論文の概要: Combining data from multiple sources for urban travel mode choice modelling
- arxiv url: http://arxiv.org/abs/2407.12137v1
- Date: Wed, 15 May 2024 16:41:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 09:07:34.041878
- Title: Combining data from multiple sources for urban travel mode choice modelling
- Title（参考訳）: 都市旅行モード選択モデルのための複数の情報源からのデータの組み合わせ
- Authors: Maciej Grzenda, Marcin Luckner, Jakub Zawieska, Przemysław Wrona,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.8437187555622164
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Demand for sustainable mobility is particularly high in urban areas. Hence, there is a growing need to predict when people will decide to use different travel modes with an emphasis on environmentally friendly travel modes. As travel mode choice (TMC) is influenced by multiple factors, in a growing number of cases machine learning methods are used to predict travel mode choices given respondent and journey features. Typically, travel diaries are used to provide core relevant data. However, other features such as attributes of mode alternatives including, but not limited to travel times, and, in the case of public transport (PT), also walking distances have a major impact on whether a person decides to use a travel mode of interest. Hence, in this work, we propose an architecture of a software platform performing the data fusion combining data documenting journeys with the features calculated to summarise transport options available for these journeys, built environment and environmental factors such as weather conditions possibly influencing travel mode decisions. Furthermore, we propose various novel features, many of which we show to be among the most important for TMC prediction. We propose how stream processing engines and other Big Data systems can be used for their calculation. The data processed by the platform is used to develop machine learning models predicting travel mode choices. To validate the platform, we propose ablation studies investigating the importance of individual feature subsets calculated by it and their impact on the TMC models built with them. In our experiments, we combine survey data, GPS traces, weather and pollution time series, transport model data, and spatial data of the built environment. The growth in the accuracy of TMC models built with the additional features is up to 18.2% compared to the use of core survey data only.
- Abstract（参考訳）: 持続可能なモビリティの需要は特に都市部で高い。
そのため、環境に優しい旅行モードに重点を置き、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。
旅行モード選択(TMC)は、複数の要因に影響されるため、多くのケースにおいて、機械学習手法は、応答性や旅行の特徴が与えられた旅行モードの選択を予測するために使用される。
通常、旅行日記は中核的な関連データを提供するために使用される。
しかし、移動時間に制限されないモード代替の属性や、公共交通機関(PT)の場合の歩行距離といった他の特徴は、人が旅行モードを利用するかどうかに大きな影響を与える。
そこで本研究では,データドキュメンテーション・ジャーニーと,これらの旅行に利用可能な交通手段,構築環境,気象条件などの環境要因をまとめ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。
さらに,TMC予測において最も重要な特徴として,様々な特徴が提案されている。
本稿では,ストリーム処理エンジンや他のビッグデータシステムを用いた計算手法を提案する。
プラットフォームによって処理されたデータは、旅行モードの選択を予測する機械学習モデルの開発に使用される。
このプラットフォームを検証するために,各特徴部分集合の計算の重要性と,それらを用いたTMCモデルへの影響について,アブレーション研究を提案する。
実験では, 調査データ, GPSトレース, 気象・大気汚染時系列, 輸送モデルデータ, 建築環境の空間データを組み合わせた。
追加機能で構築されたTMCモデルの精度は、コアサーベイデータのみの使用と比較して最大18.2%向上している。
関連論文リスト
- Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。
提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
論文 参考訳（メタデータ） (2024-11-04T23:15:21Z) - Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。
我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。
あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文 参考訳（メタデータ） (2024-07-03T16:08:05Z) - 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) - 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) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳（メタデータ） (2021-06-22T15:40:21Z) - Large Scale Interactive Motion Forecasting for Autonomous Driving : The
Waymo Open Motion Dataset [84.3946567650148]
10万枚以上のシーンが10Hzで20秒に渡り、私たちの新しいデータセットには1750kmの道路上の570時間以上のユニークなデータが含まれています。
高精度な3d自動ラベルシステムを用いて,道路エージェント毎に高品質な3dバウンディングボックスを生成する。
シングルエージェントとジョイントエージェントの相互作用運動予測モデルの両方を総合的に評価する新しいメトリクスセットを紹介します。
論文 参考訳（メタデータ） (2021-04-20T17:19:05Z) - What's Your Value of Travel Time? Collecting Traveler-Centered Mobility
Data via Crowdsourcing [4.297843164736973]
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。
論文 参考訳（メタデータ） (2021-04-12T20:48:28Z) - 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) - 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) - Leveraging the Self-Transition Probability of Ordinal Pattern Transition
Graph for Transportation Mode Classification [0.0]
本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。
提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
論文 参考訳（メタデータ） (2020-07-16T23:25:09Z) - 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。