Generation of Mobility Patterns for Private Vehicles using Multi-headed Sequence Generative Adversarial Networks
Notice bibliographique
Résumé
Effective transport planning strategies seek to improve the urban transportation systems by addressing traffic congestion problems, identifying emission hotspots, incentivizing public transit to discourage private vehicle usage and adoption of electric vehicles. Strategy planners and policy makers are increasingly relying on new emerging methods such as full population scaled agent-based macroscopic transport simulation models to study the interaction between mobility patterns of the commuters and their impact on the transportation systems. This is because the behavioural changes in daily travelling patterns of commuters play a major role in predicting the future travel demand for the development of a robust and reliable urban transportation system. Traditionally, household travel surveys have been conducted periodically to understand the current travel behaviour and plan for the future development. However, it is impossible for traditional surveys to sample a large majority of the daily commuter trips, particularly for private vehicles and therefore in its raw form, it cannot be used in a full sample agent-based simulation. In this paper, we use the household travel survey data from Singapore to generate the synthetic mobility patterns for the complete population of private vehicle users that is capable of preserving the data privacy whilst retaining the statistical features of the original data. This is accomplished by employing a multi-headed gated recurrent unit (GRU) based generative model that enables the generation of synthetic mobility patterns that provide a suitable representation of the real mobility patterns of the larger set of commuters. We define and utilize two accuracy evaluation metrics that quantify the quality of the generated synthetic mobility trips. Our experimental results have shown that we are able to capture 90% of the correctness of the original mobility dataset of private vehicle users.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».