[論文レビュー] Machine Learning Based Demand Modelling for On-Demand Transit Services: A Case Study of Belleville, Ontario.

Nael Alsaleh, Bilal Farooq|arXiv (Cornell University)|Oct 27, 2020

Transportation and Mobility Innovations被引用数 6

ひとこと要約

本研究では、ベルヴィル（オンタリオ州）のオンデマンドトランジット（ODT）需要を予測するため、ランダムフォレスト、バギング、アンナ（ANN）、DNNを用いた機械学習モデルを開発した。モデルはピックアップ需要の63%、乗車需要の70%を説明しており、月と曜日が最も影響力のある要因であり、人口密度がピックアップ需要の主要な人口統計的要因である。

ABSTRACT

The use of mobile applications apps and GPS service on smartphones for transportation management applications has enabled the new mobility service, where the transportation supply is following the users' schedule and routes. In September 2018, the City of Belleville in Canada and Pantonium operationalized the same idea, but for the public transit service in the city to develop an on-demand transit (ODT) service. An existing fixed route (RT 11) public transit service was converted into an on-demand service during the night as a pilot project to maintain a higher demand sensitivity and highest operation cost efficiency per trip. In this study, Random Forest (RF), Bagging, Artificial Neural Network (ANN), and Deep Neural Network (DNN) machine learning algorithms were adopted to develop a pickup demand model (trip generation) and a trip demand model (trip distribution model) for Belleville ODT service based on the dissemination areas' demographic characteristics and the existing trip characteristics. The developed models aim to explain the demand behavior, investigate the main factors affecting the trip pattern and their relative importance, and to predict the number of generated trips from any dissemination area as well as between any two dissemination areas. The results indicate that the developed models can predict 63% and 70% of the pickup and trip demand levels, respectively. Both models are most affected by the month of the year and the day of the week variables. In addition, the population density has a higher impact on the ODT service pickup demand levels than the other demographic characteristics followed by the working age percentages and median income characteristics. Whereas, the distribution of the trips depends on the demographic characteristics of the destination area more than the origin area.

研究の動機と目的

• オンタリオ州ベルヴィルにおけるオンデマンドトランジット（ODT）サービスの正確な需要モデルを、機械学習を用いて開発すること。
• ODTシステムにおけるピックアップ需要と乗車分布パターンに影響を与える要因を理解すること。
• 人口統計的および時間的変数がODT需要行動に与える相対的影響を定量化すること。
• 需要の生成と分布を発表地域レベルで予測することで、データドリブンな運用意思決定を可能にすること。

提案手法

• ピックアップ需要（乗車生成）と乗車需要（出発地と到着地間の分布）の2つの別々のモデルを構築した。
• 歴史的ODT乗車データを用いて、RT 11が夜間のオンデマンドサービスに変更されたパイロットプログラムのデータを訓練に使用した。
• 説明変数として、発表地域レベルの人口統計データ（人口密度、労働年齢人口、中央所得）と時間的特徴（月、曜日）を用いた。
• 機械学習アルゴリズム4種（ランダムフォレスト、バギング、人工ニューラルネットワーク（ANN）、ディープニューラルネットワーク（DNN））を適用して、ODT需要をモデル化した。
• ピックアップ需要と乗車需要の両方のレベルにおける予測精度を評価するために、決定係数（R²）を用いた。
• モデル内メトリクスを用いて特徴量の重要度を順位付けし、需要に最も影響を与える予測要因を特定した。

実験結果

リサーチクエスチョン

• RQ1 実世界の都市環境におけるオンデマンドトランジットのピックアップ需要を最もよく予測する機械学習モデルは何か？
• RQ2 人口密度、労働年齢人口、中央所得といった人口統計的特徴は、ODTピックアップ需要にどのように影響を与えるか？
• RQ3 時間的変数（例：月、曜日）がODT需要パターンに与える相対的影響は何か？
• RQ4 出発地と到着地の発表地域の人口統計的特徴は、乗車分布にどのように異なる影響を与えるか？
• RQ5 機械学習モデルは、発表地域レベルでの需要をどの程度説明・予測できるか？

主な発見

• モデルはピックアップ需要（乗車生成）の変動の63%、乗車需要（乗車分布）の変動の70%を説明した。
• ピックアップ需要モデルおよび乗車需要モデルの両方において、年間の月と曜日が最も影響力のある変数であった。
• 人口統計的要因の中で、人口密度がピックアップ需要に最も大きな影響を与えた。その後に、労働年齢人口の割合と中央所得が続く。
• 乗車分布においては、到着地地域の人口統計的特徴が出発地地域のそれよりも影響力が大きかった。
• ランダムフォレスト、バギング、ANN、DNNはいずれも良好な予測性能を示し、DNNが乗車需要予測で最高のR²を達成した。
• 結果から、機械学習モデルが利用可能な人口統計的および時間的データを用いて、オンデマンドトランジットシステムにおける複雑な需要パターンを効果的に捉えることができることが示された。