論文の概要: MoveOD: Synthesizing Origin-Destination Commute Distribution from U.S. Census Data

• arxiv url: http://arxiv.org/abs/2510.18858v1
• Date: Tue, 21 Oct 2025 17:52:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.118332
• Title: MoveOD: Synthesizing Origin-Destination Commute Distribution from U.S. Census Data
• Title（参考訳）: MoveOD:米国国勢調査データからオリジナル・ディスタンス・コミュート分布を合成する
• Authors: Rishav Sen, Abhishek Dubey, Ayan Mukhopadhyay, Samitha Samaranayake, Aron Laszka,
• Abstract要約: われわれはMOVEODを紹介した。MOVEODはオープンソースのパイプラインで、米国のどの郡でも公共データを通勤ODフローに合成する。 ACSとLODESのデータとODデータセットを照合するために,制約付きサンプリング法と整数プログラミング法を用いる。 約15万回の合成旅行を数分で生成し、古典的および学習的な車載アルゴリズムのベンチマークスイートにフィードします。
• 参考スコア（独自算出の注目度）: 12.808155686493059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution origin-destination (OD) tables are essential for a wide spectrum of transportation applications, from modeling traffic and signal timing optimization to congestion pricing and vehicle routing. However, outside a handful of data rich cities, such data is rarely available. We introduce MOVEOD, an open-source pipeline that synthesizes public data into commuter OD flows with fine-grained spatial and temporal departure times for any county in the United States. MOVEOD combines five open data sources: American Community Survey (ACS) departure time and travel time distributions, Longitudinal Employer-Household Dynamics (LODES) residence-to-workplace flows, county geometries, road network information from OpenStreetMap (OSM), and building footprints from OSM and Microsoft, into a single OD dataset. We use a constrained sampling and integer-programming method to reconcile the OD dataset with data from ACS and LODES. Our approach involves: (1) matching commuter totals per origin zone, (2) aligning workplace destinations with employment distributions, and (3) calibrating travel durations to ACS-reported commute times. This ensures the OD data accurately reflects commuting patterns. We demonstrate the framework on Hamilton County, Tennessee, where we generate roughly 150,000 synthetic trips in minutes, which we feed into a benchmark suite of classical and learning-based vehicle-routing algorithms. The MOVEOD pipeline is an end-to-end automated system, enabling users to easily apply it across the United States by giving only a county and a year; and it can be adapted to other countries with comparable census datasets. The source code and a lightweight browser interface are publicly available.
• Abstract（参考訳）: 高分解能オリジン決定(OD)テーブルは、交通のモデリングや信号タイミングの最適化から渋滞価格や車両のルーティングまで、幅広い交通用途に不可欠である。 しかし、少数のデータリッチな都市以外では、そのようなデータはめったに利用できない。 筆者らはMOVEODというオープンソースのパイプラインを導入し、米国のどの郡でも詳細な空間的および時間的出発時間を持つ通勤ODフローに公開データを合成する。 アメリカン・コミュニティ・サーベイ(ACS)の出発時刻と旅行時間分布、LODES(Longitudinal Employer-Household Dynamics)の居住場所フロー、カウンティジオメトリ、OpenStreetMap(OSM)の道路ネットワーク情報、OSMとMicrosoftのフットプリントを単一のODデータセットに構築する。 ACSとLODESのデータとODデータセットを照合するために,制約付きサンプリング法と整数プログラミング法を用いる。 提案手法は,(1)始発地域毎の通勤総数,(2)就業先と雇用分布の整合化,(3)ACS報告通勤時間に対する旅行期間の校正などである。 これにより、ODデータは通勤パターンを正確に反映する。 テネシー州ハミルトン郡でこのフレームワークをデモし、約15万回の合成旅行を数分で生成します。 MOVEODパイプラインはエンドツーエンドの自動化システムであり、1つの郡と1年しか与えないことで、米国全域で簡単に適用でき、国勢調査データセットに匹敵する他の国にも適応できる。 ソースコードと軽量なブラウザインターフェースが公開されている。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• What is a typical signalized intersection in a city? A pipeline for intersection data imputation from OpenStreetMap [3.434206965978478]
  OpenStreetMap (OSM) から信号化交差点に関する情報を効果的に抽出するパイプラインを提案する。 パイプラインはオープンソースのPythonライブラリとして公開されており、誰でも自由にダウンロードして、研究を促進することができる。
  論文  参考訳（メタデータ） (2024-05-22T09:47:44Z)
• Public Transit Arrival Prediction: a Seq2Seq RNN Approach [1.9294297881760765]
  バス到着時刻予測(BATP)は特に発展途上国では難しい問題である。 現在の作業において、BATP(リアルタイム)に対して、リカレントニューラルネットワーク(RNN)に基づく新しいデータ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T14:58:12Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• 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)
• Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
  我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。 提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
  論文  参考訳（メタデータ） (2021-07-02T10:11:51Z)
• Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
  本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。 提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
  論文  参考訳（メタデータ） (2020-06-22T14:26:19Z)
• STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time Estimation [1.1731001328350983]
  本稿では,出先,目的地,出発時刻の形式で表現された旅行要求に対して,旅行時間推定を調節するシステムSTADを提案する。 STADは、機械学習とスパーストリップデータを使用して、基本的なルーティングエンジンの欠陥を学習する。 Doha、New York City、Portoの実際の旅行データセットの実験では、最初の2都市では14%、後者では29%の絶対誤差が減少している。
  論文  参考訳（メタデータ） (2020-06-08T09:47:55Z)
• Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
  都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。 本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-13T21:14:38Z)

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。