論文の概要: A Data-Driven Analytical Framework of Estimating Multimodal Travel
Demand Patterns using Mobile Device Location Data
- arxiv url: http://arxiv.org/abs/2012.04776v1
- Date: Tue, 8 Dec 2020 22:49:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 22:44:59.855326
- Title: A Data-Driven Analytical Framework of Estimating Multimodal Travel
Demand Patterns using Mobile Device Location Data
- Title（参考訳）: モバイルデバイスの位置データを用いたマルチモーダル移動需要パターン推定のためのデータ駆動分析フレームワーク
- Authors: Chenfeng Xiong, Aref Darzi, Yixuan Pan, Sepehr Ghader, Lei Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.902556437760098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While benefiting people's daily life in so many ways, smartphones and their
location-based services are generating massive mobile device location data that
has great potential to help us understand travel demand patterns and make
transportation planning for the future. While recent studies have analyzed
human travel behavior using such new data sources, limited research has been
done to extract multimodal travel demand patterns out of them. This paper
presents a data-driven analytical framework to bridge the gap. To be able to
successfully detect travel modes using the passively collected location
information, we conduct a smartphone-based GPS survey to collect ground truth
observations. Then a jointly trained single-layer model and deep neural network
for travel mode imputation is developed. Being "wide" and "deep" at the same
time, this model combines the advantages of both types of models. The framework
also incorporates the multimodal transportation network in order to evaluate
the closeness of trip routes to the nearby rail, metro, highway and bus lines
and therefore enhance the imputation accuracy. To showcase the applications of
the introduced framework in answering real-world planning needs, a separate
mobile device location data is processed through trip end identification and
attribute generation, in a way that the travel mode imputation can be directly
applied. The estimated multimodal travel demand patterns are then validated
against typical household travel surveys in the same Washington D.C. and
Baltimore Metropolitan Regions.
- Abstract（参考訳）: 人々の日常生活に多くのメリットをもたらす一方で、スマートフォンとその位置情報ベースのサービスは、移動需要のパターンを理解し、将来の交通計画を作成する上で大きな可能性を秘めている巨大なモバイルデバイスの位置データを生み出しています。
近年の研究では、このような新しいデータソースを用いた人間の旅行行動の分析が行われているが、そこからマルチモーダルな旅行需要パターンを抽出するための限定的な研究がなされている。
本稿では,このギャップを埋めるデータ駆動分析フレームワークを提案する。
受動的に収集した位置情報を用いて移動モードの検知に成功するために,スマートフォンによるGPS調査を行い,地中真実の観測を行った。
次に,旅行モード計算のための一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。
ワイド"と"ディープ"を同時に持つこのモデルは、両方のタイプのモデルの利点を組み合わせたものだ。
この枠組みはまた、近隣の鉄道、地下鉄、高速道路、バス路線への交通経路の近接性を評価するためにマルチモーダル交通網を組み込んでおり、インプテーションの精度を高めている。
現実の計画ニーズに対応するために導入されたフレームワークの応用例を示すために、旅行モードインプテーションを直接適用できる方法で、トリップエンド識別と属性生成を通じて、別々のモバイルデバイスの位置データを処理する。
推定されるマルチモーダル旅行需要パターンは、ワシントンD.C.とボルチモア都市圏の典型的な家庭旅行調査に対して検証される。
関連論文リスト
- Foundations and Recent Trends in Multimodal Mobile Agents: A Survey [57.677161006710065]
モバイルエージェントは、複雑で動的なモバイル環境におけるタスクの自動化に不可欠である。
近年の進歩により、リアルタイム適応性とマルチモーダルインタラクションが向上している。
これらの進歩は、プロンプトベースの方法とトレーニングベースの方法の2つの主要なアプローチに分類する。
論文 参考訳（メタデータ） (2024-11-04T11:50:58Z) - 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) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - A sequential transit network design algorithm with optimal learning
under correlated beliefs [4.8951183832371]
本研究では, 逐次的トランジットネットワーク設計と最適学習を組み合わせた人工知能駆動型アルゴリズムを提案する。
オペレータは、設計されたルートと実際の旅行需要との整合性からリスクを回避するために、徐々に経路システムを拡大する。
バリデーションのために、ニューヨーク市の公共利用マイクロデータエリアに基づく人工ネットワーク上に、新しいルートシステムを設計する。
論文 参考訳（メタデータ） (2023-05-16T14:14:51Z) - 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) - Feel Old Yet? Updating Mode of Transportation Distributions from Travel
Surveys using Data Fusion with Mobile Phone Data [0.0]
交通システムは典型的には従来のデータソースに依存し、時代遅れのトラベラーデータを提供する。
本研究では,携帯電話データを地理空間情報のコスト効率の高いリッチな情報源として活用する手法を提案する。
チリのサンティアゴでは,2012年から2020年の間に交通パターンが大きく変化した。
論文 参考訳（メタデータ） (2022-04-20T14:27:58Z) - 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) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z) - A Data-Driven Travel Mode Share Estimation Framework based on Mobile
Device Location Data [5.767204062337505]
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。
論文 参考訳（メタデータ） (2020-06-17T17:57:31Z)
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。