Nieuwe methode voorspelt deelmobiliteit via taalmodellen
Onderzoekers combineren taalmodellen met ruimtelijke en temporele data om de vraag naar deelfietsen nauwkeuriger te voorspellen. Hierdoor kunnen externe factoren zoals evenementen beter worden meegenomen in de analyses.
Het voorspellen van de vraag naar deelfietsen is lastig doordat reispatronen voortdurend veranderen en onvoorziene gebeurtenissen roet in het eten kunnen gooien. Traditionele systemen leunen vooral op historische cijfers en vaste netwerken, waardoor ze moeite hebben met onverwachte verstoringen. Een nieuwe aanpak maakt gebruik van taalmodellen om vrije tekst over stedelijke gebeurtenissen om te zetten in bruikbare informatie voor de voorspellingsmodellen.
De rol van taalmodellen bij stedelijke mobiliteit
Het koppelen van ongestructureerde tekst aan numerieke datastromen is een brede trend binnen data-analyse en machine learning. Waar traditionele systemen vaak blind zijn voor de context van maatschappelijke evenementen of verstoringen, bieden taalmodellen een manier om deze kwalitatieve informatie te vertalen naar kwantitatieve inzichten. Dit soort technogenese helpt bij het optimaliseren van logistieke processen in drukke stedelijke omgevingen.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel