从计数站到全城估计: 数据驱动的自行车体量外推

向自行车出行转变可减少温室气体排放并改善公共健康。街道级别的自行车体量信息将帮助城市制定针对性的基础设施改进计划, 以鼓励骑行, 并为民间组织提供证据以争取自行车需求。然而, 当前为城市和公众提供的数据常仅来自稀疏分布的计数站。本文 extrapolates 自行车体量 beyond these few locations to estimate bicycle volume for the entire city of Berlin。我们使用机器学习技术和 various public data sources 预测每日和平均年日街道级别的自行车体量。这些包括基于应用的众包数据、基础设施、共享单车、机动交通、社会经济指标、天气和假日数据。我们的分析显示, 最佳模型是 XGBoost, 众包骑行和基础设施数据对预测最为重要。我们进一步模拟了在预测位置收集短期计数如何改善性能。通过为每个预测位置提供十天的样本计数, 我们能够将误差减半, 大大降低了各预测位置性能的波动性。