💻 computer science

A Grid-Based Framework for E-Scooter Demand Representation and Temporal Input Design for Deep Learning: Evidence from Austin, Texas

Dit artikel introduceert een reproduceerbaar, op statistiek gebaseerd raamwerk voor het ontwerpen van temporele invoerstructuren in deep learning-modellen voor e-scooter-vraagvoorspelling in Austin, Texas, wat leidt tot aanzienlijk lagere voorspellingsfouten vergeleken met bestaande methoden.

Oorspronkelijke auteurs: Mohammad Sahnoon Merkebe Getachew Demissie, Roberto Souza

Gepubliceerd 2026-03-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mohammad Sahnoon Merkebe Getachew Demissie, Roberto Souza

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een superkrachtige voorspeller bent voor elektrische stepjes in Austin, Texas. Je wilt weten: "Waar staan morgen om 16:00 uur de meeste steps klaar, en waar zijn ze nodig?"

Deze wetenschappelijke paper is als het recept voor die superkracht. De auteurs zeggen: "Veel mensen bouwen goede voorspellers, maar ze vergeten twee cruciale dingen: hoe ze de data in een bruikbaar formaat gieten, en welke geschiedenis ze eigenlijk moeten gebruiken om de toekomst te voorspellen."

Hier is de uitleg in simpele taal, met wat creatieve vergelijkingen:

1. Het Probleem: De "Wazige Foto" en de "Gokke"

Stel je voor dat je een foto wilt maken van het verkeer, maar in plaats van scherpe pixels heb je alleen maar vage vlekken. Dat is wat er vaak gebeurt met data van stepjes: het zijn losse rijtjes (start hier, eindigt daar), maar voor een slimme computer (een 'Deep Learning' model) moet het een strakke foto zijn.

Daarnaast doen veel onderzoekers alsof ze een waarzegger zijn die gewoon "laatste uur" of "vorige dag" raadpleegt. Ze gokken op welke tijden ze moeten kijken. De auteurs van dit paper zeggen: "Nee, we moeten niet gokken. We moeten meten welke tijden echt belangrijk zijn."

2. De Oplossing: De "Pizzadeeg-Methode" (De Data-Verwerking)

De auteurs hebben een proces bedacht om de ruwe data om te toveren in iets dat een computer kan "eten".

Het Net: Ze nemen de stad Austin en leggen er een onzichtbaar raster (een rooster) overheen, alsof ze een gigantisch pizzadeeg uitrollen en er vierkante stukjes van snijden.
De Foto's: Elke keer dat iemand een stepje start of stopt, wordt dat geteld in het juiste vakje van het rooster. Zo ontstaat er elke uur een nieuwe "foto" van de stad, waar de donkere plekken veel vraag tonen en de lichte plekken weinig.
De Filter: Ze gooien alle vakjes weg waar nooit iemand een stepje heeft gebruikt (bijvoorbeeld in het midden van een veld). Dit is als het verwijderen van de korst van de pizza; je wilt alleen kijken naar de plek waar de topping zit.

3. De Kernvraag: "Welke geschiedenis moet ik onthouden?"

Dit is het meest interessante deel. Als je wilt weten hoe het weer morgen wordt, kijk je niet alleen naar de temperatuur van 5 minuten geleden. Je kijkt ook naar de temperatuur van gisteren om dezelfde tijd, en misschien zelfs naar die van vorige week.

De auteurs hebben een slimme manier bedacht om te bepalen welke tijden in het verleden het belangrijkst zijn:

Ze kijken naar de gelijkheid (correlatie): "Lijkt de vraag nu op de vraag van 2 uur geleden? Of op die van gisteren om 16:00 uur?"
Ze kijken naar de fout (error): "Als ik de vraag van 24 uur geleden gebruik, hoe groot is de fout dan?"

Ze hebben ontdekt dat het antwoord een mix is:

Korte termijn: Wat gebeurde er 1, 2 of 3 uur geleden? (De "momentum" van de stad).
Dagcyclus: Wat gebeurde er precies gisteren om deze tijd? (De "routine" van de stad).
Weekcyclus: Wat gebeurde er vorige week op deze dag? (De "weekend-gevoel").

4. Het Experiment: De "Kookwedstrijd"

Om te bewijzen dat hun methode werkt, hebben ze een wedstrijd gehouden met een standaard computermodel (een UNET, wat een soort slimme foto-herkenner is). Ze hebben drie koks (modellen) laten koken:

De Nieuwste Chef: Kijkt alleen naar de laatste 18 uur (de meest recente data).
De Oude Chef: Kijkt alleen naar dezelfde uur van de afgelopen dagen (alleen dagcyclus).
De Slimme Chef (De auteurs): Kijkt naar een slimme mix van recente data, dagcyclus én weekcyclus, precies zoals ze in stap 3 hadden berekend.

5. De Uitslag: De Slimme Chef Wint

Het resultaat was duidelijk:

De Slimme Chef maakte de minste fouten.
Voor het voorspellen van de volgende uur was de mix van recente data + dagcyclus + weekcyclus 37% beter dan de andere methoden.
Voor het voorspellen van de volgende 24 uur was het zelfs 35% beter.

Het bewijst dat als je een computer leert om niet alleen naar het "nu" te kijken, maar ook naar de "routines" van de stad, je veel betere voorspellingen krijgt.

Waarom is dit belangrijk?

Stel je voor dat je een stad wilt beheren met elektrische steps. Als je niet weet waar de steps nodig zijn, staan ze ergens stil (leeg) terwijl ergens anders mensen wachten.

Met deze methode kunnen steden de steps op het juiste moment op de juiste plek zetten.
Het bespaart geld, vermindert files en zorgt dat mensen sneller een stepje vinden.

Kortom: De auteurs hebben een betere manier bedacht om de "taal" van de stad te vertalen naar een computer, en ze hebben bewezen dat je niet alleen naar het verleden van gisteren moet kijken, maar naar een slimme mix van het verleden om de toekomst van je stepjes te voorspellen.

Probleemstelling

Ondanks de snelle vooruitgang in deep learning voor het voorspellen van de vraag naar gedeelde micromobiliteit (zoals e-scooters), blijven er twee kritieke methodologische lacunes bestaan:

Gebrek aan gestructureerde data-pipelines: De transformatie van ruwe reisgegevens naar ruimtelijke vraagoppervlakken gebeurt vaak heuristisch en niet als een reproduceerbaar, formeel raamwerk. Keuzes over aggregatie en omgang met schaarse data worden zelden systematisch onderbouwd.
Suboptimale tijdsinvoer: De historische tijdsinvoer (look-back vensters) voor modellen wordt vaak willekeurig gekozen of empirisch getuned, zonder statistische validatie. Dit leidt mogelijk tot het missen van informatieve periodieke patronen (zoals dag- of weekcycli) of het opnemen van irrelevante data.
Statistische onzekerheid: Veel studies vertrouwen op globale foutmetrieken zonder ruimtelijke masking (wat de prestaties in actieve zones kan verwateren) en zonder formele statistische toetsing om te bepalen of prestatieverbeteringen significant zijn.

Het paper richt zich specifiek op het voorspellen van pick-up en drop-off vraag voor e-scooters in Austin, Texas, met als doel een statistisch onderbouwd raamwerk te ontwikkelen voor het ontwerpen van tijdsinvoerstructuren.

Methodologie

De auteurs presenteren een drieledige aanpak:

1. Grid-based Data Processing Pipeline

Databron: Ruwe reisgegevens van e-scooters in Austin (2019), afkomstig van de open data van de stad.
Filtering: Strikte filtering op voertuigtype, reisduur, afstand, snelheid en geldige Census Tract ID's.
Ruimtelijke discretisatie: Reisbestemmingen (oorspronkelijk op Census Tract-niveau) worden omgezet naar een uniform raster van 240 x 220 vierkante meters. Dit maakt gebruik van de UTM-coördinatenstelsel (Zone 14 North).
Vraagrepresentatie: Reisgegevens worden geaggregeerd tot uurlijkse "afbeeldingen" (images) voor pick-up en drop-off.
Global Binary Activity Mask: Een binair masker wordt gegenereerd om alleen de ruimtelijke cellen te selecteren waar historisch vraag is geweest. Dit voorkomt dat foutmetrieken worden beïnvloed door grote gebieden met nul-vraag, wat essentieel is voor de training en evaluatie van het model.

2. Statistisch Onderbouwd Ontwerp van Tijdsinvoer

Correlatie- en Foutanalyse: In plaats van een vast venster te kiezen, analyseren de auteurs de historische tijdslags ( $\tau$ $τ$ ) op basis van:
- Pearson-correlatie: Om ruimtelijke structuur-lijkenheid te meten.
- Mean Absolute Error (MAE): Om de grootte-afwijking tussen historische en toekomstige vraag te meten.
Ranking: Tijdslags worden gerangschikt op basis van een combinatie van deze metrieken. De top 20 meest informatieve lags worden geselecteerd voor zowel "next-hour" als "next-24-hour" voorspelling.
Ablatie-studie: Er wordt een gecontroleerde ablatiestudie uitgevoerd met een UNET-model (encoder-decoder architectuur). Het aantal invoerkanalen wordt stapsgewijs verminderd om het optimale aantal historische lagen te vinden.
Statistische Validatie: Gebruikmakend van gepaarde niet-parametrische Wilcoxon-signed-rank tests met Holm-correctie (voor multiple testing) wordt bepaald of een vereenvoudigd model statistisch niet-onderlegd (non-inferior) is ten opzichte van het beste model.

3. Experimenteel Setup

Model: Een standaard UNET architectuur zonder complexe wijzigingen, om prestatieverschillen puur toe te schrijven aan het tijdsinvoerontwerp.
Verliesfunctie: Gemaskeerde Mean Squared Error (MSE), berekend alleen over de actieve ruimtelijke cellen.
Datasplitsing: Strikte temporale splitsing (train/validatie/test) met een buffer van 505 uur om data-lekage te voorkomen.

Belangrijkste Bijdragen

Formeel Data-Verwerkingsraamwerk: Een reproduceerbare pipeline die ruwe reisgegevens omzet in gestructureerde, uurlijkse vraag-afbeeldingen op een uniform raster, inclusief een mechanisme voor het maskeren van inactieve gebieden.
Statistisch Geleide Tijdsinvoer: Een nieuwe methode om historische tijdslags te selecteren die gebaseerd is op correlatie en foutanalyse, in plaats van heuristische keuzes.
Statistische Validatie van Architectuurkeuzes: Het toepassen van strikte statistische toetsing (Wilcoxon + Holm) om de optimale diepte van de tijdsinvoer te bepalen en prestatieverbeteringen te valideren, wat zeldzaam is in diep learning studies voor mobiliteit.

Resultaten

De experimenten werden uitgevoerd op twee voorspellingshorizonten: next-hour en next-24-hour.

Optimale Tijdsdiepte:
- Voor next-hour: Een 36-kanalen invoer (18 historische lags voor pick-up en 18 voor drop-off) bleek optimaal.
- Voor next-24-hour: Een 18-kanalen invoer (9 lags per type) bleek voldoende en niet-onderlegd ten opzichte van complexere modellen.
- Observatie: De optimale lags combineren directe recente geschiedenis (bijv. 1-3 uur) met sterke periodieke patronen (24 uur, 168 uur voor een week, 336 uur, etc.).
Vergelijking met Baselines:
De voorgestelde methode werd vergeleken met twee baselines:
1. Recent Adjacent History: Alleen de meest recente opeenvolgende uren.
2. Fixed-Period History: Alleen vaste periodieke intervallen (bijv. hetzelfde uur de vorige dag).
Prestaties (Next-Hour):
- De voorgestelde methode verlaagde de MSE met 37% en de MAE met 12% ten opzichte van de beste baseline.
- De $R^2$ steeg van 0.55/0.57 (baselines) naar 0.78.
Prestaties (Next-24-hour):
- De voorgestelde methode verlaagde de MSE met 35% ten opzichte van de "recent adjacent" baseline.
- Interessant genoeg presteerde de "fixed-period" baseline beter dan de "recent adjacent" baseline op deze lange horizon, wat aangeeft dat dagelijkse periodiciteit cruciaal is voor langetermijnvoorspelling.
Statistische Significantie:
Alle verbeteringen van de voorgestelde methode ten opzichte van de baselines waren statistisch significant (Holm-correcte p-waarden < 0.05).

Betekenis en Conclusie

Dit paper demonstreert dat het zorgvuldig ontwerpen van de tijdsinvoer (temporal input design) een fundamentele factor is voor de prestaties van deep learning-modellen in de micromobiliteit, zelfs als de modelarchitectuur (UNET) constant blijft.

Praktische Implicatie: Voor operationeel beheer (rebalancing) is het essentieel om zowel korte-termijn persistentie als dag- en weekcycli in de invoer op te nemen.
Methodologische Vooruitgang: Het paper stelt een nieuwe standaard voor door statistische validatie te integreren in het proces van dataverwerking en modelselectie, in plaats van te vertrouwen op "trial-and-error" of heuristieken.
Toekomstperspectief: Hoewel het raamwerk succesvol is, wijzen de auteurs erop dat toekomstig werk exogene factoren (weer, evenementen) moet integreren en de methodologie moet testen op andere steden om generaliseerbaarheid te bewijzen.

Kortom, het paper levert een bewezen, reproduceerbaar en statistisch onderbouwd raamwerk dat de voorspellende nauwkeurigheid voor e-scooter vraag aanzienlijk verbetert door de juiste historische context te selecteren.