Disaggregate travel demand analysis using big data sources: unsupervised learning methods for data-driven trip purpose estimation
Notice bibliographique
Résumé
Data is a paramount factor in the success of transport modeling. Smartphones can be employed to retrieve full individual trajectories, either locally through apps using the devices’ integrated GPS sensors, or through the mobile network operator (MNO), by tracing the mobile antennas to which devices connect over time. Several studies have demonstrated of the utility of this data to infer users’ door-to-door trips, and then to build door-to-door origin-destination matrices, which are a key feedstock for transport modeling and planning. Some MNOs already provide such services commercially, yielding notable time and cost savings with respect to matrices estimated through traditional surveys. However, these are often highly aggregated and lack supplementary relevant trip information, such as mode and purpose, and if any, these are commonly obtained by means of human-driven heuristic considerations and fixed rules. This study aims at exploring the suitability of machine learning techniques for data-driven mobility demand estimation and analysis. It identifies associated opportunities and challenges through a pilot experiment focused on trip purpose estimation via diverse clustering techniques. Despite the experiment's limitations due to a small sample size and altered mobility patterns resulting from the COVID-19 pandemic, clustering algorithms (both distance- and density-based) successfully yield meaningful outcomes. The results include the identification of travel purposes, such as trips to home with or without overnight stays, trips to occasional destinations, commutes to work, trips to holiday stays, and more. These preliminary yet promising findings suggest that machine learning holds significant potential in mobility analysis, and it could feasibly be employed to estimate big-data-driven demand matrices, offering a higher degree of disaggregation and consequently enhancing the quality of transport modeling practices.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».