Analisi dei cambiamenti climatici: previsione delle richieste di viaggio tra luoghi specifici
Nella vivace città di San Francisco, comprendere i modelli di mobilità all'interno del paesaggio urbano è cruciale per ridurre il traffico, l'attività di trasporto complessiva e, di conseguenza, le emissioni di gas serra. Un approccio a questo problema è il problema di conteggio dei flussi origine-destinazione (OD), che stima quante auto attraversano una data sotto-regione per un'altra in un determinato periodo.
I dati per questo studio provengono dalla piattaforma "Movement" di Uber, che fornisce dati sul traffico per la modellazione del traffico di San Francisco. Il set di dati utilizzato in questo caso di studio contiene dati GPS da 536 taxi per un periodo di 21 giorni, con un totale di 121 milioni di tracce GPS suddivise in 464.045 viaggi.
Innanzitutto, i dati subiscono una decomposizione spaziale. Dopo questo processo, il set di dati contiene l'origine e la destinazione di ogni viaggio in taxi quando sono occupati da un passeggero. Per semplicità, vengono presi i primi 50 coppie di celle OD con il maggior numero di viaggi. La diffusione dei dispositivi GPS ha portato a molti set di dati relativi alla mobilità, ma imparare dai dati GPS è un problema complesso a causa delle dipendenze spaziali e temporali. Per affrontare questo problema, i dati vengono discretizzati nel tempo, conteggiando quanti viaggi si verificano in ogni ora per ogni data coppia in testa.
Dopo la decomposizione spaziale, il set di dati è pronto per la discretizzazione temporale, un processo che produce un insieme di serie temporali che possono essere utilizzate per la previsione. In questo caso di studio, la mappa della città viene suddivisa in 10.000 celle per la decomposizione spaziale. È importante notare che i luoghi periferici vengono rimossi a causa di potenziali malfunzionamenti del GPS.
Lo scopo dello studio è modellare dove le persone si spostano dati l'origine, che può essere suddiviso in quattro sottocompiti: decomposizione della griglia spaziale, selezione delle coppie origine-destinazione, discretizzazione temporale e modellazione e previsione.
Un modello di previsione può essere costruito per prevedere quanti passeggeri vogliono fare il viaggio rispetto a una data coppia OD. Le reti neurali grafiche possono essere utilizzate per prevedere le condizioni del traffico, poiché ogni coppia è correlata con le coppie OD vicine o le strade circostanti.
Il problema di conteggio dei flussi OD è rilevante per diversi motivi, come consentire alle compagnie di taxi di allocare la loro flotta dinamicamente in base alla domanda prevista in una particolare zona. In questo articolo, l'attenzione è sulla previsione della domanda di passeggeri dei taxi a San Francisco, USA, come compito di conteggio dei flussi OD.
Comprendere i modelli di mobilità all'interno delle città è un passo significativo verso la creazione di sistemi di trasporto urbano più efficienti, ecologici e accessibili. Il modello di conteggio dei flussi OD presentato in questo caso di studio fornisce un approccio promettente a questo problema complesso.
Leggi anche:
- Aumento delle richieste di coloranti alimentari blu naturali e puri, spinto dal passo del MAHA nella promozione di prodotti con etichetta pulita presso FUL Foods
- Rivoluzione dell'energia verde in Romania: finanziamenti dell'UE lanciano nuovi sforzi sostenibili per un futuro più pulito
- In generale gli agricoltori dovrebbero sostenere la conservazione del clima, ma spesso non lo fanno.
- Il materasso ortopedico ha molle a tasca per alleviare il disagio alla schiena, attualmente offre sconto.
