論文の概要: What's Your Value of Travel Time? Collecting Traveler-Centered Mobility Data via Crowdsourcing

• arxiv url: http://arxiv.org/abs/2104.05809v1
• Date: Mon, 12 Apr 2021 20:48:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 01:33:58.280792
• Title: What's Your Value of Travel Time? Collecting Traveler-Centered Mobility Data via Crowdsourcing
• Title（参考訳）: 旅行時間に何の価値がありますか。 クラウドソーシングによる旅行者中心の移動データ収集
• Authors: Cristian Consonni, Silvia Basile, Matteo Manca, Ludovico Boratto, Andr\'e Freitas, Tatiana Kovacikova, Ghadir Pourhashem, Yannick Cornet
• Abstract要約: 旅行者が他の活動に旅行時間を使うことのできる、価値ある時間の異なるパラダイムを構築します。 専用モバイルアプリから収集した旅行者とその旅行に関するデータを含む新しいデータセットを提案する。
• 参考スコア（独自算出の注目度）: 4.297843164736973
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Mobility and transport, by their nature, involve crowds and require the coordination of multiple stakeholders - such as policy-makers, planners, transport operators, and the travelers themselves. However, traditional approaches have been focused on time savings, proposing to users solutions that include the shortest or fastest paths. We argue that this approach towards travel time value is not centered on a traveler's perspective. To date, very few works have mined data from crowds of travelers to test the efficacy and efficiency of novel mobility paradigms. In this paper, we build upon a different paradigm of worthwhile time in which travelers can use their travel time for other activities; we present a new dataset, which contains data about travelers and their journeys, collected from a dedicated mobile application. Each trip contains multi-faceted information: from the transport mode, through its evaluation, to the positive and negative experience factors. To showcase this new dataset's potential, we also present a use case, which compares corresponding trip legs with different transport modes, studying experience factors that negatively impact users using cycling and public transport as alternatives to cars. We conclude by discussing other application domains and research opportunities enabled by the dataset.
• Abstract（参考訳）: モビリティと輸送は、その性質上、群衆を巻き込み、政策立案者、プランナー、輸送業者、旅行者自身のように、複数の利害関係者の調整を必要とする。 しかしながら、従来のアプローチでは時間の節約に重点を置いており、最短あるいは最速のパスを含むユーザソリューションを提案する。 旅行時間価値に対するこのアプローチは、旅行者の視点に基づくものではないと論じている。 これまで、新しいモビリティパラダイムの有効性と効率をテストするために、旅行者の群集からデータを発掘した研究はほとんどない。 本稿では,旅行者が他の活動に旅行時間を利用することのできる,価値ある時間の異なるパラダイムを構築し,旅行者とその旅行に関するデータを含む,専用のモバイルアプリケーションから収集した新しいデータセットを提案する。 各トリップには、トランスポートモードから評価、肯定的および否定的な体験要素まで、多面的な情報が含まれている。 この新しいデータセットの可能性を示すために、私たちは、対応するトリップ脚と異なるトランスポートモードを比較し、サイクリングと公共交通を車に代わるものとして使用してユーザに影響を与える経験的要因を研究するユースケースも提示します。 最後に、他のアプリケーションドメインとデータセットによって実現される研究の機会について論じる。

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)
• 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)
• Wireless Crowd Detection for Smart Overtourism Mitigation [50.031356998422815]
  この章では、モバイルデバイスのワイヤレスアクティビティに基づいたオーバツーリズムを監視するための、低コストなアプローチについて説明する。 群集センサは、無線技術のトレース要素を検出することで、周囲のモバイルデバイスの数をカウントする。 いくつかの技術で検出プログラムを実行し、指紋解析の結果は匿名データベースにのみローカルに保存される。
  論文  参考訳（メタデータ） (2024-02-14T13:20:24Z)
• On Inferring User Socioeconomic Status with Mobility Records [61.0966646857356]
  本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。 DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。 実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
  論文  参考訳（メタデータ） (2022-11-15T15:07:45Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Impact of Autonomous Vehicle Technology on Long Distance Travel Behavior [0.0]
  本研究では、長距離走行における自動運転車の影響を予測するための旅行調査について分析した。 観光旅行にAVを使用すると、旅行者の数が増加し、より長い距離を選ぶよう促すことができる。 ビジネス旅行では、AV技術は旅行コストと仕事関連のストレスを減らすことができる。
  論文  参考訳（メタデータ） (2021-01-13T03:53:30Z)
• 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)
• Studying Person-Specific Pointing and Gaze Behavior for Multimodal Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
  物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。 既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。 本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
  論文  参考訳（メタデータ） (2020-09-23T14:56:19Z)
• 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)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• K-Prototype Segmentation Analysis on Large-scale Ridesourcing Trip Data [0.0]
  本研究は、シカゴの公共配車データのシティアルゴリズムを用いて、モビリティの出現パターンについて検討する。 目的は、配車サービスのパトロンの体系的なバリエーションを調べることである。 悪天候条件に関する重要な相違点から,6種類の配車プロトタイプを同定し,検討した。
  論文  参考訳（メタデータ） (2020-06-24T17:53:26Z)

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。