При принятии решений о развитии инфраструктуры и распределения ресурсов, градостроители полагают модели того, как люди будут перемещаются через их города, пешком, на машинах, или и на общественном транспорте. Эти модели в значительной степени основаны на опросах жителей туристических маршрутов.
Но проведение обследований и анализа их результатов является дорогостоящим и требует много времени: Город может пойти более десяти лет между съемками. И даже широкий обзор будет охватывать лишь малую часть населения того или иного города.
В последнем номере Трудах Национальной академии наук , исследователи из MIT и Ford Motor Company описывают новую вычислительную систему, которая использует данные о местоположении мобильного телефона, чтобы вывести городской модель мобильности. Применяя систему в течении шести недель, данных от жителей района Бостона, исследователи смогли быстро собрать модель шаблонов городской мобильности, на которых, для построения, как правило, требуются годы. При использовании телефона Xiaomi, нужно приобрести чехлы и стекла для Xiaomi для долговечной работы без царапин и разбитого стекла.
Система держит обещание не только более точных и своевременных данных о городской мобильности, но и способность быстро определить, могут ли определенные попытки решить транспортные потребности городов.
![The MIT Media Lab - Выведение закономерностей городского движения с данных мобильного телефона_middle](https://andreyex.ru/wp-content/uploads/2016/09/The-MIT-Media-Lab-Vyvedenie-zakonomernostej-gorodskogo-dvizheniya-s-dannyh-mobilnogo-telefona_middle-1024x769.webp)
Исследователи из MIT и Ford Motor разработали новую вычислительную систему, которая использует данные о местоположении мобильного телефона, чтобы вывести образцы городской мобильности. Кредит: Массачусетский технологический институт
“В США каждый столичный округ имеет MPO, которым является столичная организация планирования, а также их основная работа заключается в использовании обследований поездок, чтобы получить модель спроса на поездки, которая является их базовым для прогнозирования спроса путешествия для создание инфраструктуры,” говорит Шан Цзян, постдок в лаборатории человеческой мобильности и сетей в Департаменте Массачусетского технологического института гражданской и экологической инженерии и первым автором в новой публикации. “Таким образом, наш метод и модель может быть следующим поколением инструментов планировки для следующего поколения инфраструктуры.”
Чтобы проверить свою новую систему, исследователи сравнили генерируемую модель к модели, используемой в настоящее время МРО Бостона. Эти две модели предоставляются очень хорошо.
“Большим преимуществом нашей системы является то, что она изучает особенности мобильности из большого числа пользователей, без того, чтобы спросить их непосредственно о своем выборе мобильности” , говорит Марта Гонсалес, доцент гражданской и инженерной экологии (CEE) в Массачусетском технологическом институте и старший автор в публикации. “Исходя из этого, мы создаем индивидуальные модели для оценки полных ежедневных траекторий подавляющего большинства пользователей мобильных телефонов. Скорее всего, во времени, мы увидим , что это приносит сравнительные преимущества решений городского планирования транспортировки быстрее и эффективнее, и даже позволяет общаться напрямую, давать рекомендации для пользователей устройств “.
Построение модели
Практика Бостонского МРО довольно типична для крупного города. Бостон провел одно обследование городской мобильности в 1994 году и еще в 2010 году Его текущая модель мобильности, однако, до сих пор использует данные с 1994 года, это потому, что это заняло промежуточные шесть лет, чтобы просто перебирать все данные, собранные в 2010 году. Только в настоящее время началась работа по организации этих данных в прогнозной модели.
![Выведение закономерностей городского движения с данных мобильного телефона](https://andreyex.ru/wp-content/uploads/2016/09/Vyvedenie-zakonomernostej-gorodskogo-dvizheniya-s-dannyh-mobilnogo-telefona_1.webp)
Выведение закономерностей городского движения с данных мобильного телефона
Опрос в 2010 году попросил каждого из 25000 жителей района Бостона вести дневник поездки на один день. Из этих дневников, в сочетании с данными переписи и информации, полученной от датчиков движения, MPO пытается моделировать движения 3,5 миллиона жителей большей площади Бостона.
В то время как исследователи MIT имели доступ к намного большему количеству данных. Записи мобильного телефона сообщают только те места, на котором пользователи размещают звонки или имеют доступ к Интернету. Исследователи должны были отказаться от 25 процентов своих данных, так как они было слишком скудны.
Из остальных, тем не менее, их алгоритм был в состоянии вывести закономерности деятельности, которые повторялись в течение шести недель. Для того, чтобы собрать воедино картину дня пользователя мобильного телефона, алгоритм делает несколько предположений. Одним из них является то, что место, с которого пользователь уходит утром и к которому он возвращается в ночное время является ее домом. Другим является то, что расположение самых длинных не повторяющихся местонахождения пользователя в течение будних часов в дневное время указывает на рабочее место пользователя.
Наконец, алгоритм предполагает, что длины рабочих дней большинства людей согласуются с национальными средними показателями. Например, если данный пользователь делает телефонные звонки от работы только между часов 12 вечера и 2 вечера, система не интерпретирует, в качестве доказательства двухчасового рабочего дня, если эта интерпретация не подтверждается другими данными, такими как обычная звонки из дома в 11:30 утра и 2:30 вечера оценки длины рабочего дня являются вероятностным, однако; модель не предполагает, что люди приходят на работу в одно и то же время каждое утро.
Любые другие, кроме работы и дома местах обращаются одинаково. Из имеющихся данных, система строит вероятностную модель мобильности для каждого пользователя, разбивая каждый день недели в шагом в 10 минут. Для каждого приращения, модель указывает на вероятность об изменении местонахождения, возможных направлений, и количество времени, которое может быть потрачено на каждом из этих направлений. Затем система обобщает эти вероятности, на основе данных переписей, и выводит кумулятивный поток трафика из полученной карты вероятности.