Predicting short-Term bike-Sharing demand at station level: A multi-Task dynamic graph-based spatiotemporal approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Bike-sharing systems face challenges with supply-demand imbalances, causing user dissatisfaction and inefficiency. Accurate prediction of demand is crucial for optimizing these services. While deep learning methods have explored spatiotemporal dynamics in bike-sharing demand, most rely on predefined spatial correlations and focus solely on bike check-out demand, neglecting the relationship with check-in demand. To address these gaps, this paper introduces the Multi-Task Dynamic Graph-based Neural Network (MTDG) for predicting hourly bike-sharing demand across city stations. Initially, we analyze historical data and identify three key historical features for each time interval: closeness, period, and trend. Subsequently, we design three separate streams, each targeting one historical feature, with components to capture spatial and temporal dependencies in each. Spatial information is extracted using a graph convolution operator combined with a time-varying semantic adjacency graph based on historical demand similarities. We employ dual-input Long Short-Term Memory (di-LSTM) recurrent block to learn temporal dependencies and facilitate multi-task learning. This component enables the extraction of hidden pairwise demand correlations by treating the prediction tasks of bike check-in and check-out demands as interrelated. We also incorporate global features, like meteorological data, to capture broader-scale changes. The short-term bike-sharing check-in and check-out demands are jointly predicted by integrating spatiotemporal representations from three streams with global features. Using data from Montreal and New York City’s bike-sharing services, our model outperforms state-of-the-art methods, including fully adaptive graph models and Large Language Models (LLM)-based forecasting models. Variants of MTDG, such as single-task methods and alternative semantic adjacency graph configurations, also show superior performance over most baseline models.
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.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle