Detailergebnis zu DOK-Nr. 77339
Nutzung der Deep-Learning-Methode zum Verständnis von Verkehrsnachfrageverhalten in urbanen Bezirken (Orig. engl.: Using deep learning to understand travel demands in different urban districts)
Autoren |
S. Bai J. Jiao |
---|---|
Sachgebiete |
6.1 Verkehrserhebungen, Verkehrsmessungen 0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 6.2 Verkehrsberechnungen, Verkehrsmodelle |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 7, 2021, S. 117-128, 6 B, 2 T, 51 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Die valide Prognose der Verkehrsnachfrage spielt eine entscheidende Rolle in der Verkehrsplanung. Klassische Verkehrsnachfragemodelle prognostizieren das Mobilitätsverhalten auf Basis von Bebauungs- und Siedlungsdaten. Viele Studien haben sich bereits mit der Prognosefähigkeit dieser traditionellen Daten mithilfe der Big-Data-Methode beschäftigt. Wenige Studien haben allerdings die tageszeitlichen und räumlichen Einflüsse betrachtet. Vor diesem Hintergrund haben die Autoren GPS-Smartphone-Daten genutzt, um ein long short-term memory (LSTM) rekursives neuronales Netzwerk (RNN) für die Prognose des Verkehrsnachfrageverhaltens bezogen auf sechs Ziele in Austin, Texas (Innenstadt, Universität, Flughafen sowie Points-of Interest im Inneren Ring, der Vorstadt und dem Stadtrand) zu analysieren. Der Vergleich der Ergebnisse zeigt, dass die Nachfragen auf einigen Relationen zeitlich und räumlich variieren und diese Effekte in Nachfrageprognosemodellen Berücksichtigung finden sollten.