tailored RMDN is tremendously superior to ARIMA in handling the high volatility in MoD demand.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».