Die Studie entwickelt und wendet einen auf maschinellem Lernen basierenden Modellierungsansatz an, um die täglichen Geh- und Radverkehrsvolumen in einem großen regionalen Netzwerk in New South Wales, Australien, mit insgesamt 188.999 Gehwegverbindungen und 114.885 Fahrradverbindungen zu schätzen. Der Modellierungsansatz nutzt Crowdsourcing- und Mobilfunkdaten sowie eine Reihe anderer Datensätze zu Bevölkerung, Landnutzung, Topographie, Klima usw.
Die Studie diskutiert die einzigartigen Herausforderungen und Einschränkungen in Bezug auf das Modelltraining, -testen und die Inferenz aufgrund der großen geografischen Ausdehnung der modellierten Netzwerke und der relativen Knappheit an beobachteten Geh- und Radverkehrszählungen. Die Studie schlägt auch eine neue Technik vor, um Schätzausreißer zu identifizieren und deren Auswirkungen zu mindern.
Insgesamt liefert die Studie eine wertvolle Ressource für Verkehrsmodelleure, politische Entscheidungsträger und Stadtplaner, die die Planung und Politik der aktiven Mobilität mit fortschrittlichen, datengesteuerten Modellierungsmethoden verbessern wollen.
Para outro idioma
do conteúdo fonte
arxiv.org
Principais Insights Extraídos De
by Meead Saberi... às arxiv.org 04-02-2024
https://arxiv.org/pdf/2404.00162.pdfPerguntas Mais Profundas