ترجمه فارسی مقاله پیش بینی تقاضای سفر یک سیستم به اشتراک گذاری دوچرخه با استفاده از شبکه های عصبی Convolutional Graph

چکیده

Public transportation systems play a crucial role in daily commutes, business operations, and leisure activities, emphasizing the need for effective management to meet public demands. One approach to achieve this goal is by predicting demand at the station level. Bike-sharing systems, as a form of transit service, contribute to the reduction of air and noise pollution, as well as traffic congestion. This study focuses on predicting travel demand within a bike-sharing system. A novel hybrid deep learning model called the gate graph convolutional neural network is introduced. This model enables prediction of the travel demand at station level. By integrating trajectory data, weather data, access data, and leveraging gate graph convolution networks, the accuracy of travel demand forecasting is significantly improved. Chicago City bike-sharing system is chosen as the case study. In this investigation, the proposed model is compared to the base models used in previous literature to evaluate their performance, demonstrating that the main model exhibits better performance than the base models. By utilizing this framework, transportation planners can make informed decisions on resource allocation and rebalancing management.

چکیده به فارسی (ترجمه ماشینی)

سیستم های حمل و نقل عمومی با تأکید بر لزوم مدیریت مؤثر برای پاسخگویی به خواسته های عمومی ، نقش مهمی در رفت و آمد روزانه ، عملیات تجاری و فعالیت های اوقات فراغت دارند.یک رویکرد برای دستیابی به این هدف پیش بینی تقاضا در سطح ایستگاه است.سیستم های تقسیم دوچرخه ، به عنوان نوعی سرویس ترانزیت ، در کاهش آلودگی هوا و سر و صدا و همچنین تراکم ترافیک نقش دارند.این مطالعه بر پیش بینی تقاضای سفر در یک سیستم تقسیم دوچرخه متمرکز شده است.یک مدل یادگیری عمیق ترکیبی جدید به نام شبکه عصبی Convolutional Gate Graph معرفی شده است.این مدل پیش بینی تقاضای سفر در سطح ایستگاه را امکان پذیر می کند.با ادغام داده های مسیر ، داده های آب و هوا ، داده های دسترسی و شبکه های گرافیکی با استفاده از شبکه های Convolution ، صحت پیش بینی تقاضای سفر به طور قابل توجهی بهبود می یابد.سیستم تقسیم دوچرخه شهر شیکاگو به عنوان مطالعه موردی انتخاب می شود.در این تحقیق ، مدل پیشنهادی با مدلهای پایه مورد استفاده در ادبیات قبلی برای ارزیابی عملکرد آنها مقایسه می شود ، نشان می دهد که مدل اصلی عملکرد بهتری نسبت به مدل های پایه دارد.با استفاده از این چارچوب ، برنامه ریزان حمل و نقل می توانند تصمیمات آگاهانه ای در مورد تخصیص منابع و مدیریت مجدد تعادل بگیرند.