Hierarchical Bayesian Spatio-Temporal Model for Sensor-Based Bike Count Data
Accurate estimation of Average Annual Daily Bicyclists (AADB) from sensor-based bike count data is crucial for sustainable transportation. While incorporating factors such as weather and special events can improve predictions, the data present challenges requiring a hierarchical modeling approach. These include non-stationarity due to seasonal cycles, variations in land use, differing monitoring frequencies, and missing values from equipment malfunctions.
We proposed a dynamic generalized dynamic linear model (ST-DGLM) that accounts for fixed effects, dynamic temporal effects, and spatio-temporal random effects, allowing for flexible, interpretable analysis. We use a hybrid MCMC method for inference and apply sparse approximations to precision matrices.
We show that ST-DGLM outperforms existing methods in predictive accuracy while enabling missing value imputation and robust AADB estimates using a dataset from Eco-Counter and simulations.
We proposed a dynamic generalized dynamic linear model (ST-DGLM) that accounts for fixed effects, dynamic temporal effects, and spatio-temporal random effects, allowing for flexible, interpretable analysis. We use a hybrid MCMC method for inference and apply sparse approximations to precision matrices.
We show that ST-DGLM outperforms existing methods in predictive accuracy while enabling missing value imputation and robust AADB estimates using a dataset from Eco-Counter and simulations.
Modèle hiérarchique bayésien spatio-temporel pour les données de comptage de vélos basées sur des capteurs
L'estimation précise de la moyenne annuelle des cyclistes par jour (MACJ) à partir de données de comptage de vélos basées sur des capteurs est cruciale pour le transport durable. Bien que l'intégration de facteurs tels que les conditions météorologiques et les événements spéciaux puisse améliorer les prévisions, les données présentent des défis qui nécessitent une approche de modélisation hiérarchique. Il s'agit notamment de la non-stationnarité due aux cycles saisonniers, des variations dans l'utilisation des sols, des différentes fréquences de surveillance et des valeurs manquantes dues aux dysfonctionnements de l'équipement.
Nous avons proposé un modèle linéaire dynamique généralisé (ST-DGLM) qui tient compte des effets fixes, des effets temporels dynamiques et des effets aléatoires spatio-temporels, ce qui permet une analyse souple et interprétable. Nous utilisons une méthode MCMC hybride pour l'inférence et appliquons des approximations rendant la matrice de précision creuse.
Nous montrons que ST-DGLM surpasse les méthodes existantes en termes de précision prédictive, tout en permettant l'imputation des valeurs manquantes et des estimations robustes de la MACJ, à l'aide d'un ensemble de données provenant d'Eco-Counter et de simulations.
Nous avons proposé un modèle linéaire dynamique généralisé (ST-DGLM) qui tient compte des effets fixes, des effets temporels dynamiques et des effets aléatoires spatio-temporels, ce qui permet une analyse souple et interprétable. Nous utilisons une méthode MCMC hybride pour l'inférence et appliquons des approximations rendant la matrice de précision creuse.
Nous montrons que ST-DGLM surpasse les méthodes existantes en termes de précision prédictive, tout en permettant l'imputation des valeurs manquantes et des estimations robustes de la MACJ, à l'aide d'un ensemble de données provenant d'Eco-Counter et de simulations.
Session
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English