パリの公共交通に対するコロナの影響

コロナウイルスのパンデミックは、特に公共交通機関に関して、都市内の移動方法に大きな影響を与えた。この変化は、厳しいロックダウンが実施されていたパンデミック期間中の移動に影響を与えただけでなく、もっと多くの人がリモートワークにシフトしたことで、長期的な移動習慣も変わった。これらの変化が公共交通の利用にどんな影響を与えたかを理解することで、都市の移動の未来を分析する手助けになる。

この記事では、パリの公共交通の利用状況を調べるための「回帰混合モデル」という新しい方法について話す。このモデルを使うと、交通機関の駅をグループ化し、利用状況に影響を与えるような他の要因（ロックダウンの日や休日など）を考慮しながら、異なる時間帯を特定できる。

#モデルの概要

私たちが提案するモデルは、クラスタリングと回帰を組み合わせたもの。クラスタリングは似たデータをグループ化し、回帰は特定の要因が結果にどう影響を与えるかを見ていく。私たちのケースでは、パンデミックが公共交通の利用にどう影響したかを、さまざまな駅と時間帯を調べることで見たい。

#クラスタリングとセグメンテーション

クラスタリングは、似た利用傾向を持つ駅をグループ化してデータのパターンを見つけるのを助ける。一方、セグメンテーションは、行動の変化に基づいてタイムラインを異なる期間に分ける。たとえば、パンデミックの前、中、後で利用状況がどう変わったのか特定したい。

私たちのモデルでは、各クラスタに対して、他の要因が利用に与える影響を表すための別々の回帰係数が与えられる。これにより、これらの要因間の関係が時間とともにどのように変化するかを見られる。

#データと方法論

#データ収集

2017年から2022年中旬までに収集されたパリの公共交通の利用データを使った。このデータセットは、都市とその郊外の多くの駅からの毎日の移動状況をカバーしており、パンデミック前、ロックダウン中、その後の回復期のデータが含まれている。

#データの前処理

生データは正確性を確保するためにクリーンアップされた。データがない日やエントリーが不十分な日は除外し、ノイズがある場合は移動平均を使って変動を平滑化した。比較を容易にするためにデータセットも正規化した。

#外的変数

私たちのモデルの理解を深めるために、いくつかの外的要因（外生変数）を含めた。これには以下が含まれる：

• 曜日のタイプ（平日と週末など）
• 特定のロックダウン期間
• 年間を通じた季節的トレンド
• 駅のタイプ（地下鉄と地域鉄道など）

#モデルの仕様

私たちのモデルは、異なるクラスタとセグメントがどう振る舞うかを定めている。各駅のデータは、類似性に基づいてクラスタにグループ化される。これらのクラスタは異なる地域やタイプの駅を表すことができる。

クラスタが形成された後、各クラスタ内での利用状況の時間経過に伴う変化を分析する。モデルは、ロックダウン中や回復期などの大きな変化がいつ起こるかを特定するのに役立つ。

#パラメータの推定

モデルのパラメータを推定するために、期待値最大化（EM）という方法を使った。この方法は、データに基づいて最適なパラメータを見つけることを可能にする。パラメータの推定とデータセット内の各点が特定のクラスタに属する可能性を示す「責任」を計算することを交互に行う。

#初期化

パラメータ推定のプロセスを始めるために、クラスタの割り当てについての仮定からスタートする。パラメータを推定する中で、これらの初期の仮定を洗練させてモデルの精度を高める。

#結果

#合成データでの性能

モデルの検証のために、最初に合成データでテストを行った。これは、既知のルールに基づいてデータを作成したということを意味する。その後、モデルがどれだけうまくクラスタやセグメントを特定できるか評価した。結果は、モデルがデータの真の基盤構造を効果的に検出できることを示した。

#実データでの評価

合成データでの検証の後、パリの実際の公共交通利用データにモデルを適用した。結果が信頼できることを確保するために、クロスバリデーションという方法を使った。これはデータをトレーニングセットとバリデーションセットに分けて、モデルが新しいデータをどれだけうまく予測できるかテストする。

結果は、外部要因を考慮しなかったシンプルなモデルよりも私たちのモデルが優れていることを示した。これにより、曜日のタイプやロックダウン期間のような変数を含めることで利用状況の理解が深まることが示唆された。

#発見

#パンデミックの影響

私たちのモデルは、パンデミックが公共交通に与えた影響について重要な知見を明らかにした。2020年3月の初回ロックダウンは、全駅で利用者数が急激に減少する原因となった。ロックダウン後、徐々に回復はしたものの、すべての駅が元に戻るわけではなかった。

#平日と週末の移動の変化

重要な発見の一つは、パンデミック後に平日と週末の利用者数の差があまり目立たなくなったこと。これは、多くの人がリモートワークをするようになったため、日常の通勤者が減少したことが原因かもしれない。

#クラスタ間の変動性

異なるクラスタはそれぞれ独特な利用パターンを示した。雇用レベルが高い地域の駅は、パンデミックに関連する措置の影響をより強く受けた。クラスタによって利用状況の変動は様々で、パンデミック中に安定性を示したクラスタもあった。

#結論

私たちの研究は、コロナウイルスのパンデミックがパリの公共交通の利用状況をどう変えたかについての貴重な見識を提供した。回帰混合モデルは移動パターンの変化をうまく特定し、関係者やプランナーがパンデミックの都市移動への影響を理解する手助けをした。

#今後の研究

モデルの計算効率性には改善の余地がある。今後の研究では計算の最適化やクラスタとセグメントの数の選択を自動化する方法を探求することができる。

全体として、パンデミックが公共交通に与えた影響を理解することは、都市の移動における未来の変化に備えるために重要である。都市が新しい働き方や移動の好みに適応する中で、この研究から得られた知見は、進化するニーズに応える公共交通システムの設計に役立つだろう。