論文の概要: Feel Old Yet? Updating Mode of Transportation Distributions from Travel
Surveys using Data Fusion with Mobile Phone Data
- arxiv url: http://arxiv.org/abs/2204.09482v3
- Date: Tue, 30 May 2023 22:09:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 04:38:05.243246
- Title: Feel Old Yet? Updating Mode of Transportation Distributions from Travel
Surveys using Data Fusion with Mobile Phone Data
- Title（参考訳）: まだ古い?
携帯電話データを用いたデータ融合による旅行調査からの交通分布の更新
- Authors: Eduardo Graells-Garrido, Daniela Opitz, Francisco Rowe, Jacqueline
Arriagada
- Abstract要約: 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。
- 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: Up-to-date information on different modes of travel to monitor transport
traffic and evaluate rapid urban transport planning interventions is often
lacking. Transport systems typically rely on traditional data sources providing
outdated mode-of-travel data due to their data latency, infrequent data
collection and high cost. To address this issue, we propose a method that
leverages mobile phone data as a cost-effective and rich source of geospatial
information to capture current human mobility patterns at unprecedented
spatiotemporal resolution. Our approach employs mobile phone application usage
traces to infer modes of transportation that are challenging to identify (bikes
and ride-hailing/taxi services) based on mobile phone location data. Using data
fusion and matrix factorization techniques, we integrate official data sources
(household surveys and census data) with mobile phone application usage data.
This integration enables us to reconstruct the official data and create an
updated dataset that incorporates insights from digital footprint data from
application usage. We illustrate our method using a case study focused on
Santiago, Chile successfully inferring four modes of transportation:
mass-transit, motorised, active, and taxi. Our analysis revealed significant
changes in transportation patterns between 2012 and 2020. We quantify a
reduction in mass-transit usage across municipalities in Santiago, except where
metro/rail lines have been more recently introduced, highlighting added
resilience to the public transport network of these infrastructure
enhancements. Additionally, we evidence an overall increase in motorised
transport throughout Santiago, revealing persistent challenges in promoting
urban sustainable transportation. We validate our findings comparing our
updated estimates with official smart card transaction data.
- Abstract（参考訳）: 交通状況の監視や都市交通計画の迅速な介入を評価するための様々な移動モードに関する最新の情報はしばしば不足している。
トランスポートシステムは、通常、データレイテンシ、頻繁なデータ収集、高コストのために、時代遅れのデータを提供する従来のデータソースに依存します。
この問題に対処するために,携帯電話データを低コストで豊富な地理空間情報源として活用し,従来の時空間分解能で現在の人間の移動パターンを捉える手法を提案する。
提案手法では、携帯電話の位置情報データに基づいて、自転車や配車サービス(タクシー)の識別が困難な交通手段を推測するために、携帯電話のアプリケーション利用トレースを用いる。
データ融合と行列分解技術を用いて,携帯電話アプリケーション利用データと公式データソース(住宅調査と国勢調査データ)を統合する。
この統合により、公式データを再構築し、アプリケーション使用時のデジタルフットプリントデータからの洞察を組み込んだ更新データセットを作成することができます。
本手法は,チリのサンティアゴを事例として,大量輸送,自動車化,アクティブ,タクシーの4つの交通手段を推算した。
分析の結果,2012年から2020年の間に交通パターンが大きく変化した。
我々は,最近導入されたメトロ・レール線を除き,サンティアゴの自治体間での大量輸送量の減少を定量化し,これらのインフラ強化の公共交通網へのレジリエンスを強調する。
さらに,サンティアゴ全域における自動車輸送の全体的な増加を実証し,都市における持続的交通の促進における課題を明らかにした。
我々は、最新の見積と公式のスマートカードトランザクションデータを比較した結果を検証する。
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。