論文の概要: A Generalisable Data Fusion Framework to Infer Mode of Transport Using Mobile Phone Data

• arxiv url: http://arxiv.org/abs/2204.09482v1
• Date: Wed, 20 Apr 2022 14:27:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 16:21:27.117842
• Title: A Generalisable Data Fusion Framework to Infer Mode of Transport Using Mobile Phone Data
• Title（参考訳）: 携帯電話データを用いた移動モード推定のための汎用データ融合フレームワーク
• Authors: Eduardo Graells-Garrido, Daniela Opitz, Francisco Rowe
• Abstract要約: 本稿では,自転車や配車サービス,タクシーなど,これまで検出が困難であった交通手段を推定するために,携帯電話アプリケーションの新しい利用法を用いて,都市における交通手段の更新モードを推定する方法を提案する。 本手法をサンティアゴ(チリ)のケーススタディで検証したところ,2012年から2020年にかけての輸送形態の変化は,大量輸送を代替する配車旅行など,ドメイン知識や文献からの期待と一致していることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cities often lack up-to-date data analytics to evaluate and implement transport planning interventions to achieve sustainability goals, as traditional data sources are expensive, infrequent, and suffer from data latency. Mobile phone data provide an inexpensive source of geospatial information to capture human mobility at unprecedented geographic and temporal granularity. This paper proposes a method to estimate updated mode of transportation usage in a city, with novel usage of mobile phone application traces to infer previously hard to detect modes, such as bikes and ride-hailing/taxi. By using data fusion and matrix factorisation, we integrate socioeconomic and demographic attributes of the local resident population into the model. We tested the method in a case study of Santiago (Chile), and found that changes from 2012 to 2020 in mode of transportation inferred by the method are coherent with expectations from domain knowledge and the literature, such as ride-hailing trips replacing mass transport.
• Abstract（参考訳）: 従来のデータソースは高価で頻度が低く、データ遅延に苦しむため、持続可能性目標を達成するための輸送計画の介入を評価し、実装するために、都市には最新のデータ分析が欠如していることが多い。 携帯電話のデータは、前例のない地理的および時間的粒度で人間の移動を捉えるための、安価な地理空間情報の源を提供する。 本稿では,自転車や配車サービス,タクシーなど,これまで検出が困難であった交通手段を推定するために,携帯電話アプリケーションを用いた新たな利用法を提案する。 データ融合と行列分解を用いて、地域住民の社会経済特性と人口統計特性をモデルに統合する。 本手法をサンティアゴ(チリ)のケーススタディで検証したところ,2012年から2020年にかけての輸送形態の変化は,大量輸送を代替する配車旅行など,ドメイン知識や文献からの期待と一致していることがわかった。

関連論文リスト

• COLA: Cross-city Mobility Transformer for Human Trajectory Simulation [44.157114416533915]
  モデル非依存転送フレームワークを用いた都市間mObiLity trAnsformer (COLA) を開発した。 COLAはトランスフォーマーを、都市固有の特性のためのプライベートモジュールと、都市・ユニバーサルモビリティパターンのための共有モジュールに分割する。 実装された都市間ベースラインは,その優位性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-04T07:45:29Z)
• On Designing Day Ahead and Same Day Ridership Level Prediction Models for City-Scale Transit Networks Using Noisy APC Data [0.0]
  本稿では,複数のソースからのデータの収集,クリーン化,処理,マージを併用して,トランジットライダーシップの予測に機械学習モデルをトレーニングする手法を提案する。 ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2022-10-10T19:50:59Z)
• 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)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)
• 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)
• 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)
• Polestar: An Intelligent, Efficient and National-Wide Public Transportation Routing Engine [43.09401975244128]
  Polestarは、インテリジェントで効率的な公共交通機関ルーティングのためのデータ駆動型エンジンである。 具体的には,交通費の異なる公共交通機関をモデル化するための新しい公共交通グラフ(PTG)を提案する。 次に、効率的な経路候補生成のための効率的な局結合法と組み合わせた一般経路探索アルゴリズムを提案する。 2つの実世界のデータセットの実験は、効率性と有効性の両方の観点からPoestarの利点を実証している。
  論文  参考訳（メタデータ） (2020-07-11T05:14:52Z)
• Directional Primitives for Uncertainty-Aware Motion Estimation in Urban Environments [46.080970595942645]
  本稿では,道路網の先行情報を表す指向性プリミティブの概念を紹介する。 カルラシミュレーターにおけるハイウェイ、交差点、ラウンドアバウトの実験は、実際の都市運転データセットと同様に、プリミティブがより不確実性を考慮した運動推定に繋がることを示している。
  論文  参考訳（メタデータ） (2020-07-01T00:22:31Z)
• Smart Urban Mobility: When Mobility Systems Meet Smart Data [55.456196356335745]
  都市人口は都市部で約25億人に達し、道路交通量は2050年までに12億台を超えた。 輸送部門の経済貢献は欧州のGDPの5%を占め、アメリカでは平均482.05億ドルの費用がかかる。
  論文  参考訳（メタデータ） (2020-05-09T13:53:01Z)
• A Supervised Machine Learning Model For Imputing Missing Boarding Stops In Smart Card Data [0.0]
  そこで本研究では,通常の分類に基づいて,搭乗停止を指示する教師あり機械学習手法を開発した。 その結果は、イスラエルのBeer Sheva市で行われたケーススタディに基づいており、1ヶ月のスマートカードデータで構成されている。
  論文  参考訳（メタデータ） (2020-03-10T12:07:39Z)

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。