UNET and UNETR Based Frameworks for Predicting the Short-Term Spatiotemporal Demand of E-Scooter Sharing Services
Notice bibliographique
Résumé
Several factors have contributed to the emergence of shared on-demand mobility services in recent years, including urbanization, technological advancements, environmental concerns, changing consumer behavior, regulatory changes, and cost savings. Among these services, shared electric micro-mobility services represent the latest entrant to the market. One significant challenge for shared mobility services is that demand for these services can vary significantly throughout the day and across different locations, leading to imbalances in vehicle availability. This can result in long wait times for users, negatively impacting user experience and discouraging future service usage. In this study, we propose the use of the state-of-the-art deep learning models, such as the UNET and UNETR, for short-term spatiotemporal micromobility demand prediction. Our study reveals that UNETR surpasses the baseline model in predicting demand for the entire region of interest. For the next-hour pick-up and drop-off demand prediction, UNETR achieves mean absolute errors of 0.0163 and 0.0158, respectively, while for the next 24-hour prediction, the errors are 0.0166 and 0.0158, respectively. Additionally, UNET outperforms the baseline model and UNETR at the nonzero demand level, with mean absolute errors of 1.4886 and 1.4430 for the next-hour prediction, and 1.5607 and 1.5339 for the next 24-hour prediction, respectively.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».