EVERYTHING
За даними Nature, розробники представили нову архітектуру Multi-Level Spatial–Temporal Gated Graph Convolutional Network (MLSTGGCN), яка призначена для вирішення проблеми неточності прогнозування попиту в системах велопрокату (BSS). Традиційні моделі часто базуються лише на атрибутах станцій, таких як погода або демографія, що робить їх неефективними у містах із вираженим рельєфом або фрагментованою інфраструктурою. Нова модель вирішує цей виклик шляхом інтеграції двох комплементарних графових структур в єдиний прогнозний контур.
Дворівневий підхід до аналізу міської мобільності
Система MLSTGGCN працює на основі взаємодоповнювальних даних. Перший рівень — станційний граф — фокусується на виявленні часових кореляцій між окремими точками прокату. Другий рівень — маршрутний граф — моделює конкретні шляхи пересування користувачів, збагачуючи їх критичними параметрами середовища. До таких факторів відносяться:
- Ступінь нахилу рельєфу (slope);
- Рівень стресу від дорожнього трафіку (Level of Traffic Stress);
- Використання землі в прилеглих зонах;
- Показники кримінальної небезпеки;
- Наявність спеціалізованої велоінфраструктури.
Така деталізація дозволяє моделі розуміти, чому користувачі обирають саме певні маршрути в умовах складних міських ландшафтів, де звичайні лінійні моделі дають значні похибки.
Тестування на прикладі інфраструктури Pittsburgh
Для перевірки ефективності розробники використали дані системи POGOH у місті Pittsburgh. Це місто є ідеальним тестовим полем завдяки своїй специфічній топографії: крутим пагорбам, річковим долинах та розірваній мережі велосипедних доріжок. Результати тестування показали, що MLSTGGCN значно перевершує сучасні бенчмарки, включаючи моделі на основі механізмів уваги (attention-based) та зашморгані графові мережі.
Використання MLSTGGCN дозволяє операторам систем велопрокату не лише точніше передбачати кількість запитів, а й оптимізувати процеси перерозподілу велосипедів у реальному часі. Це мінімізує час простою сервісу та допомагає визначати стратегічні точки для інвестицій у нову док-інфраструктуру. Крім того, модель стає потужним інструментом для міських планувальників, що прагнуть створювати стійкі системи низьковуглецевої мобільності.
Висновок щодо масштабованості рішення
Розробка MLSTGGCN демонструє перехід від простого аналізу даних до глибокого розуміння контексту міського середовища. Інтеграція маршрутних характеристик у графові нейронні мережі створює масштабований підхід, який можна адаптувати для будь-яких мегаполісів із викликами інфраструктурного планування.