从出行数据中提取公共交通的时空需求
物理与社会
2020-06-08 v1 机器学习
其他统计学
摘要
随着人们不断迁移到不同的城市区域，我们对工作、服务和休闲的出行需求正在迅速变化。不断变化的城市人口结构给交通服务的高效管理带来了若干挑战。为了预测交通需求，规划者常常求助于社会学调查或建模，这些方法要么难以获取，要么不准确或已过时。那么，我们如何估算多样化的出行需求？我们提出了一种简单的方法，用于识别城市中公共交通的时空需求。利用高斯混合模型，我们将经验乘车数据分解为一组代表任意给定日期内乘车情况的时间需求剖面。来自大伦敦地区约 460 万条每日交通轨迹的案例揭示了不同的需求剖面。我们发现，这些剖面的加权混合能够非常好地生成任意站点的交通量，从而揭示出出行需求的空间同心聚类。我们分析城市时空地理的方法可推广到其他具有不同公共交通模式的城市区域。
引用
@article{arxiv.2006.03351,
title = {Extracting Spatiotemporal Demand for Public Transit from Mobility Data},
author = {Trivik Verma and Mikhail Sirenko and Itto Kornecki and Scott Cunningham and Nuno AM Araújo},
journal= {arXiv preprint arXiv:2006.03351},
year = {2020}
}
备注
12 pages, 5 figures, submitted for peer review, SI included