基于机器学习建模共享单车系统中的自行车可用性
计算机与社会
2020-06-16 v1 机器学习
物理与社会
摘要
本文利用机器学习算法对旧金山湾区共享单车站点可用自行车数量进行建模。采用随机森林（RF）和最小二乘提升（LSBoost）作为单变量回归算法，并应用偏最小二乘回归（PLSR）作为多变量回归算法。单变量模型用于对各站点的可用自行车数量建模。PLSR 用于减少所需预测模型的数量，并反映网络中站点间的空间相关性。结果清晰表明，单变量模型的预测误差低于多变量模型。然而，对于具有相对大量空间相关站点的网络，多变量模型的结果是合理的。结果还显示，站点邻居和预测时间范围是显著的预测因子。产生最小预测误差的最有效预测时间范围为 15 分钟。
引用
@article{arxiv.2006.08352,
title = {Modeling bike availability in a bike-sharing system using machine learning},
author = {Huthaifa I. Ashqar and Mohammed Elhenawy and Mohammed H. Almannaa and Ahmed Ghanem and Hesham A. Rakha and Leanna House},
journal= {arXiv preprint arXiv:2006.08352},
year = {2020}
}
备注
Published in: 2017 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS)