BuSCOPE：融合个体与聚合出行行为以实现“实时”智慧城市服务
物理与社会
2019-06-18 v3
摘要
尽管城市通勤数据分析在揭示人类出行行为方面有着悠久且已被证实的价值，但此类分析大多以离线方式进行，并用于辅助中长期城市规划。在本文中，我们展示了在实时出行数据上应用预测分析的力量，具体而言是利用新加坡数百万公共巴士通勤者生成的智能卡出行数据，创建两项新颖且“实时”的智慧城市服务。我们工作的关键分析创新在于结合城市出行的两个方面：(a) 趋同性(conformity)：反映沿巴士线路通勤者聚合流的可预测性；(b) 规律性(regularity)：捕捉每位个体通勤者重复的出行模式。我们证明，这两种行为度量的融合可使用我们的 BuScope 平台在城市的尺度上完成，并可用于创建两项创新的智慧城市应用。最后一英里需求生成器提供对社区巴士站点下车乘客数量的 O(分钟) 级前瞻预测；它通过巧妙结合个体层面的规律性与聚合层面的趋同性，在预测此类下车行为上达到超过 85% 的准确率。通过主动调度无人驾驶车辆以匹配该预测需求，我们可将下车乘客的等待时间减少超过 75%。此外，社区事件检测器利用正在运营巴士的离群度量，来检测并时空定位动态城市事件，可提前多达 1.5 小时，定位误差为 450 米。
引用
@article{arxiv.1905.06116,
title = {BuSCOPE : Fusing Individual & Aggregated Mobility Behavior for "Live" Smart City Services},
author = {Lakmal Meegahapola and Thivya Kandappu and Kasthuri Jayarajah and Leman Akoglu and Shili Xiang and Archan Misra},
journal= {arXiv preprint arXiv:1905.06116},
year = {2019}
}
备注
ACM MobiSys 2019