Mapa de Ann Arbor:grupos de atividades para um motorista durante o período de 1º de janeiro, 31 de dezembro de 2013, Crédito de 2015:Zhenyu Shou, Zhaobin Mo / Engenharia de Columbia
19 de novembro 2018 — Estimar a demanda de viagens em uma cidade é uma ferramenta crítica para os planejadores urbanos entenderem os padrões de tráfego, prever congestionamento de tráfego, e planeje com antecedência a manutenção e substituição da infraestrutura de transporte. Por anos, os pesquisadores usaram a prática clássica de multiplicar o número de viagens por dia por pessoa para diferentes grupos demográficos para modelar a demanda de viagens baseada em atividades. Mas porque este método foi desenvolvido antes da era atual de sensores onipresentes - dispositivos GPS, smartphones, câmeras em postes de luz, e veículos conectados, entre eles, os pesquisadores acharam difícil validar suas estimativas em situações do mundo real.
Dados de mineração para analisar padrões de rastreamento, Sharon Di, professor assistente de engenharia civil e mecânica de engenharia na Columbia Engineering, descobriu que pode inferir o nível de demanda de viagens da população em uma região a partir das trajetórias de apenas uma parte dos viajantes. Ela coletou dados coletados do primeiro e maior teste de veículos conectados do mundo em Ann Arbor, liderado pelo Instituto de Transporte da Universidade de Michigan (UMTRI), e analisou traços móveis contínuos de um ano de 349 veículos (19, 130 atividades de viagens). Ela encontrou três grupos distintos e inferiu seus dados demográficos com base em seus padrões de viagem:
Ela e seu Ph.D. o estudante Zhenyu Shou então validou seus dados demográficos inferidos usando dados de pesquisa do UMTRI. Suas descobertas são descritas em um estudo publicado pela Pesquisa de Transporte - Parte C 18 de setembro.
"Com a popularidade dos sensores em todos os lugares, de nossos bolsos para nossos carros, agora podemos rastrear indivíduos em termos de para onde vão, a que horas, e que atividade eles podem realizar - essencialmente, onde você vai diz quem você é, e vice versa, "diz Di, que também é membro do Data Science Institute. "O que aprendemos com nossa análise dos dados de Michigan nos ajudará a utilizar os dados futuros coletados da bancada de testes de veículos conectados da cidade de Nova York para entender os padrões de mobilidade na cidade e ajudar a aliviar o congestionamento do tráfego."
Como as pessoas tendem a visitar os mesmos lugares para atividades diárias, como o trabalho, Shopping, e jantar, os rastros móveis diários tendem a ser repetitivos, mas eventos aleatórios criam desvios. Como a maioria dos estudos existentes usa apenas um único dia ou alguns dias de um subconjunto menor de rastreamentos móveis das pessoas, eles não capturam de forma precisa ou completa suas rotinas de viagens de longo prazo. Um ou dois dias de rastreamentos móveis também não conseguem capturar engarrafamentos recorrentes.
Di acredita que seu estudo é o primeiro a usar dados de um ano inteiro. Ela construiu uma árvore de probabilidade para cada condutor a fim de descrever a frequência de seus rastros em um ano e, em seguida, usou ferramentas de mineração de dados para ver até que ponto a similaridade de dados sócio-demográficos poderia explicar os padrões de viagem. Ela descobriu que aqueles que têm padrões de mobilidade semelhantes provavelmente pertencem ao mesmo grupo demográfico.
Seu trabalho pode ser estendido para inferir a demografia de um usuário desconhecido, ou perfis de clientes, com base em padrões de atividade, ou para reconstruir os padrões de atividade frequente de um usuário desconhecido com base em dados demográficos e padrões de viajantes semelhantes. Ao estabelecer uma relação quantitativa entre os padrões de mobilidade humana e dados demográficos, Di estabeleceu uma base teórica para usar traços móveis individuais, que contém uma sequência de lugares que as pessoas visitam, para estimar a demanda de viagens.
"O trabalho de Di e Shou demonstra a utilidade das ferramentas de ciência de dados para descobrir padrões de mobilidade humana, "diz Gowtham Atluri, um professor de ciência da computação na Universidade de Cincinnati, um especialista em mineração de dados espaço-temporais que não estava envolvido no estudo. "Sua estrutura geral é inovadora e destaca a necessidade de esforços colaborativos entre pesquisadores de transporte e ciência de dados."
Di está procurando agora expandir uma pequena amostra de padrões de mobilidade para um nível de cidade maior. A cidade de Nova York tem uma das três bancadas de teste de veículos conectadas ao Departamento de Transporte dos EUA e Di planeja coletar uma grande quantidade de rastreamentos móveis de veículos. Assim que ela tiver esses dados, ela vai gerar padrões de mobilidade humana usando os dados demográficos da cidade, facilmente obtidos a partir dos dados do censo nacional.
"Há muito mais veículos conectados nas estradas agora que podem" falar "tanto uns com os outros quanto com a infraestrutura de beira de estrada para comunicar onde estão suas localizações exatas e a que horas, "Di observa." Nossas trajetórias sintéticas ajudarão os planejadores da cidade a prever o congestionamento e gerenciar ativamente o tráfego. "
