Inferring Trip Destination Purposes for Trip Records Collected through Smartphone Apps
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».