19 november, 2018—Att uppskatta reseefterfrågan i en stad är ett viktigt verktyg för stadsplanerare att förstå trafikmönster, förutsäga trafikstockningar, och planera framåt för underhåll och utbyte av transportinfrastruktur. I åratal, forskare har använt den klassiska metoden att multiplicera antalet resor per dag och person för olika demografiska grupper för att modellera aktivitetsbaserad reseefterfrågan. Men eftersom denna metod utvecklades före den nuvarande eran av allestädes närvarande sensorer - GPS-enheter, smartphones, kameror på ljusstolpar, och anslutna fordon, bland dem – forskare har haft svårt att validera sina uppskattningar i verkliga situationer.

Mining av data för att analysera spårningsmönster, Sharon Di, biträdande professor i civilingenjör och ingenjörsmekanik vid Columbia Engineering, har upptäckt att hon kan härleda efterfrågan på befolkningens resebehov i en region från bara en del av resenärernas banor. Hon tog data som samlats in från världens första och största uppkopplade fordonstestbädd i Ann Arbor, leds av University of Michigan Transportation Institute (UMTRI), och analyserade 349 fordons kontinuerliga ettåriga mobilspår (19, 130 reseaktiviteter). Hon hittade tre distinkta grupper och slutade sig till deras demografi utifrån deras resmönster:

• Seniorer, som reser till ett större antal platser på en dag
• Arbetare, som mest vistas på jobbet eller hemma
• Föräldrar, som besöker fler enskilda platser på en dag

Hon och hennes Ph.D. Studenten Zhenyu Shou validerade sedan sin antagna demografi med hjälp av enkätdata från UMTRI. Deras resultat beskrivs i en studie publicerad av Transportforskning del C 18 september.

"Med populariteten för sensorer överallt, från våra fickor till våra bilar, vi kan nu spåra individer i termer av vart de går, vilken tid, och vilken aktivitet de kan utföra – i huvudsak, vart du går berättar vem du är, och vice versa, säger Di, som också är medlem i Data Science Institute. "Det vi har lärt oss från vår analys av Michigan-data kommer att hjälpa oss att använda framtida data som samlats in från New York Citys uppkopplade fordonstestbord för att förstå mobilitetsmönster i staden och hjälpa till att lindra trafikstockningar."

Eftersom människor tenderar att besöka samma platser för dagliga aktiviteter som arbete, handla, och middag, vardagliga mobilspår tenderar att vara repetitiva, men slumpmässiga händelser skapar avvikelser. Eftersom de flesta befintliga studier bara använder en enda dag eller några dagar av en mindre delmängd av människors mobila spår, de fångar inte exakt eller fullständigt deras långsiktiga resrutiner. En eller två dagar av mobilspår lyckas inte heller fånga återkommande trafikstockningar.

Di tror att hennes studie är den första som använder data från ett helt år. Hon byggde ett sannolikhetsträd för varje förare för att beskriva frekvensen av deras spår under ett år och använde sedan datautvinningsverktyg för att se i vilken utsträckning likheten mellan sociodemografi kunde förklara resmönster. Hon upptäckte att de som har liknande mobilitetsmönster sannolikt tillhör samma demografiska grupp.

Hennes arbete kan utvidgas antingen för att sluta sig till en okänd användares demografiska, eller kundprofilering, baserat på aktivitetsmönster, eller för att rekonstruera en okänd användares frekventa aktivitetsmönster baserat på demografi och liknande resenärers mönster. Genom att etablera ett kvantitativt samband mellan mänskliga rörlighetsmönster och demografi, Di har lagt en teoretisk grund för att använda individuella mobilspår, som innehåller en sekvens av platser som människor besöker, för att uppskatta resebehovet.

"Dis och Shous arbete visar användbarheten av datavetenskapliga verktyg för att upptäcka mänskliga rörlighetsmönster, " säger Gowtham Atluri, en professor i datavetenskap vid University of Cincinnati, en expert på spatial-temporal data mining som inte var involverad i studien. "Deras övergripande ramverk är innovativt och belyser behovet av samarbetsprojekt mellan transport- och datavetenskapsforskare."

Di tittar nu på att skala upp ett litet urval av mobilitetsmönster till en större stadsnivå. New York City har en av de tre amerikanska transportdepartementet anslutna fordonstestbäddar och Di planerar att samla in en stor mängd fordonsmobilspår. När hon väl har dessa uppgifter, hon kommer att skapa mänskliga rörlighetsmönster med hjälp av stadens demografi, lätt att få från nationella folkräkningsdata.

"Det finns så många fler uppkopplade fordon på vägarna nu som kan "prata" både med varandra och med vägkantsinfrastruktur för att kommunicera var deras exakta position är och vid vilken tidpunkt, ", konstaterar Di. "Våra syntetiska banor kommer att hjälpa stadsplanerare att förutsäga trafikstockningar och aktivt hantera trafiken."