論文の概要: Complete Trip: A Linked Multimodal Human Mobility Dataset
- arxiv url: http://arxiv.org/abs/2607.15436v1
- Date: Thu, 16 Jul 2026 20:15:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.69568
- Title: Complete Trip: A Linked Multimodal Human Mobility Dataset
- Title（参考訳）: Complete Trip: リンクされたマルチモーダルなヒューマンモビリティデータセット
- Abstract要約: 位置ベースサービス(LBS)データからリンクされたマルチモーダル旅行行動を再構築するデータセットであるComplete Tripを提案する。
Complete Tripは、複数のセグメントが同じ旅行エピソードに属する連続的な旅行セグメントをリンクすることで、旅行レベルの関係を保存する。
交通、公衆衛生、都市科学、災害の回復力、および関連分野にわたる再現可能な研究を可能にする。
- 参考スコア（独自算出の注目度）: 13.22513269319188
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human mobility data have become fundamental to research across transportation, public health, urban science, and disaster resilience. However, existing mobility datasets typically capture only isolated aspects of travel behavior and rarely provide linked multimodal journeys together with network-level route representations and population-level inference. Here we present Complete Trip, a mobility dataset that reconstructs linked multimodal travel behavior from passively collected smartphone location-based services (LBS) data. The first released implementation covers six counties in Utah throughout 2020 and represents journeys across car, bus, rail, and active transportation through a four-stage workflow consisting of trip identification, mode imputation, route reconstruction, and trip linking. Complete Trip preserves journey-level relationships by linking sequential travel segments where multiple segments belong to the same travel episode, provides network-based route representations on digital transportation networks, and supports population-level analyses through statistically calibrated expansion weights. By providing a representation of linked multimodal human mobility, Complete Trip enables reproducible research across transportation, public health, urban science, disaster resilience, and related fields.
- Abstract（参考訳）: 人体移動データは、交通、公衆衛生、都市科学、災害の回復力の研究に欠かせないものとなっている。
しかしながら、既存のモビリティデータセットは通常、旅行行動の孤立した側面のみを捉え、ネットワークレベルのルート表現と人口レベルの推論とともに、リンクされたマルチモーダルな旅行を提供することはまれである。
ここでは、受動的に収集されたスマートフォン位置情報サービス(LBS)データから、リンクされたマルチモーダル旅行行動を再構築するモビリティデータセットであるComplete Tripを紹介する。
2020年を通じてユタ州の6郡をカバーし、自動車、バス、鉄道、交通機関を横断する4段階のワークフローを表現している。
Complete Tripは、複数のセグメントが同じ旅行エピソードに属する連続的な旅行セグメントをリンクし、デジタル交通ネットワーク上でネットワークベースの経路表現を提供し、統計的に校正された拡張重みによる人口レベルの分析をサポートすることによって、旅行レベルの関係を保っている。
交通、公衆衛生、都市科学、災害の回復力、および関連分野にわたる再現可能な研究を可能にする。
関連論文リスト
- ACME: A Multi-Cultural, Multi-Embodiment Social-Navigation Dataset [51.60529216343344]
ACME: ソーシャルナビゲーションのためのクロスカルチャー、マルチエンボディメントデータセット。
ACMEは5か国8か国にまたがる大規模なデータ収集の取り組みで、7つのロボットエボディメントを使用している。
従来のデータセットとは違って、ロボット音声によるロボットと対話を明確にすることで、複雑な社会的シナリオにおける目標駆動型ソーシャルナビゲーション行動のキャプチャに焦点を当てている。
論文 参考訳（メタデータ） (2026-07-24T04:23:21Z) - UrbanIng-V2X: A Large-Scale Multi-Vehicle, Multi-Infrastructure Dataset Across Multiple Intersections for Cooperative Perception [45.81880967650386]
UrbanIng-V2Xは、時間的に整列された34のセンサーシーケンスと、20秒間続く空間的に校正されたセンサーシーケンスから構成される。
すべてのシーケンスは10Hzの周波数でアノテートされ、3D境界ボックスは13のオブジェクトクラスにまたがる。
UrbanIng-V2Xは合計12台の車載RGBカメラ、2台の車載LiDAR、17台のインフラ熱カメラ、12台のインフラLiDARからのデータを提供する。
論文 参考訳（メタデータ） (2025-10-27T16:12:12Z) - 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) - Learning to Drive Anywhere with Model-Based Reannotation [49.80796496905606]
ロボットの視覚ナビゲーションポリシーを一般化するためのフレームワークを開発する。
クラウドソースの遠隔操作データや、ラベルなしのYouTubeビデオなど、受動的に収集されたデータを活用します。
このデータはLogoNavに蒸留される。LogoNavは、視覚的目標やGPSのウェイポイントに照準を合わせられた長い水平航法ポリシーだ。
論文 参考訳（メタデータ） (2025-05-08T18:43:39Z) - Urban Mobility [0.0]
車両に搭載されたセンサから、携帯電話の記録、位置情報ベースのソーシャルネットワークトレース、GPSトラジェクトリなど、このアプローチを可能にするデータセットの概要を示す。
次に、個人移動の生成モデルと予測モデル、および予測可能性の本質的な限界による制限について説明する。
我々は、ライドシェアリング、マルチモダリティ、持続可能な輸送といったシステム全体の課題を含む、システムの観点から都市交通について議論する。
論文 参考訳（メタデータ） (2022-11-01T09:58:49Z) - Urban Vehicle Mobility Characteristic Mining and Trip Generation Based
on Knowledge Graph [14.032480351768395]
本研究では,個人レベルの都市交通ビッグデータをよりよく扱うための知識グラフを紹介する。
個人レベルの旅行データを構成するために,個人レベルの旅行知識グラフを設計・構築した。
個人レベルの交通データのプライバシー問題に対処するため,知識グラフ生成に基づく個人レベルの旅行合成手法を提案する。
論文 参考訳（メタデータ） (2022-02-19T04:13:17Z) - Multimodal urban mobility and multilayer transport networks [0.0]
自転車道からバスや鉄道まで、交通網が都市移動のバックボーンとなっている。
マルチモーダルトランスポートシステムは、異なるトランスポートモードに関連するネットワークを独立して考慮しないマルチレイヤネットワークとして記述することができる。
現代都市におけるマルチモダリティの重要性にもかかわらず、このトピックの統一された見解は現在欠落している。
論文 参考訳（メタデータ） (2021-11-03T11:40:30Z) - 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) - The 5th AI City Challenge [51.83023045451549]
第5回AIシティチャレンジには38カ国305チームが参加した。
アルゴリズムの有効性と計算効率の両面で評価を行った。
結果は、スマートトランスポーテーションにおけるAIの約束を示している。
論文 参考訳（メタデータ） (2021-04-25T19:15:27Z) - 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) - 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)
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。