論文の概要: A Data-Driven Travel Mode Share Estimation Framework based on Mobile
Device Location Data
- arxiv url: http://arxiv.org/abs/2006.10036v4
- Date: Wed, 17 Feb 2021 16:04:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-13 15:49:27.746048
- Title: A Data-Driven Travel Mode Share Estimation Framework based on Mobile
Device Location Data
- Title(参考訳): モバイルデバイスの位置データに基づくデータ駆動トラベルモード共有推定フレームワーク
- Authors: Mofeng Yang, Yixuan Pan, Aref Darzi, Sepehr Ghader, Chenfeng Xiong and
Lei Zhang
- Abstract要約: 本稿では,MDLDが集計レベルにおける移動モード共有を推定する能力について検討する。
MDLDから旅行行動情報を抽出するためのデータ駆動型フレームワークを提案する。
提案フレームワークは2つの大規模MDLDデータセットに適用される。
- 参考スコア(独自算出の注目度): 5.767204062337505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile device location data (MDLD) contains abundant travel behavior
information to support travel demand analysis. Compared to traditional travel
surveys, MDLD has larger spatiotemporal coverage of population and its
mobility. However, ground truth information such as trip origins and
destinations, travel modes, and trip purposes are not included by default. Such
important attributes must be imputed to maximize the usefulness of the data.
This paper tends to study the capability of MDLD on estimating travel mode
share at aggregated levels. A data-driven framework is proposed to extract
travel behavior information from the MDLD. The proposed framework first
identifies trip ends with a modified Spatiotemporal Density-based Spatial
Clustering of Applications with Noise (ST-DBSCAN) algorithm. Then three types
of features are extracted for each trip to impute travel modes using machine
learning models. A labeled MDLD dataset with ground truth information is used
to train the proposed models, resulting in 95% accuracy in identifying trip
ends and 93% accuracy in imputing five travel modes (drive, rail, bus, bike and
walk) with a Random Forest (RF) classifier. The proposed framework is then
applied to two large-scale MDLD datasets, covering the Baltimore-Washington
metropolitan area and the United States, respectively. The estimated trip
distance, trip time, trip rate distribution, and travel mode share are compared
against travel surveys at different geographies. The results suggest that the
proposed framework can be readily applied in different states and metropolitan
regions with low cost in order to study multimodal travel demand, understand
mobility trends, and support decision making.
- Abstract(参考訳): 移動体位置情報(MDLD)は、旅行需要分析を支援するための豊富な旅行行動情報を含む。
従来の旅行調査と比較すると、MDLDは人口の時空間被覆率と移動率が大きい。
しかし、旅行の起源や目的地、旅行モード、旅行目的などの真理情報はデフォルトでは含まれていない。
このような重要な属性は、データの有用性を最大化するためにインプットされなければならない。
本稿では,MDLDが旅行モードの共有度を推定する能力について検討する。
MDLDから旅行行動情報を抽出するためのデータ駆動型フレームワークを提案する。
提案フレームワークはまず,時空間密度に基づくSpatial Clustering of Applications (ST-DBSCAN)アルゴリズムを用いてトリップエンドを識別する。
次に、機械学習モデルを用いて、各旅行毎に3種類の特徴を抽出する。
提案したモデルのトレーニングにはMDLDのラベル付きデータセットを使用しており、結果として旅行終了の95%の精度と5つの移動モード(ドライブ、レール、バス、自転車、歩行)をランダムフォレスト(RF)分類器で計算する93%の精度が得られる。
提案したフレームワークは、ボルチモア・ワシントン大都市圏とアメリカ合衆国をカバーする2つの大規模MDLDデータセットに適用される。
旅行距離,旅行時間,旅行率分布および旅行モードの比率を,異なる地域における旅行調査と比較した。
提案手法は,多変量移動需要の調査,移動傾向の把握,意思決定支援等のために,低コストで,異なる州や大都市に容易に適用できることが示唆された。
関連論文リスト
- Large-scale Ridesharing DARP Instances Based on Real Travel Demand [0.0]
最先端のDARPソリューションのベンチマークは、小さな人工インスタンスや時代遅れの非パブリックインスタンスに限られている。
我々は,実世界のデータに基づく大規模需要インスタンスを包括的に作成する手法を開発した。
その結果,全測定値の面積に有意な差が認められた。
論文 参考訳(メタデータ) (2023-05-30T08:51:11Z) - A Big-Data Driven Framework to Estimating Vehicle Volume based on Mobile
Device Location Data [0.40631409309544836]
車両の体積は、交通信号の制御、交通計画の優先順位付け、道路整備などの基礎となる重要な指標となっている。
従来の車両の体積を定量化する方法は、限られた場所における手動計数、ビデオカメラ、ループ検出器に頼っている。
本稿では, 大規模な地理的領域において, テラバイト単位のデバイス位置情報を取り込み, 車両の体積を推定できる, 大規模データ駆動型フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-20T16:23:17Z) - IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。
インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。
我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
論文 参考訳(メタデータ) (2022-10-23T23:03:17Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳(メタデータ) (2022-07-14T10:04:18Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳(メタデータ) (2021-08-02T08:13:57Z) - End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。
我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。
北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2021-01-17T14:16:12Z) - A Data-Driven Analytical Framework of Estimating Multimodal Travel
Demand Patterns using Mobile Device Location Data [5.902556437760098]
本稿では,スマートフォンの位置データからマルチモーダル旅行需要パターンを抽出するデータ駆動分析フレームワークを提案する。
トラベルモードインプテーションのための訓練された単層モデルとディープニューラルネットワークを開発した。
この枠組みは、近隣の鉄道、地下鉄、高速道路、バス路線への交通ルートの近接性を評価するためにマルチモーダル交通網も組み込んでいる。
論文 参考訳(メタデータ) (2020-12-08T22:49:44Z) - DMD: A Large-Scale Multi-Modal Driver Monitoring Dataset for Attention
and Alertness Analysis [54.198237164152786]
視覚は運転監視システム(DMS)の最も豊かで費用対効果の高い技術である
十分に大規模で包括的なデータセットの欠如は、DMS開発の進展のボトルネックとなっている。
本稿では,実運転シナリオとシミュレーション運転シナリオを含む広範囲なデータセットであるドライバモニタリングデータセット(DMD)を紹介する。
論文 参考訳(メタデータ) (2020-08-27T12:33:54Z) - TTDM: A Travel Time Difference Model for Next Location Prediction [14.93730951083916]
次の位置予測は、多くの位置情報ベースのアプリケーションにとって非常に重要であり、ビジネスや政府に不可欠なインテリジェンスを提供する。
既存の研究では、次の位置予測に対する一般的なアプローチは、条件付き確率に基づいて、巨大な歴史的軌跡を持つ連続的な遷移を学習することである。
本稿では,最短走行時間と実走行時間との差を利用して次の位置を推定する旅行時間差モデル(TTDM)を提案する。
論文 参考訳(メタデータ) (2020-03-16T05:16:43Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳(メタデータ) (2020-01-06T13:37:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。