論文の概要: Data-Driven Discovery of Mobility Periodicity for Understanding Urban Transportation Systems
- arxiv url: http://arxiv.org/abs/2508.03747v1
- Date: Sat, 02 Aug 2025 15:25:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.360986
- Title: Data-Driven Discovery of Mobility Periodicity for Understanding Urban Transportation Systems
- Title（参考訳）: 都市交通システム理解のためのモビリティ周期性のデータ駆動的発見
- Authors: Xinyu Chen, Qi Wang, Yunhan Zheng, Nina Cao, HanQin Cai, Jinhua Zhao,
- Abstract要約: 実世界の人体移動データには,中国・杭州における地下鉄の乗客移動,ニューヨーク(ニューヨーク)とシカゴでのライドシェアリングなど,我々の枠組みを適用した。
特に、2019年から2024年にかけてのライドシェアリングデータの分析では、新型コロナウイルスのパンデミックがモビリティーの規則性に破壊的な影響があることが示されています。
我々は、ニューヨークとシカゴの双方が2020年に週ごとの定期性の大幅な減少を経験し、ニューヨークのモビリティ・レギュラーの回復がシカゴよりも速いことを調査した。
- 参考スコア（独自算出の注目度）: 19.205416352077755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncovering the temporal regularity of human mobility is crucial for discovering urban dynamics and has implications for various decision-making processes and urban system applications. This study formulates the periodicity quantification problem in complex and multidimensional human mobility data as a sparse identification of dominant positive auto-correlations in time series autoregression, allowing one to discover and quantify significant periodic patterns such as weekly periodicity from a data-driven and interpretable machine learning perspective. We apply our framework to real-world human mobility data, including metro passenger flow in Hangzhou, China and ridesharing trips in New York City (NYC) and Chicago, USA, revealing the interpretable weekly periodicity across different spatial locations over past several years. In particular, our analysis of ridesharing data from 2019 to 2024 demonstrates the disruptive impact of the COVID-19 pandemic on mobility regularity and the subsequent recovery trends, highlighting differences in the recovery pattern percentages and speeds between NYC and Chicago. We explore that both NYC and Chicago experienced a remarkable reduction of weekly periodicity in 2020, and the recovery of mobility regularity in NYC is faster than Chicago. The interpretability of sparse autoregression provides insights into the underlying temporal patterns of human mobility, offering a valuable tool for understanding urban systems. Our findings highlight the potential of interpretable machine learning to unlock crucial insights from real-world mobility data.
- Abstract（参考訳）: ヒトの運動の時間的規則性を明らかにすることは、都市力学の発見に不可欠であり、様々な意思決定プロセスや都市システムへの応用に影響を及ぼす。
本研究では、時系列自己回帰における有意な正の自己相関のスパース同定として、複雑かつ多次元の人体移動データにおける周期性定量化問題を定式化し、データ駆動型および解釈可能な機械学習の観点から毎週の周期性などの重要な周期パターンを発見し定量化する。
我々は,中国,杭州,ニューヨーク(ニューヨーク),シカゴなどの都市部における都市交通の流れや,過去数年間の様々な空間的場所における週毎の周期性を明らかにするなど,現実世界の人体移動データに枠組みを適用した。
特に、2019年から2024年にかけてのライドシェアリングデータの分析では、新型コロナウイルスのパンデミックがモビリティの規則性やその後の回復傾向に破壊的な影響があることが示され、ニューヨークとシカゴの回復パターンの比率と速度の違いが浮き彫りになっている。
我々は、ニューヨークとシカゴの双方が2020年に週ごとの定期性の大幅な減少を経験し、ニューヨークのモビリティ・レギュラーの回復がシカゴよりも速いことを調査した。
スパース自己回帰の解釈可能性は、人間のモビリティの根底にある時間的パターンに関する洞察を与え、都市システムを理解するための貴重なツールを提供する。
我々の発見は、現実世界のモビリティデータから重要な洞察を解き放つための、解釈可能な機械学習の可能性を強調している。
関連論文リスト
- The NetMob25 Dataset: A High-resolution Multi-layered View of Individual Mobility in Greater Paris Region [64.30214722988666]
本稿では,提案したデータセットのサーベイ設計,収集プロトコル,処理手法,特徴について述べる。
データセットには、人口統計、社会経済、家庭の特徴を記述した個人データベース(i)、タイムスタンプ、輸送モード、旅行目的を含む8,000以上の注釈付き変位を持つトリプスデータベース(ii)、約5億の高周波ポイントからなるRaw GPSトレースデータベース(iii)の3つのコンポーネントが含まれている。
論文 参考訳（メタデータ） (2025-06-06T09:22:21Z) - Traffic and Mobility Optimization Using AI: Comparative Study between Dubai and Riyadh [0.0]
我々は、交通と移動に関する問題とその住民の感情への影響を理解するためにAIをどのように利用できるかを探る。
このアプローチは、リアルタイムトラフィックデータと地理的に位置付けられた感情分析を組み合わせることで、都市移動計画に対する包括的でダイナミックなアプローチを提供する。
論文 参考訳（メタデータ） (2025-05-15T15:07:00Z) - Geospatial and Temporal Trends in Urban Transportation: A Study of NYC Taxis and Pathao Food Deliveries [0.0]
本研究では、ニューヨーク市のTaxi TripデータセットとバングラデシュのダッカのPathao Food Tripデータセットの2つのデータセットを用いて、輸送パターンを分析した。
私たちのゴールは、需要、ピーク時、および重要な地理的ホットスポットにおける重要なトレンドを特定することです。
論文 参考訳（メタデータ） (2025-05-02T17:41:17Z) - Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。
次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。
20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
論文 参考訳（メタデータ） (2025-01-20T07:12:40Z) - InclusiViz: Visual Analytics of Human Mobility Data for Understanding and Mitigating Urban Segregation [41.758626973743525]
InclusiVizは、都市分離の多段階解析のための新しいビジュアル分析システムである。
我々は、環境特徴を用いた社会集団間の移動パターン予測のためのディープラーニングモデルを構築し、説明可能なAIを付加した。
このシステムは、ユーザーが広範囲にわたる概要から細かな詳細まで、分離パターンを探索できる革新的な可視化技術を統合している。
論文 参考訳（メタデータ） (2025-01-07T07:50:36Z) - GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - SMA-Hyper: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction [2.807532512532818]
現在のデータ駆動モデルは、しばしばデータ空間と多様な都市データソースの統合に苦しむ。
本稿では,交通事故予測のための動的学習フレームワークを提案する。
これは、高次のクロスリージョン学習を可能にするデュアル適応グラフ学習機構を組み込んでいる。
また、事故データと都市機能の複数のビューを融合させる事前注意機構も採用している。
論文 参考訳（メタデータ） (2024-07-24T21:10:34Z) - MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。
公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。
本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
論文 参考訳（メタデータ） (2024-07-11T17:56:49Z) - 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) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - 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) - 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) - Extracting Spatiotemporal Demand for Public Transit from Mobility Data [0.0]
都市人口の変化は、交通サービスの効率的な管理にいくつかの課題をもたらす。
都市における公共交通機関の需要を簡易に推定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-05T10:21:31Z)
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。