Hvor du går hen fortæller, hvem du er - og omvendt

19. november kl. 2018 — Estimering af rejsebehov i en by er et kritisk værktøj for byplanlæggere til at forstå trafikmønstre, forudsige trafikbelastning, og planlægge for vedligeholdelse og udskiftning af transportinfrastruktur. Årevis, forskere har brugt den klassiske praksis med at gange antallet af ture pr. dag pr. person for forskellige demografiske grupper for at modellere aktivitetsbaseret rejsebehov. Men fordi denne metode blev udviklet før den nuværende æra af allestedsnærværende sensorer - GPS -enheder, smartphones, kameraer på lysstænger, og tilsluttede køretøjer blandt dem-forskere har haft svært ved at validere deres estimater i virkelige situationer.

Minedata til analyse af sporingsmønstre, Sharon Di, adjunkt i civilingeniør og ingeniørmekanik ved Columbia Engineering, har opdaget, at hun kan udlede befolkningens rejsebehovsniveau i en region ud fra kun en del rejsendes baner. Hun tog data indsamlet fra verdens første og største forbundne køretøj testbed i Ann Arbor, ledet af University of Michigan Transportation Institute (UMTRI), og analyserede 349 køretøjers kontinuerlige etårige mobilspor (19, 130 rejseaktiviteter). Hun fandt tre forskellige grupper og udled deres demografi baseret på deres rejsemønstre:

• Seniorer, der rejser til flere steder på en dag
• Arbejdere, der mest forbliver på arbejde eller hjemme
• Forældre, der besøger flere individuelle steder på en dag

Hun og hendes ph.d. studerende Zhenyu Shou validerede derefter deres udledte demografi ved hjælp af undersøgelsesdata fra UMTRI. Deres resultater er skitseret i en undersøgelse offentliggjort af Transportforskning del C 18. september.

"Med populariteten af ​​sensorer overalt, fra vores lommer til vores biler, vi kan nu spore individer med hensyn til hvor de går hen, Hvad tid, og hvilken aktivitet de kan udføre - hovedsageligt hvor du går hen fortæller hvem du er, og omvendt, "siger Di, som også er medlem af Data Science Institute. "Det, vi har lært af vores analyse af Michigan -data, vil hjælpe os med at udnytte fremtidige data indsamlet fra New Yorks forbundne køretøjer testbed til at forstå mobilitetsmønstre i byen og hjælpe med at lindre trafikpropper."

Fordi folk har en tendens til at besøge de samme steder til daglige aktiviteter som arbejde, handle ind, og spisning, hverdagens mobile spor har tendens til at være gentagne, men tilfældige hændelser skaber afvigelser. Fordi de fleste eksisterende undersøgelser kun bruger en enkelt dag eller et par dage af en mindre delmængde af folks mobilspor, de fanger ikke præcist eller fuldstændigt deres længerevarende rejserutiner. En eller to dages mobilspor registrerer heller ikke tilbagevendende trafikpropper.

Di mener, at hendes undersøgelse er den første til at bruge data fra et helt år. Hun byggede et sandsynlighedstræ for hver chauffør til at beskrive hyppigheden af ​​deres spor i et år og brugte derefter data mining værktøjer til at se, i hvilket omfang ligheden mellem socio-demografi kunne forklare rejsemønstre. Hun opdagede, at dem, der har lignende mobilitetsmønstre, sandsynligvis tilhører den samme demografiske gruppe.

Hendes arbejde kan udvides enten til at udlede en ukendt brugers demografiske, eller kundeprofilering, baseret på aktivitetsmønstre, eller at rekonstruere en ukendt brugers hyppige aktivitetsmønstre baseret på demografi og lignende rejsendes mønstre. Ved at etablere en kvantitativ relation mellem menneskelige mobilitetsmønstre og demografi, Di har lagt et teoretisk grundlag for at bruge individuelle mobile spor, som indeholder en række steder, folk besøger, at estimere rejsebehov.

"Di's og Shous arbejde demonstrerer nytten af ​​datavidenskabelige værktøjer til at opdage menneskelige mobilitetsmønstre, "siger Gowtham Atluri, en datalogiprofessor ved University of Cincinnati, en ekspert i rumlig-tidsmæssig datamining, der ikke var involveret i undersøgelsen. "Deres overordnede ramme er innovativ og fremhæver behovet for samarbejdsbestræbelser mellem forskere inden for transport og datavidenskab."

Di ser nu på at skalere en lille prøve af mobilitetsmønstre op til et større byniveau. New York City har et af de tre amerikanske Department of Transportation tilsluttet køretøj testbede, og Di planlægger at indsamle en stor mængde køretøjsmobiler. Når hun har disse data, hun vil generere menneskelige mobilitetsmønstre ved hjælp af byens demografi, let hentet fra nationale folketællingsdata.

"Der er så mange flere forbundne køretøjer på vejene nu, der kan" tale "både til hinanden og til vejinfrastrukturen for at kommunikere, hvor deres nøjagtige placering er og på hvilket tidspunkt, "Di observerer." Vores syntetiske baner hjælper byplanlæggere med at forudsige trafikbelastning og aktivt håndtere trafik. "