Detailergebnis zu DOK-Nr. 79922
Erforschung individueller Aktivitäts- und Fahrtmuster auf der Grundlage von Geolokalisierungsdaten von Mobiltelefonen (Orig. engl.: Exploring individual activity-travel patterns based on geolocation data from mobile phones)
| Autoren |
B. Yin F. Leurent |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 6.1 Verkehrserhebungen, Verkehrsmessungen |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 12, 2021, S. 771-783, 9 B, 3 T, 21 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Data-Mining-Techniken können nützliche Aktivitäts- und Reiseinformationen aus umfangreichen Datenquellen wie Geolokalisierungsdaten von Mobiltelefonen extrahieren. In dem Beitrag werden individuelle Aktivitäts- und Reisemuster aus Stichproben von Handynutzenden anhand eines zweiwöchigen Geolokalisierungsdatensatzes aus der Region Paris in Frankreich untersucht. Nach der Filterung des Datensatzes werden Techniken vorgeschlagen, um individuelle Aufenthalte und Aktivitätsorte zu identifizieren. Typische Aktivitätsorte wie der primäre Ankerort und der sekundäre Ort werden erkannt. Die tägliche Zeitachse (das heißt das Aktivitäts-Fahrtprogramm) wird mit den erkannten Aktivitätsorten und den dazwischen liegenden Fahrten rekonstruiert. Basierend auf den Tagesabläufen der Personen wurde eine dreistufige Clustermethode zur Analyse der Mobilitätsmuster vorgeschlagen. Im Rahmen der Methode werden zunächst die Aktivitätstypen durch eine Clusteranalyse identifiziert. In der zweiten Stufe werden die täglichen Mobilitätsmuster durch Clustering der täglichen Mobilitätsmerkmale ermittelt. Die Aktivitäts-Fahrt-Topologien werden statistisch untersucht, um die Interpretation der täglichen Mobilitätsmuster zu unterstützen. Im letzten Schritt werden die individuellen Mobilitätsmuster für alle Stichproben über einen Zeitraum von 14 Tagen, gemessen an der Anzahl der Tage für alle Arten von täglichen Mobilitätsmustern, statistisch ausgewertet. Alle einzelnen Stichproben werden in mehrere Gruppen unterteilt, in denen die Personen ein ähnliches Reiseverhalten aufweisen. Ein k-means++-Algorithmus wurde angewandt, um die angemessene Anzahl von Mustern in jeder Phase zu erhalten. Schließlich werden die individuellen Mobilitätsmuster mit statistischen Beschreibungen interpretiert und es werden wohnortbezogene Unterschiede in der räumlichen Verteilung der gruppierten Personen aufgezeigt.