Comparative Insights Into E‐Scooter Usage Prediction Through Machine Learning and Deep Learning Techniques
Notice bibliographique
Résumé
Shared micromobility services are experiencing rapid growth, particularly in addressing last‐mile transportation needs. The most crucial questions focus on identifying the determinants of user behavior and the factors driving demand for micromobility vehicles. Investigating this topic is thus essential for meeting the demand of micromobility vehicles, ensuring their dynamic and flexible deployment, and optimizing overall system planning. In this study, demand forecasting was performed using a shared electric scooter (e‐scooter) dataset and by comparing 19 distinct machine learning (ML) and deep learning (DL) algorithms, including traditional ML algorithms, neural network–based (NN) models , ANN and metaheuristic hybrid models, and ensemble models. Algorithm performance, evaluated using R 2 and RMSE metrics, shows that boosting and hybrid models significantly outperform traditional algorithms. In this study, the algorithms were compared not only with RMSE and R 2 but also with their running times. Our analysis reveals that GRU, ANN–Grid–Search, ANN–Bayesian, ANN–Randomize–Search, ANN‐PSO, and ANN‐GA models achieve the highest performance, though this performance is inversely related to their computational cost. When the running time is included in the analysis, the GRU algorithm ranks best (RMSE: 0.945248, R 2 : 0.174226, runtime: 6.1), followed by ANN‐GA and ANN‐PSO models. These findings will help e‐scooter providers plan effectively and make informed investment decisions.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».