論文の概要: Travel Mode- and Purpose-Specific Origin-Destination Matrices for England and Wales from Fused Travel Survey and Mobile Network Data
- arxiv url: http://arxiv.org/abs/2609.36466v1
- Date: Tue, 29 Sep 2026 01:24:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.089449
- Title: Travel Mode- and Purpose-Specific Origin-Destination Matrices for England and Wales from Fused Travel Survey and Mobile Network Data
- Title（参考訳）: フューズドトラベルサーベイと移動ネットワークデータを用いたイングランドとウェールズの旅行モードおよび目的特化原産地推定行列
- Abstract要約: 原点決定(OD)行列は、モデルキャリブレーションやアクセシビリティ分析から、新しいサービスや開発の評価に至るまで、多くの量的輸送計画の背後にある。
これは、旅行モードと目的によって分解され、アクセス不能または使用不能のままである、小さな領域の解像度に関する最新のOD証拠を必要とする。
本報告では,イングランドとウェールズのMSOA-to-MSOA OD行列を,平日朝のピークに8つの旅行目的を持つ7つの旅行モードと代表的な時間に区分する。
- 参考スコア（独自算出の注目度）: 5.5146094389276294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Origin-destination (OD) matrices sit behind much of quantitative transport planning, from model calibration and accessibility analysis to the appraisal of new services and development. The increasing emphasis on place-based solutions requires mobility data that can support decision-making not only at the strategic level, but also at finer spatial scales. This requires up-to-date OD evidence at small-area resolution, disaggregated by travel mode and purpose, which remains either inaccessible or unavailable. In this work, we present dense MSOA-to-MSOA OD matrices for England and Wales, segmented by seven travel modes and representative time periods, with eight trip purposes for the weekday morning peak. The matrices are built by calibrating aggregate mobile network data provided by BT against National Travel Survey (NTS), census and trip-rate evidence, preserving the observed spatial structure of movement while referencing its age, mode and purpose composition to the survey. The open-source data processing pipeline is released alongside the matrices, so that the construction of the dataset can be inspected in full and adapted to other years, regions or assumptions.
- Abstract（参考訳）: 原点決定(OD)行列は、モデルキャリブレーションやアクセシビリティ分析から、新しいサービスや開発の評価に至るまで、多くの量的輸送計画の背後にある。
場所ベースのソリューションに重点を置くようになるには、戦略レベルだけでなく、より細かい空間スケールでの意思決定を支援するモビリティデータが必要である。
これは、旅行モードと目的によって分解され、アクセス不能または使用不能のままである、小さな領域の解像度に関する最新のODエビデンスを必要とする。
本研究では,イングランドとウェールズのMSOA-to-MSOA OD行列を,平日朝のピークに8つの旅行目的を持つ7つの旅行モードと代表時間に区分した。
これらの行列は、BTが提供した総合移動ネットワークデータをNTS(National Travel Survey)、国勢調査およびトリップレートエビデンスに対して校正し、その年齢、モードおよび目的組成を参照しながら、観測された移動の空間構造を保存することによって構築される。
オープンソースのデータ処理パイプラインは、行列と一緒にリリースされており、データセットの構築をフルに検査し、他の年、地域、仮定に適合させることができる。
関連論文リスト
- Fusing Cellular Network Data and Tollbooth Counts for Urban Traffic Flow Estimation [0.0]
都市交通インフラの介入計画に不可欠な交通シミュレーションには、オリジン・デスティネーション(OD)データが必要である。
Sparse tollboothセンサーは、カテゴリーごとの正確な車両数を提供し、セルラーネットワークからの広範なモビリティデータは、集約された群衆の動きをキャプチャする。
本研究では,スパース・トールボース数を用いてセルラーネットワークデータを正解する機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-04-17T07:40:10Z) - The Vienna 4G/5G Drive-Test Dataset [1.4345688417084757]
モバイルネットワーク分析、計画、最適化のための機械学習は、大規模で包括的な現実世界のデータセットが欠如しているため、しばしば制限される。
本稿では,オーストリアのウィーンで収集された地理基準長周期進化(LTE)と5Gニューラジオ(NR)の都市規模オープンデータセットであるウィーン4G/5Gドライブテストデータセットを紹介する。
論文 参考訳（メタデータ） (2026-03-03T06:06:24Z) - 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) - How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。
モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。
本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
論文 参考訳（メタデータ） (2024-04-04T13:55:06Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - A Big-Data Driven Framework to Estimating Vehicle Volume based on Mobile
Device Location Data [0.40631409309544836]
車両の体積は、交通信号の制御、交通計画の優先順位付け、道路整備などの基礎となる重要な指標となっている。
従来の車両の体積を定量化する方法は、限られた場所における手動計数、ビデオカメラ、ループ検出器に頼っている。
本稿では, 大規模な地理的領域において, テラバイト単位のデバイス位置情報を取り込み, 車両の体積を推定できる, 大規模データ駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-20T16:23:17Z) - 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) - 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) - 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) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。