Valutare il contesto geospaziale nella rilevazione del modo di viaggio

Rilevare come le persone viaggiano è importante per conoscere le loro abitudini e rendere i trasporti migliori e più sostenibili. Usare informazioni dai satelliti può darci indicazioni sui modelli di viaggio individuali. Mentre ricerche precedenti hanno dimostrato che è utile includere dettagli geospaziali-come dove viaggiano le persone rispetto a strade o mezzi pubblici-ci sono pochissimi studi che hanno messo insieme tutti i modi diversi per modellare questo contesto. Questa mancanza di chiarezza rallenta lo sviluppo di modelli di rilevamento più efficaci.

In questo articolo, proponiamo un metodo per valutare il ruolo delle informazioni geospaziali nell’identificare i modi di viaggio. Utilizziamo approcci tecnici, come un modello di machine learning e un metodo per spiegare le previsioni, per valutare quanto bene diverse caratteristiche del contesto geospaziale aiutano con il compito di identificazione. I nostri risultati mostrano che le caratteristiche legate all'Infrastruttura, come la distanza a strade o ferrovie, sono molto preziose per fare previsioni accurate. Inoltre, sebbene le caratteristiche relative a luoghi specifici possano aiutare a identificare l’uso dei mezzi pubblici, i fattori legati all'uso del suolo non contribuiscono molto al rilevamento.

#Importanza degli studi sul rilevamento dei modi di viaggio

Sapere come le persone scelgono i loro modi di viaggio è fondamentale per gli studi moderni sul comportamento di viaggio. Queste scelte derivano dalle esigenze quotidiane e dalle limitazioni affrontate dalle persone, influenzate da fattori come costo, tempo e accessibilità. I sistemi di mobilità vengono spesso valutati in base a come la popolazione attualmente suddivide i suoi modi di viaggio o come cambia tra di essi.

La scelta di viaggio di ciascuna persona riflette le proprie preferenze e abitudini, e comprendere queste cose può migliorare la modellazione del traffico e la pianificazione dei trasporti. Con il crescente focus sugli impatti ambientali, specialmente a causa della mobilità umana, sapere quale modo di viaggio viene usato per diverse attività è vitale per stimare gli effetti ambientali e promuovere sistemi di trasporto efficienti.

#L'evoluzione della raccolta di dati sul comportamento di viaggio

I metodi per raccogliere dati sul comportamento di viaggio sono cambiati molto nel tempo grazie ai progressi nelle tecnologie dell'informazione e della comunicazione. Invece di usare metodi tradizionali come questionari cartacei, i ricercatori ora impiegano sensori e smartphone per catturare automaticamente i dati di posizione. Queste app per smartphone che usano sensori di posizionamento satellitare integrati sono particolarmente interessanti perché forniscono dati di alta qualità a basso costo e facili da gestire.

I dataset GNSS degli smartphone forniscono informazioni dettagliate su dove si trovano le persone in qualsiasi momento. Questa alta risoluzione spaziale e temporale consente un tracciamento continuo dei modelli di movimento in relazione all'ambiente circostante. Tuttavia, nonostante questi vantaggi, i sensori degli smartphone non possono determinare automaticamente il modo di viaggio utilizzato in ogni momento.

Negli ultimi dieci anni, la ricerca si è concentrata sullo sviluppo di metodi per il rilevamento automatico del modo di viaggio. I primi tentativi si basavano su sistemi basati su regole, dove esperti creavano regole per differenziare i modi di viaggio. Più recentemente, i metodi di machine learning hanno preso piede grazie alla loro capacità di apprendere relazioni direttamente dai dati, migliorando significativamente le prestazioni del rilevamento.

#Il ruolo del contesto geospaziale nel rilevamento dei modi di viaggio

I ricercatori hanno riconosciuto sempre di più l'importanza del contesto geospaziale nella comprensione dei modi di viaggio. Caratteristiche di contesto, come la prossimità a fermate dei trasporti pubblici o tipi di copertura del suolo, aiutano a caratterizzare i diversi modi di viaggio. Tuttavia, non c'è accordo su quali tipi di contesto geospaziale siano più cruciali per il rilevamento dei modi. Molti approcci di rilevamento finiscono per includere più variabili di contesto di quanto sia necessario, a causa di interpretazioni diverse su ciò che è essenziale.

Per affrontare queste lacune, proponiamo un approccio sistematico per valutare il contributo delle informazioni di contesto geospaziale nell'identificare i modi di viaggio. Iniziamo con una revisione approfondita della letteratura esistente per identificare le rappresentazioni comuni del contesto. Creiamo quindi un modello a foresta casuale-un tipo efficace di modello di machine learning-per il rilevamento dei modi di viaggio e utilizziamo un metodo per l'attribuzione delle caratteristiche per valutare l'influenza del contesto geospaziale sulle previsioni.

#Struttura per il rilevamento dei modi di viaggio

La nostra struttura coinvolge tre fasi principali: estrazione delle caratteristiche, implementazione del modello e valutazione dell'importanza delle caratteristiche.

#Estrazione delle caratteristiche

Per prima cosa, estraiamo le caratteristiche di movimento e le caratteristiche di contesto geospaziale dalle traiettorie GNSS. Le caratteristiche di movimento includono metriche di base come velocità, accelerazione e distanza percorsa. Le caratteristiche di contesto geospaziale includono le distanze a infrastrutture rilevanti, stazioni dei trasporti pubblici e categorie di uso del suolo.

Queste caratteristiche aiutano a fornire un quadro completo dei movimenti effettuati con diversi modi di viaggio. Utilizziamo dati geospaziali open-source per garantire che il nostro metodo possa essere riprodotto e applicato ampiamente.

#Implementazione del modello

Con un insieme completo di caratteristiche, alleniamo un modello a foresta casuale per classificare i modi di viaggio associati a diverse fasi di movimento. La foresta casuale è un metodo popolare perché può gestire efficacemente strutture di dati complesse e fornire previsioni affidabili.

#Valutazione dell'importanza delle caratteristiche

Per comprendere i contributi delle singole caratteristiche, utilizziamo SHAP (SHapley Additive exPlanations), un metodo che aiuta a spiegare l'output dei modelli di machine learning distribuendo equamente l'importanza di ciascuna caratteristica. Questo approccio ci consente di quantificare come ciascun pezzo di informazione contribuisca alle previsioni complessive.

#L'importanza delle caratteristiche di movimento e delle caratteristiche di contesto geospaziale

Sebbene le caratteristiche di movimento-come velocità e accelerazione-siano comunemente usate, questo studio mette in evidenza che le caratteristiche di rete geospaziale sono spesso ancora più critiche nel distinguere i modi di viaggio. Ad esempio, sono state trovate particolarmente impattanti le caratteristiche che dettagliano la distanza dalle reti stradali.

Inoltre, le caratteristiche relative alle stazioni dei trasporti pubblici presentano anche un valore significativo. Queste permettono una migliore identificazione dell’uso dei trasporti pubblici analizzando la prossimità alle fermate all'inizio e alla fine dei viaggi. Tuttavia, le caratteristiche legate alla copertura del suolo e all'uso del suolo presentano un'influenza limitata, il che suggerisce la necessità di una migliore modellazione di questi aspetti in studi futuri.

#Risultati da esperimenti su larga scala

Abbiamo condotto esperimenti utilizzando dati da un ampio dataset di tracciamento GNSS che includeva vari modi di viaggio. Questo dataset ci ha permesso di rappresentare una vasta area geografica e valutare l'efficacia di diversi approcci di modellazione.

I nostri risultati hanno confermato che alcune caratteristiche di contesto, in particolare quelle che descrivono le relazioni con l'infrastruttura, sono cruciali per una efficace identificazione del modo di viaggio. La separazione dei modi, specialmente per l'uso dei mezzi pubblici rispetto a quello dei veicoli privati, ha beneficiato notevolmente di queste intuizioni contestuali.

Abbiamo anche notato che il nostro modello è riuscito a ottenere un'alta accuratezza ma ha avuto difficoltà con i modi di viaggio meno frequenti, il che potrebbe essere attribuito alle somiglianze nelle caratteristiche di movimento tra i modi. Ad esempio, i viaggi in bicicletta venivano spesso classificati erroneamente come camminate o viaggi in auto a causa di caratteristiche sovrapposte.

#Conclusione e direzioni future

Questo studio contribuisce al campo proponendo un approccio sistematico per valutare l'importanza del contesto geospaziale nel rilevamento dei modi di viaggio. Utilizzando un insieme completo di caratteristiche e un robusto modello di machine learning, siamo stati in grado di identificare le caratteristiche più impattanti e mettere in evidenza i punti di forza e di debolezza negli approcci attuali.

In futuro, la ricerca dovrebbe considerare gli aspetti temporali del viaggio, che possono influenzare notevolmente le scelte di modo. Inoltre, esplorare l'integrazione degli effetti di concatenamento del viaggio-come interagiscono i diversi modi durante un percorso-potrebbe portare a miglioramenti nei modelli di rilevamento.

Infine, c’è potenziale per affinare il modo in cui rappresentiamo le relazioni tra i movimenti e l’ambiente costruito. Utilizzare metodi di machine learning avanzati potrebbe aiutare a scoprire queste complessità e migliorare ulteriormente il rilevamento dei modi di viaggio.

Questa ricerca sottolinea l'importanza delle caratteristiche contestuali nel rilevamento dei modi di viaggio e offre indicazioni per una scelta e progettazione efficace delle caratteristiche negli studi futuri. La struttura proposta può essere applicata a vari dataset, promuovendo una migliore comprensione e gestione dei modelli di mobilità in diverse regioni.