Mappa di Ann Arbor:gruppi di attività per un conducente durante il periodo del 1 gennaio, 2013-dicembre 31, 2015 Crediti:Zhenyu Shou, Zhaobin Mo/Columbia Engineering
19 novembre 2018—La stima della domanda di viaggio in una città è uno strumento fondamentale per gli urbanisti per comprendere i modelli di traffico, prevedere la congestione del traffico, e pianificare in anticipo la manutenzione e la sostituzione delle infrastrutture di trasporto. Per anni, i ricercatori hanno utilizzato la pratica classica di moltiplicare il numero di viaggi al giorno per persona per diversi gruppi demografici per modellare la domanda di viaggio basata sull'attività. Ma poiché questo metodo è stato sviluppato prima dell'era attuale dei sensori onnipresenti:dispositivi GPS, smartphone, telecamere su pali della luce, e veicoli connessi, tra questi, i ricercatori hanno trovato difficile convalidare le loro stime in situazioni del mondo reale.
Dati minerari per analizzare i modelli di tracciamento, Sharon Di, assistente professore di ingegneria civile e ingegneria meccanica presso la Columbia Engineering, ha scoperto di poter dedurre il livello della domanda di viaggio della popolazione in una regione dalle traiettorie di solo una parte dei viaggiatori. Ha preso i dati raccolti dal primo e più grande banco di prova per veicoli connessi al mondo ad Ann Arbor, guidato dall'Istituto dei trasporti dell'Università del Michigan (UMTRI), e ha analizzato le tracce mobili continue di un anno di 349 veicoli (19, 130 attività di viaggio). Ha trovato tre gruppi distinti e ha dedotto i loro dati demografici in base ai loro modelli di viaggio:
Lei e il suo dottorato di ricerca lo studente Zhenyu Shou ha quindi convalidato i dati demografici dedotti utilizzando i dati del sondaggio dell'UMTRI. I loro risultati sono delineati in uno studio pubblicato da Ricerca sui trasporti parte C 18 settembre.
"Con la popolarità dei sensori ovunque, dalle nostre tasche alle nostre macchine, ora possiamo rintracciare gli individui in termini di dove vanno, a che ora, e quale attività possono svolgere, essenzialmente, dove vai dice chi sei, e viceversa, "dice Di, che è anche membro del Data Science Institute. "Ciò che abbiamo appreso dalla nostra analisi dei dati del Michigan ci aiuterà a utilizzare i dati futuri raccolti dal banco di prova dei veicoli connessi di New York City per comprendere i modelli di mobilità in città e contribuire ad alleviare la congestione del traffico".
Poiché le persone tendono a visitare gli stessi luoghi per le attività quotidiane come il lavoro, shopping, e pranzo, le tracce mobili quotidiane tendono ad essere ripetitive, ma eventi casuali creano deviazioni. Poiché la maggior parte degli studi esistenti utilizza solo un giorno o pochi giorni di un sottoinsieme più piccolo di tracce mobili delle persone, non catturano in modo accurato o completo le loro routine di viaggio a lungo termine. Inoltre, un giorno o due di tracce mobili non riescono a catturare gli ingorghi ricorrenti.
Di crede che il suo studio sia il primo a utilizzare i dati di un intero anno. Ha costruito un albero delle probabilità per ciascun guidatore per descrivere la frequenza delle loro tracce in un anno e quindi ha utilizzato strumenti di data mining per vedere fino a che punto la somiglianza dei dati socio-demografici potrebbe spiegare i modelli di viaggio. Ha scoperto che coloro che hanno modelli di mobilità simili probabilmente apparterranno allo stesso gruppo demografico.
Il suo lavoro può essere esteso sia per dedurre i dati demografici di un utente sconosciuto, o profilazione del cliente, sulla base di modelli di attività, o per ricostruire i modelli di attività frequenti di un utente sconosciuto in base a dati demografici e modelli di viaggiatori simili. Stabilendo una relazione quantitativa tra i modelli di mobilità umana e la demografia, Di ha posto le basi teoriche per utilizzare tracce mobili individuali, che contengono una sequenza di luoghi visitati dalle persone, per stimare la domanda di viaggio.
"Il lavoro di Di e Shou dimostra l'utilità degli strumenti di data science per scoprire modelli di mobilità umana, "dice Gowtham Atluri, un professore di informatica all'Università di Cincinnati, un esperto di data mining spazio-temporale che non è stato coinvolto nello studio. "Il loro quadro generale è innovativo e mette in evidenza la necessità di sforzi collaborativi tra i ricercatori nel settore dei trasporti e della scienza dei dati".
Di sta ora cercando di ampliare un piccolo campione di modelli di mobilità a un livello di città più grande. New York City ha uno dei tre banchi di prova per veicoli connessi del Dipartimento dei trasporti degli Stati Uniti e Di prevede di raccogliere una grande quantità di tracce mobili dei veicoli. Una volta che ha questi dati, genererà modelli di mobilità umana utilizzando i dati demografici della città, facilmente ricavabili dai dati del censimento nazionale.
"Ci sono così tanti più veicoli connessi sulle strade ora che possono "parlare" sia tra loro che con le infrastrutture stradali per comunicare dove si trova la loro posizione esatta e a che ora, " Di osserva. "Le nostre traiettorie sintetiche aiuteranno gli urbanisti a prevedere la congestione del traffico ea gestire attivamente il traffico".
