Comparative Analysis of Travel Patterns from Cellular Network Data and an Urban Travel Demand Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Data on travel patterns and travel demand are an important input to today’s traffic models used for traffic planning. Traditionally, travel demand is modelled using census data, travel surveys, and traffic counts. Problems arise from the fact that the sample sizes are rather limited and that they are expensive to collect and update the data. Cellular network data are a promising large-scale data source to obtain a better understanding of human mobility. To infer travel demand, we propose a method that starts by extracting trips from cellular network data. To find out which types of trips can be extracted, we use a small-scale cellular network dataset collected from 20 mobile phones together with GPS tracks collected on the same device. Using a large-scale dataset of cellular network data from a Swedish operator for the municipality of Norrköping, we compare the travel demand inferred from cellular network data to the municipality’s existing urban travel demand model as well as public transit tap-ins. The results for the small-scale dataset show that, with the proposed trip extraction methods, the recall (trip detection rate) is about 50% for short trips of 1-2 km, while it is 75–80% for trips of more than 5 km. Similarly, the recall also differs by a travel mode with more than 80% for public transit, 74% for car, but only 53% for bicycle and walking. After aggregating trips into an origin-destination matrix, the correlation is weak (<mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mml:mrow><mml:msup><mml:mrow><mml:mi>R</mml:mi></mml:mrow><mml:mrow><mml:mn>2</mml:mn></mml:mrow></mml:msup><mml:mo><</mml:mo><mml:mn>0.2</mml:mn></mml:mrow></mml:math>) using the original zoning used in the travel demand model with 189 zones, while it is significant with <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><mml:mrow><mml:msup><mml:mrow><mml:mi>R</mml:mi></mml:mrow><mml:mrow><mml:mn>2</mml:mn></mml:mrow></mml:msup><mml:mo>=</mml:mo><mml:mn>0.82</mml:mn></mml:mrow></mml:math> when aggregating to 24 zones. We find that the choice of the trip extraction method is crucial for the travel demand estimation as we find systematic differences in the resulting travel demand matrices using two different methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle