論文の概要: Comparative Analysis of Human Mobility Patterns: Utilizing Taxi and Mobile (SafeGraph) Data to Investigate Neighborhood-Scale Mobility in New York City

• arxiv url: http://arxiv.org/abs/2410.16462v1
• Date: Mon, 21 Oct 2024 19:40:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:29:38.364861
• Title: Comparative Analysis of Human Mobility Patterns: Utilizing Taxi and Mobile (SafeGraph) Data to Investigate Neighborhood-Scale Mobility in New York City
• Title（参考訳）: タクシーとモバイル(SafeGraph)データを用いたニューヨーク市における近隣のモビリティ調査のためのヒューマンモビリティパターンの比較分析
• Authors: Yuqin Jiang, Zhenlong Li, Joon-Seok Kim, Huan Ning, Su Yeon Han,
• Abstract要約: 本研究では,ニューヨーク市近郊におけるタクシー旅行記録とSafeGraphデータセットを用いた移動性の違いについて検討した。 以上の結果から,タクシーの需要が常に高いロウアー・マンハッタンなどの場所からの移動度は,タクシーのデータによって把握される傾向が示唆された。 対照的にSafeGraphのデータは、自家用車での通勤が一般的であるが、歩行者の多い地域での旅行を過小評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Numerous researchers have utilized GPS-enabled vehicle data and SafeGraph mobility data to analyze human movements. However, the comparison of their ability to capture human mobility remains unexplored. This study investigates differences in human mobility using taxi trip records and the SafeGraph dataset in New York City neighborhoods. The analysis includes neighborhood clustering to identify population characteristics and a comparative analysis of mobility patterns. Our findings show that taxi data tends to capture human mobility to and from locations such as Lower Manhattan, where taxi demand is consistently high, while often underestimating the volume of trips originating from areas with lower taxi demand, particularly in the suburbs of NYC. In contrast, SafeGraph data excels in capturing trips to and from areas where commuting by driving one's own car is common, but underestimates trips in pedestrian-heavy areas. The comparative analysis also sheds new light on transportation mode choices for trips across various neighborhoods. The results of this study underscore the importance of understanding the representativeness of human mobility big data and highlight the necessity for careful consideration when selecting the most suitable dataset for human mobility research.
• Abstract（参考訳）: 多くの研究者がGPS対応車両データとSafeGraphモビリティデータを使って人間の動きを分析している。 しかし、人間のモビリティを捉える能力の比較は、まだ明らかになっていない。 本研究では,ニューヨーク市近郊におけるタクシー旅行記録とSafeGraphデータセットを用いた移動性の違いについて検討した。 この分析には、人口特性を識別する近隣のクラスタリングと、移動パターンの比較分析が含まれる。 以上の結果から,タクシーの需要が一貫して高いロウアー・マンハッタンなどの都市では,タクシーの需要が低い地域,特にニューヨーク市郊外では,タクシーの需要が低い地域からの移動量を過小評価する傾向が示唆された。 対照的にSafeGraphのデータは、自家用車での通勤が一般的であるが、歩行者の多い地域での旅行を過小評価する。 比較分析はまた、様々な地区を横断する旅行の交通モード選択に新たな光を当てている。 本研究は、人間の移動性ビッグデータの代表性を理解することの重要性を強調し、人間の移動性研究に最も適したデータセットを選択する際に、慎重に考慮する必要があることを強調した。

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)
• A generalized vector-field framework for mobility [0.0]
  本稿では,任意の種類の移動に有効な個人軌跡から始まる一般ベクトル場表現を提案する。 個人の選挙が運動場のメソスコピック特性をどのように決定するかを示す。 筆者らのフレームワークは, メソスコピックな都市移動において, 隠れ対称性を捉えるための重要なツールである。
  論文  参考訳（メタデータ） (2023-09-04T07:50:08Z)
• Pedestrian Environment Model for Automated Driving [54.16257759472116]
  歩行者の位置とポーズ情報を含む環境モデルを提案する。 画像から人間のポーズ推定器を用いて骨格情報を抽出する。 位置の3D情報を得るために,車両の位置と合わせて連続するフレームからデータを集約する。
  論文  参考訳（メタデータ） (2023-08-17T16:10:58Z)
• Understanding human mobility patterns in Chicago: an analysis of taxi data using clustering techniques [0.0]
  シカゴ市をケーススタディとして、2016年にタクシーの乗車データを調べ、近所がどのように相互接続されているかを理解することを目標にしている。 この分析は、近隣住民がタクシーを使って旅行している感覚を与え、新しい公共交通機関の開発に焦点をあてることを提案する。
  論文  参考訳（メタデータ） (2023-06-21T08:14:52Z)
• 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)
• 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)
• Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
  現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。 まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。 このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
  論文  参考訳（メタデータ） (2020-08-19T23:19:08Z)
• Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
  本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。 私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
  論文  参考訳（メタデータ） (2020-07-10T22:25:27Z)
• Leveraging Mobility Flows from Location Technology Platforms to Test Crime Pattern Theory in Large Cities [26.100870516361347]
  本研究では, 犯罪集中を1時間単位で記述し, 予測する上での人体移動能力について検討した。 我々の評価は、Foursquareから匿名化されたデータセットを活用して、米国の主要3都市で約1480万回のチェックインを含むモビリティフローを推定する。
  論文  参考訳（メタデータ） (2020-04-17T14:21:10Z)

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。