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

• Urban Mobility Assessment Using LLMs [19.591156495742922]
  本研究は,大規模言語モデル(LLM)を推進し,旅行調査を合成する,革新的なAIベースのアプローチを提案する。 本研究は, 異なるレベルの既存調査データと比較し, 全米各都市圏におけるこのアプローチの有効性について検討した。
  論文  参考訳（メタデータ） (2024-08-22T19:17:33Z)
• Link Representation Learning for Probabilistic Travel Time Estimation [21.092166159353702]
  本稿では,ガウス階層モデルを用いた旅行レベルのリンク旅行時間をモデル化する。 その結果、最先端の決定論的および確率論的ベースラインと比較して優れた性能を示した。 学習したリンク表現はネットワークの物理幾何学とよく一致し、他のアプリケーションに対する入力として適していることがわかった。
  論文  参考訳（メタデータ） (2024-07-08T13:01:53Z)
• Combining data from multiple sources for urban travel mode choice modelling [0.8437187555622164]
  環境に優しいモードに重点を置いて、人々がいつ異なる旅行モードを使うかを予測する必要性が高まっている。 ますます多くのケースにおいて、機械学習手法は、応答性や進行性の特徴が与えられた走行モードの選択を予測するために使われる。 本稿では,データドキュメンテーションジャーニーと,トランスポートオプションを要約するために計算した特徴を組み合わせたデータ融合を行うソフトウェアプラットフォームのアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-15T16:41:53Z)
• Hybrid Ensemble-Based Travel Mode Prediction [0.0]
  旅行モード選択(TMC)予測は、市民が旅行ごとに異なる移動モードを選択する理由を理解するのに役立つ。 行動は時間とともに進化する可能性があるので、データ内の概念の漂流を検出するという問題にも直面する。 これは、潜在的な概念の漂流に対処するために適切な方法を使う必要がある。
  論文  参考訳（メタデータ） (2024-04-22T09:32:38Z)
• 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)
• 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。