Bike-sharing ridership prediction for network expansion using graph neural networks
Notice bibliographique
Résumé
Ridership prediction in station-based bike-sharing services improves station planning, fleet management, and network design. Ridership inflow and outflow prediction at the station level has received significant attention through trip production and attraction models. However, station-to-station ridership has been studied less, despite its widespread applications in use cases such as bike-lane planning or fleet electrification. This study introduces a Graph Neural Network (GNN) to model station-to-station ridership using a customized Graph Sample and Aggregate framework to generate node embeddings and minimize the weighted Mean Squared Error for peak periods. The model incorporates the characteristics of the network, sociodemographic features, and station properties. We present the case study of Bikeshare Toronto to train and test the GNN model and benchmark it against other standard prediction methods. We show that the GNN outperforms linear regression, spatial regression, XGBoost, and artificial neural networks due to its ability to capture the impact of the network structure on ridership patterns. We incorporate the GNN model in five design scenarios focusing on urban core connectivity, suburban access, transit integration, equitable accessibility, and tourist hubs. Each scenario is strategically developed to prioritize and address unique urban challenges. To enhance the model’s application in real-world planning, we embedded the model in a web-based tool for the Cities of Vancouver and Toronto, allowing for further “what-if” scenario analysis in bike-sharing network planning.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».