建模大规模步行与骑行网络：一种利用手机和众包数据的机器学习方法

步行和骑行被认为能带来显著的健康、环境和经济优势。然而，基于证据的主动交通规划与政策一直受到严重数据限制的阻碍，例如众包数据中的偏差以及手机数据的代表性问题。在本研究中，我们开发并应用了一种基于机器学习的建模方法，用于估算澳大利亚新南威尔士州一个大规模区域网络中的每日步行和骑行流量，该网络包含188,999个步行路段和114,885个骑行路段。该建模方法利用了众包数据和手机数据，以及人口、土地利用、地形、气候等一系列其他数据集。本研究讨论了在模型训练、测试和推理三个方面所面临的独特挑战和局限性，这些挑战源于建模网络的地理范围广阔以及观测到的步行和骑行计数数据相对稀缺。本研究还提出了一种新技术，用于识别模型估计中的异常值并减轻其影响。总体而言，本研究为交通建模者、政策制定者和城市规划者提供了宝贵资源，帮助他们利用先进的数据驱动建模方法加强主动交通基础设施的规划与政策。