Компьютерное моделирование темпоральных сетей для анализа паттернов в функционировании динамических систем
УДК 519.8:004
Аннотация
Представлены результаты анализа временной загруженности систем совместного использования велосипедов, выполненного с помощью темпоральных сетей. Темпоральные сети имеют множество применений в исследовании поведения сложных динамических систем, обладающих сетевой структурой. Например, их можно использовать для анализа и прогнозирования таких динамических показателей транспортных сетей, как интенсивность транспортных и пассажирских потоков, загруженность транспортных путей, пропускная способность транспортных узлов, оборот транспортных средств и т.д. В данной работе с помощью темпоральных сетей оцениваются показатели центральности станций и кластеров сети велопроката. Центральность станций оценивается на основе меры посредничества, а центральность кластеров — на основе меры централизации Фримена. На основании полученных оценок строятся визуальные модели «Тепловая карта» и «Временной ряд», в наглядной и компактной форме демонстрирующие пространственно-временные особенности велосети. Эксперименты, подтверждающие применимость построенных моделей, проводятся с использованием открытых данных системы CitiBike New York за апрель 2019 г. Они демонстрируют наличие суточных и месячных паттернов как среди отдельных станций, так и среди более крупных кластеров.
Скачивания
Metrics
Литература
Shaheen S. A., Guzman S., Zhang H. Bikesharing in Europe, the Americas, and Asia: past, present, and future // Transportation Research Record. 2010. Т. 2143. №. 1. DOI: 10.3141/2143-20.
Lozano A. et al. Multi-agent system for demand prediction and trip visualization in bike sharing systems // Applied Sciences. 2018. Т. 8. DOI: 10.3390/app8010067.
Frade I., Ribeiro A. Bike-sharing stations: A maximal covering location approach //Transportation Research Part A: Policy and Practice. 2015. Т. 82. DOI: 10.1016/j.tra.2015.09.014.
Celebi D., Yorusun A., Isik H. Bicycle sharing system design with capacity allocations // Transportation research part B: methodological. 2018. Т. 114. DOI: 10.1016/j. trb.2018.05.018.
Singla A. et al. Incentivizing users for balancing bike sharing systems // Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence. 2015.
Pan L. et al. A deep reinforcement learning framework for rebalancing dockless bike sharing systems //Proceedings of the AAAI conference on artificial intelligence. 2019. Т. 33. DOI: 10.1609/aaai.v33i01.33011393.
Angelopoulos A. et al. Incentivization schemes for vehicle allocation in one-way vehicle sharing systems //2016 IEEE International Smart Cities Conference (ISC2). IEEE, 2016. DOI: 10.1109/ISC2.2016.7580857.
Raviv T., Tzur M., Forma I. A. Static repositioning in a bike-sharing system: models and solution approaches // EURO Journal on Transportation and Logistics. 2013. Т. 2, №. 3. DOI: 10.1007/s13676-012-0017-6.
Alvarez-Valdes R. et al. Optimizing the level of service quality of a bike-sharing system. Omega (2015), pp. 1-13. h DOI: 10.1016/j.omega.2015.09.007.
Liu J. et al. Rebalancing bike sharing systems: A multisource data smart optimization // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. DOI: 10.1145/2939672.2939776.
Xu F., Chen F., Liu Y. Bike Sharing Data Analytics for Smart Traffic Management // 2019 5th International Conference on Big Data Computing and Communications (BIGCOM). IEEE, 2019. DOI: 10.1109 / BIGCOM. 2019.00020.
Zheng Z., Zhou Y., Sun L. A Multiple Factor Bike Usage Prediction Model in Bike-Sharing System //International Conference on Green, Pervasive, and Cloud Computing. Springer, Cham, 2018. DOI: 10.1007/978-3-030-15093-8_28.
Oppermann M., Moller T., Sedlmair M. Bike sharing Atlas: visual analysis of bike-sharing networks //International Journal of Transportation. 2018. Т. 6, №. 1. DOI:10.14257/ ijt.2018.6.1.01.
Zhou X. Understanding spatiotemporal patterns of biking behavior by analyzing massive bike sharing data in Chicago // PloS one. 2015. Т. 10. №. 10. DOI: 10.1371/ journal.pone.0137922.
Papazek P et al. Balancing bicycle sharing systems: an analysis of path relinking and recombination within a GRASP hybrid // International Conference on Parallel Problem Solving from Nature. Springer, Cham, 2014. DOI: 10.1007/978-3-319-10762-2_78.
Kaufman S. M. et al. Citi Bike: the first two years // The Rudin Center for Transportation Policy and Management. 2015.
CitBike System Data. Available online: https://www.citibikenyc.com/system-data (accessed on 17 January 2020).
Nicosia V. et al. Graph metrics for temporal networks // Temporal networks. Springer, Berlin, Heidelberg, 2013. DOI:10.1007/978-3-642-36461-7_2.
Li Y. et al. Traffic prediction in a bike-sharing system // Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2015. DOI: 10.1145/2820783.2820837.
Dai P. et al. Cluster-Based Destination Prediction in Bike Sharing System // Proceedings of the 2018 Artificial Intelligence and Cloud Computing Conference. 2018. DOI: 10.1145/3299819.3299826.
Caggiani L. et al. Spatio-temporal clustering and forecasting method for free-floating bike sharing systems // International Conference on Systems Science. Springer, Cham, 2016. DOI: 10.1007/978-3-319-48944-5_23.
Feng S. et al. A hierarchical demand prediction method with station clustering for bike sharing system // 2018 IEEE Third International Conference on Data Science in Cyberspace (DSC). IEEE, 2018. DOI: 10.1109/DSC.2018.00133.
Borgatti S.P, Everett M.G. Extending centrality // Models and Methods in Social Network Analysis. 2005. Т. 28. DOI:10.1017/CBO9780511811395.