Hybrid Graph Convolutional-Recurrent Framework with Community Detection for Spatiotemporal Demand Prediction in Micromobility Systems
Notice bibliographique
Résumé
The rapid growth of dockless electric scooter (e-scooter) sharing services has transformed short-distance urban mobility, offering convenience and sustainability benefits while amplifying challenges related to demand imbalance, fleet rebalancing, and spatial inequity. Accurate spatiotemporal demand prediction is therefore essential for optimizing resource allocation and supporting data-driven policy interventions. This study proposes a hybrid deep learning framework that integrates a Graph Convolutional Network (GCN) with a Gated Recurrent Unit (GRU) and community detection to enhance short-term prediction of e-scooter pick-up and drop-off demands. The Louvain algorithm is employed to partition urban areas into mobility-based communities, enabling the model to capture functional connectivity rather than relying solely on geographic proximity. Using real-world e-scooter trip data from Calgary, Canada, the model’s performance is evaluated against established baselines, including a Masked Fully Convolutional Network (MFCN) and conventional GRU architectures. Results show that the proposed approach achieves up to 11.8% improvement in mean absolute error (MAE) compared with the MFCN baseline and more robust generalization across temporal horizons. The findings demonstrate that integrating community structures into graph-based learning effectively captures complex urban dynamics, providing practical insights for sustainable micromobility operation and service deployment.
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 | 0,000 |
| 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 ».