19 november 2018 — Het schatten van de vraag naar reizen in een stad is een cruciaal hulpmiddel voor stadsplanners om verkeerspatronen te begrijpen, verkeersopstoppingen voorspellen, en vooruit plannen voor onderhoud en vervanging van de transportinfrastructuur. Voor jaren, onderzoekers hebben de klassieke praktijk gebruikt om het aantal reizen per dag per persoon voor verschillende demografische groepen te vermenigvuldigen om de op activiteiten gebaseerde reisvraag te modelleren. Maar omdat deze methode is ontwikkeld vóór het huidige tijdperk van alomtegenwoordige sensoren - GPS-apparaten, smartphones, camera's op lichtmasten, en aangesloten voertuigen, onder hen - onderzoekers vonden het moeilijk om hun schattingen in praktijksituaties te valideren.

Mijnbouwgegevens om volgpatronen te analyseren, Sharon Di, assistent-professor civiele techniek en technische mechanica aan Columbia Engineering, heeft ontdekt dat ze de reisbehoefte van de bevolking in een regio kan afleiden uit de trajecten van slechts een deel van de reizigers. Ze nam gegevens verzameld van 's werelds eerste en grootste geconnecteerde voertuigtestbed in Ann Arbor, geleid door het University of Michigan Transportation Institute (UMTRI), en analyseerde de continue mobiele sporen van een jaar lang 349 voertuigen (19, 130 reisactiviteiten). Ze vond drie verschillende groepen en leidde hun demografie af op basis van hun reispatronen:

• senioren, die op een dag naar een grotere verscheidenheid aan plaatsen reizen
• arbeiders, die meestal op het werk of thuis blijven
• Ouders, die meer individuele plaatsen op een dag bezoeken

Zij en haar Ph.D. student Zhenyu Shou valideerde vervolgens hun afgeleide demografische gegevens met behulp van enquêtegegevens van UMTRI. Hun bevindingen worden uiteengezet in een studie gepubliceerd door Transportonderzoek deel C 18 sept.

"Met de populariteit van sensoren overal, van onze zakken tot onze auto's, we kunnen nu individuen traceren in termen van waar ze heen gaan, wanneer, en welke activiteit ze kunnen uitvoeren - in wezen, waar je heen gaat vertelt wie je bent, en vice versa, " zegt Di, die ook lid is van het Data Science Institute. "Wat we hebben geleerd van onze analyse van de gegevens uit Michigan, zal ons helpen toekomstige gegevens te gebruiken die zijn verzameld op het testbed van verbonden voertuigen in New York City om mobiliteitspatronen in de stad te begrijpen en verkeersopstoppingen te helpen verminderen."

Omdat mensen de neiging hebben om dezelfde plaatsen te bezoeken voor dagelijkse activiteiten zoals werk, winkelen, en dineren, alledaagse mobiele sporen zijn vaak repetitief, maar willekeurige gebeurtenissen creëren afwijkingen. Omdat de meeste bestaande onderzoeken slechts een enkele dag of een paar dagen van een kleinere subset van mobiele sporen van mensen gebruiken, ze leggen hun reisroutines op langere termijn niet nauwkeurig of volledig vast. Een dag of twee mobiele sporen kunnen ook terugkerende files niet vastleggen.

Di gelooft dat haar onderzoek de eerste is die gegevens van een heel jaar gebruikt. Ze bouwde een waarschijnlijkheidsboom voor elke bestuurder om de frequentie van hun sporen in een jaar te beschrijven en gebruikte vervolgens dataminingtools om te zien in hoeverre de gelijkenis van sociaal-demografische gegevens reispatronen zou kunnen verklaren. Ze ontdekte dat degenen met vergelijkbare mobiliteitspatronen waarschijnlijk tot dezelfde demografische groep behoren.

Haar werk kan worden uitgebreid om de demografische gegevens van een onbekende gebruiker af te leiden, of klantprofilering, gebaseerd op activiteitenpatronen, of om de frequente activiteitspatronen van een onbekende gebruiker te reconstrueren op basis van demografische gegevens en vergelijkbare patronen van reizigers. Door een kwantitatieve relatie te leggen tussen menselijke mobiliteitspatronen en demografie, Di heeft een theoretische basis gelegd om individuele mobiele sporen te gebruiken, die een reeks plaatsen bevatten die mensen bezoeken, reisbehoefte inschatten.

"Het werk van Di's en Shou toont het nut aan van datawetenschapstools voor het ontdekken van menselijke mobiliteitspatronen, " zegt Gowtham Atluri, een professor computerwetenschappen aan de Universiteit van Cincinnati, een expert in ruimtelijk-temporele datamining die niet bij het onderzoek betrokken was. "Hun algemene raamwerk is innovatief en benadrukt de noodzaak van samenwerking tussen transport- en datawetenschapsonderzoekers."

Di kijkt nu naar het opschalen van een kleine steekproef van mobiliteitspatronen naar een groter stedelijk niveau. New York City heeft een van de drie met het Amerikaanse Department of Transportation verbonden voertuigtestbanken en Di is van plan een grote hoeveelheid mobiele voertuigsporen te verzamelen. Zodra ze deze gegevens heeft, ze zal menselijke mobiliteitspatronen genereren met behulp van de demografische gegevens van de stad, gemakkelijk te verkrijgen uit nationale volkstellingsgegevens.

"Er zijn nu zoveel meer geconnecteerde voertuigen op de weg die zowel met elkaar als met de wegkantinfrastructuur kunnen "praten" om te communiceren waar hun exacte locatie is en op welk tijdstip, Di merkt op. "Onze synthetische trajecten zullen stadsplanners helpen verkeersopstoppingen te voorspellen en het verkeer actief te beheren."