Inferring Trip Destination Purposes for Trip Records Collected through Smartphone Apps
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
Rapid developments in smartphones and Global Positioning System (GPS) technology have provided a new method for travel data collection. People’s travel trajectories can be passively collected through smartphones with built-in GPS sensors and processed to infer important attributes of travel behavior such as trip destination purposes. This paper examines the feasibility of using discrete choice models and tree-based machine learning models for trip purpose inference. Using smartphone GPS trajectories and land-use data that are open-sourced for academic research, four models are developed to classify trip destination purposes into one of thirteen categories. The models include multinomial logit, mixed logit, random forest, and gradient boosting decision tree. Because the data set is significantly unbalanced with more than 50% of the trips being home or work trips, a two-stage modeling process is applied to identify home and work trips first and then subsequently to classify trips for the remaining discretionary purposes. The results show that both discrete choice models and machine learning models can achieve more than 70% prediction accuracies for home trips and work trips, but less than 30% prediction accuracies for most of the discretionary trip purposes. The discrete choice models can accurately reproduce the market share distribution of the trip purposes, but the machine learning models fail to do so. The results imply that as purely data-driven models, machine learning models may not be the best solution for trip purpose inference because they lack the theoretical background provided by microeconomics and human psychology that are essential in explaining people’s travel and activity choices.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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