Міжміське трансферне навчання для планування парковок електросамокатів

Електросамокати стали популярним видом міського транспорту, пропонуючи гнучкі та зручні варіанти пересування. Однак їх швидке поширення призвело до проблем з неорганізованим паркуванням, створюючи виклики для міського управління. Міста, які тільки впроваджують послуги електросамокатів, стикаються з дилемою: наукове планування паркувальних станцій традиційно вимагає значного збору місцевих даних, що є трудомістким і дорогим.

Інноваційний фреймворк для планування

Для вирішення цієї проблеми дослідницька група з Шанхайського університету та Університету Цінхуа розробила фреймворк міжміського трансферного навчання. Цей фреймворк дозволяє новим містам планувати інфраструктуру паркування електросамокатів, використовуючи операційний досвід з уже існуючих ринків. Це значно зменшує залежність від дорогого збору місцевих даних.

Методологія та дані

Фреймворк використовує дані про спільні електросамокати з 25 європейських міст. Додатково залучаються багатоджерельні відкриті дані, зокрема точки інтересу (POI) з OpenStreetMap та дані про розподіл населення. Кожне місто дискретизується на гексагональні сітки за допомогою бібліотеки H3 від Uber, а потім створюються багаті вектори просторових ознак, що включають моделювання впливу сусідства.

Визначення схожості міст

Ключовою інновацією роботи є багатовимірна стратегія зіставлення схожості міст. Замість того, щоб покладатися на один фактор, такий як географічна близькість, фреймворк оцінює схожість між містами за трьома вимірами: соціально-економічні характеристики, особливості розподілу POI та особливості просторової структури. Завдяки оптимізації методом сіткового пошуку дослідники визначили, що схожість просторової структури має найбільшу вагу в ефективній передачі знань, за нею йде економічно-демографічна схожість.

Ключові результати та ефективність

Емпіричні результати показують, що економічна схожість відіграє вирішальну роль у продуктивності трансферного навчання. Група міст з надвисоким доходом досягла найвищого середнього F1-показника 0.801, тоді як Центральноєвропейська географічна група також продемонструвала високу трансферність із середнім F1-показником 0.75. Зокрема, стратегія зіставлення TOP-3 схожих міст перевершила звичайні методи групування, засновані лише на географії, населенні чи економіці, демонструючи вищу стабільність та узагальнення в різних міських контекстах. Дослідження також виявило, що розширення джерел даних за межі трьох найбільш схожих міст фактично знижувало точність прогнозу, що вказує на те, що точне зіставлення схожості є ефективнішим, ніж просте накопичення більшої кількості вихідних даних.

Практичне застосування

Фреймворк надає міським планувальникам та операторам спільної мобільності практичний, керований даними інструмент для ефективного розгортання інфраструктури паркування електросамокатів на нових ринках.