评估数据稀疏性对链级自行车体量估计影响：基于图卷积神经网络的方法
机器学习
2025-12-16 v2
摘要
准确的链级自行车体量估计对于做出明智的决策和规划未来自行车基础设施投资至关重要。然而，传统的链级体量估计模型在自行车情境下因数据稀疏和自行车 mobility 模式的复杂性而面临重大挑战。迄今为之，本文首次利用图卷积神经网络（GCN）架构来建模链级自行车体量，并系统性地研究不同数据稀疏程度（0%--99%）对模型性能的影响，模拟真实世界情境。我们利用 Strava Metro 数据作为自行车计数的主要来源，覆盖墨尔本澳大利亚 15,933 条道路段/链。为评估 GCN 模型的有效性，我们将其与线性回归、支持向量机和随机森林等传统机器学习模型进行基准测试。我们的结果表明，GCN 模型在预测年度平均日自行车（AADB）计数方面优于这些传统模型，证明了其捕捉自行车交通网络中空间依赖性的能力。尽管 GCN 在 80% 稀疏性下仍然稳健，但在该阈值之外性能急剧下降，凸显了极端数据稀疏的挑战。这些发现既强调了 GCN 在提升自行车体量估计方面的潜力，也强调了进一步研究提高模型在高稀疏条件下韧性的方法的必要性。我们的发现为旨在改善自行车基础设施并促进可持续交通的城市规划者提供了宝贵见解。
引用
@article{arxiv.2410.08522,
title = {Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach},
author = {Mohit Gupta and Debjit Bhowmick and Meead Saberi and Shirui Pan and Ben Beck},
journal= {arXiv preprint arXiv:2410.08522},
year = {2025}
}