テキサス州オースティンを事例とした、e-scooter需要表現のグリッドベースフレームワークと深層学習用の時系列入力設計

要約: 共有型マイクロモビリティ需要予測のための深層学習の進展にもかかわらず、時系列入力構造の体系的設計と統計的検証は依然として十分には探究されていない。時系列特徴量はしばしば経験的に選択されるが、過去の需要はモデルの性能と汎用性に強く影響する。本論文は再現性のあるデータ処理パイプラインと、画像間需要予測のための時系列入力構造を設計するための統計的に根拠づけられた手法を紹介する。テキサス州オースティンの大規模な電動キックボードデータを用いて、旅程記録を1時間ごとの乗車・降車需要画像に変換することで、グリッドベースの時空間データセットを構築する。パイプラインには、旅程記録のフィルタリング、国勢調査区を空間位置へマッピング、グリッドの構築、需要の集計、そして過去に活動していた領域に評価を限定する全体的な活動マスクの作成が含まれる。この表現は、需要パターンを保持しつつ、一貫した空間学習を支援する。次に、情報量の多い過去の入力を特定するために、相関ベースと誤差ベースを組み合わせた手法を導入する。最適な時系列の深さは、対を成す非パラメトリック検定と Holm補正を用いたベースライン UNET モデルによるアブレーション研究を通じて選択される。得られた時系列構造は、短期的な持続性だけでなく日次および週次のサイクルも捉える。隣接時間ベースラインおよび固定期間ベースラインと比較して、提案設計は次時予測の平均二乗誤差を最大で37％、次24時間予測を最大で35％低減する。これらの結果は、原理に基づくデータセット構築と統計的に検証された時系列入力設計の、時空間マイクロモビリティ需要予測における価値を浮き彫りにしている。