19 de noviembre 2018:estimar la demanda de viajes en una ciudad es una herramienta fundamental para que los planificadores urbanos comprendan los patrones de tráfico, predecir la congestión del tráfico, y planifique con anticipación el mantenimiento y reemplazo de la infraestructura de transporte. Durante años, Los investigadores han utilizado la práctica clásica de multiplicar el número de viajes por día por persona para diferentes grupos demográficos para modelar la demanda de viajes basada en actividades. Pero debido a que este método se desarrolló antes de la era actual de sensores ubicuos (dispositivos GPS, teléfonos inteligentes, cámaras en postes de luz, y vehículos conectados, entre ellos, a los investigadores les ha resultado difícil validar sus estimaciones en situaciones del mundo real.

Minería de datos para analizar patrones de seguimiento, Sharon Di, profesor asistente de ingeniería civil y mecánica de ingeniería en Columbia Engineering, ha descubierto que puede inferir el nivel de demanda de viajes de la población en una región a partir de las trayectorias de solo una parte de los viajeros. Tomó datos recopilados del primer y más grande banco de pruebas de vehículos conectados del mundo en Ann Arbor, dirigido por el Instituto de Transporte de la Universidad de Michigan (UMTRI), y analizó 349 trazas móviles continuas durante un año (19, 130 actividades de viaje). Encontró tres grupos distintos e infirió sus datos demográficos en función de sus patrones de viaje:

• Personas mayores, que viajan a una mayor variedad de lugares en un día
• Trabajadores que se quedan principalmente en el trabajo o en casa
• Padres, que visitan más lugares individuales en un día

Ella y su Ph.D. El estudiante Zhenyu Shou luego validó sus datos demográficos inferidos utilizando datos de encuestas de UMTRI. Sus hallazgos se describen en un estudio publicado por Investigación de transporte Parte C 18 de septiembre.

"Con la popularidad de los sensores en todas partes, de nuestros bolsillos a nuestros coches, ahora podemos rastrear a los individuos en términos de adónde van, A qué hora, y qué actividad pueden realizar, esencialmente, a donde vas te dice quien eres y viceversa, "dice Di, quien también es miembro del Data Science Institute. "Lo que hemos aprendido de nuestro análisis de los datos de Michigan nos ayudará a utilizar los datos futuros recopilados del banco de pruebas de vehículos conectados de la ciudad de Nueva York para comprender los patrones de movilidad en la ciudad y ayudar a aliviar la congestión del tráfico".

Debido a que la gente tiende a visitar los mismos lugares para actividades diarias como el trabajo, compras, y cenando, los seguimientos móviles cotidianos tienden a ser repetitivos, pero los eventos aleatorios crean desviaciones. Dado que la mayoría de los estudios existentes utilizan solo un día o unos pocos días de un subconjunto más pequeño de los seguimientos móviles de las personas, no captan de forma precisa o completa sus rutinas de viaje a largo plazo. Uno o dos días de seguimientos móviles tampoco logran capturar los atascos de tráfico recurrentes.

Di cree que su estudio es el primero en utilizar datos de un año completo. Construyó un árbol de probabilidad para que cada conductor describiera la frecuencia de sus trazas en un año y luego usó herramientas de minería de datos para ver hasta qué punto la similitud sociodemográfica podía explicar los patrones de viaje. Descubrió que aquellos que tienen patrones de movilidad similares probablemente pertenezcan al mismo grupo demográfico.

Su trabajo puede extenderse para inferir la demografía de un usuario desconocido, o perfiles de clientes, basado en patrones de actividad, o reconstruir patrones de actividad frecuente de un usuario desconocido basados ​​en datos demográficos y patrones de viajeros similares. Al establecer una relación cuantitativa entre los patrones de movilidad humana y la demografía, Di ha establecido una base teórica para utilizar trazas móviles individuales, que contienen una secuencia de lugares que visitan las personas, para estimar la demanda de viajes.

"El trabajo de Di y Shou demuestra la utilidad de las herramientas de ciencia de datos para descubrir patrones de movilidad humana, "dice Gowtham Atluri, profesor de informática en la Universidad de Cincinnati, un experto en minería de datos espacio-temporales que no participó en el estudio. "Su marco general es innovador y destaca la necesidad de esfuerzos de colaboración entre los investigadores de ciencia de datos y transporte".

Di está buscando ahora escalar una pequeña muestra de patrones de movilidad a un nivel de ciudad más grande. La ciudad de Nueva York tiene uno de los tres bancos de pruebas de vehículos conectados del Departamento de Transporte de EE. UU. Y Di planea recopilar una gran cantidad de rastros móviles de vehículos. Una vez que tenga estos datos, ella generará patrones de movilidad humana utilizando la demografía de la ciudad, Se obtiene fácilmente de los datos del censo nacional.

"Ahora hay muchos más vehículos conectados en las carreteras que pueden" hablar "entre sí y con la infraestructura de la carretera para comunicar dónde está su ubicación exacta y a qué hora, Di observa:"Nuestras trayectorias sintéticas ayudarán a los urbanistas a predecir la congestión del tráfico y gestionar activamente el tráfico".