Detailergebnis zu DOK-Nr. 75603
Klassifizierung des Reiseverhaltens: ein Ansatz mit sozialem Netzwerk und Deep Learning (Orig. engl.: Travel behavior classification: an approach with social network and deep learning)
| Autoren |
Y. Cui Q. He A. Khani |
|---|---|
| Sachgebiete |
6.1 Verkehrserhebungen, Verkehrsmessungen 6.2 Verkehrsberechnungen, Verkehrsmodelle |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2672, H. 47, 2018, S. 68-80, 6 B, 4 T, 39 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr
Die Aufdeckung des menschlichen Fahrtenverhaltens ist nicht nur für die Analyse der Fahrten-Nachfrage, sondern auch für Mitfahrgelegenheiten von entscheidender Bedeutung. Um ähnliche Reisende in Gruppen zusammenzufassen, entwickelt das Papier einen lernbasierten Ansatz zur Klassifizierung des Verhaltens von Reisenden anhand ihrer Fahrtenmerkmale, einschließlich Tageszeit und Wochentag für Reisen, Fahrtenarten, frühere Fahrtzwecke, persönliche demografische Daten und nahegelegene Ortskategorien von Fahrtzielen. Die Studie untersucht zunächst den Datensatz der California Household Travel Survey (CHTS) zwischen den Jahren 2012 und 2013. Nach einer Vorverarbeitung und Untersuchung der Rohdaten wird für jeden Teilnehmer eine Aktivitätsmatrix erstellt. Der Jaccard-Ähnlichkeitskoeffizient wird zur Berechnung der Matrix-Ähnlichkeiten zwischen jedem Paar von Individuen verwendet. Darüber hinaus wird bei gegebenen Matrix-Ähnlichkeitsmessungen für alle Teilnehmer ein gemeinschaftliches soziales Netzwerk konstruiert. Darüber hinaus wird ein Algorithmus zur Erkennung von Gemeinschaften implementiert, um Reisende mit ähnlichem Fahrtverhalten in gleiche Gruppen einzuteilen. Es wurden sechs Cluster erkannt: nicht arbeitende Personen mit mehr Einkaufsaktivitäten, nicht arbeitende Personen mit mehr Freizeitaktivitäten, normal pendelnde arbeitende Personen, Personen mit kürzerer Arbeitsdauer, Personen mit späterer Arbeitszeit und Personen, die zur Schule gehen müssen. Aus der Aktivitätsmatrix jedes Teilnehmers wird ein Bild der Aktivitätskarte erstellt. Schließlich wird ein Deep-Learning-Ansatz mit einem konvolutionären neuronalen Netz angewandt, um die Reisenden entsprechend ihrer Aktivitätskarten in entsprechende Gruppen einzuteilen. Die Genauigkeit der Klassifizierung erreicht bis zu 97 %. Der vorgeschlagene Ansatz bietet eine neue Perspektive für die Analyse des Fahrtverhaltens und die Klassifizierung der Reisenden.