これは私たちの研究グループが最近 Communication in Transportation Research という雑誌に掲載した論文です。この雑誌はかなり良い雑誌になるはずです。次に私たちの研究を紹介しましょう。
1. 記事の概要
記事の主な目的は、新型コロナウイルス流行の影響により都市住民の旅行行動がどのように変化するのか、またこの変化にどのような要因が関係しているのかを分析することである。この記事は主にナンバー プレート認識データと POI データの分析に基づいています。まず、流行の進展を3つの段階に分け、その3つの段階における旅行者の旅行行動の変化を定量的に分析し、クラスタリングアルゴリズムに基づいて行動調整モデルを取得し、これに基づいて影響を分析します。行動調整に関する旅行者の旅行行動を分析します。
2. 走行モード解析と調整モード解析
ナンバープレート認識データに基づいて、流行の各発展段階における旅行者の時空間移動チェーンが抽出され、その後、Prefix-Span アルゴリズムを使用して旅行者の頻繁な旅行パターンセットが抽出されます。頻繁な移動モードは 2 項セットや 3 項目などであり、したがって頻繁な移動パターン セットであるため、 は 1 でないことがよくあります。もちろん、このプロセスには次のような多くのデータ処理プロセスがあります: 1. アイテムは [x, y, t] です. 時空点が別の時空点と同じ点であるかどうかを測定するには、いくつかの情報が必要です。 2. サンプルサイズが大きく、Prefix-Span アルゴリズムを直接使用すると許容時間内に結果が得られないため、圧縮が必要となるため、圧縮アルゴリズムを提案します。全体のプロセスは以下の図に示されており、
各ステージにおける各旅行者の頻繁な移動パターンを取得した後、異なるステージでの頻繁な移動パターンとステージ内の移動行動の規則性の類似性測定手法を提案する必要があります。この
時点で、各段階における各旅行者の頻繁な移動パターンの定量的な測定値が得られ、クラスタリング アルゴリズムを使用して行動調整モデルが得られます。
3. 行動調整モードの影響要因の分析
この部分は主に、旅行者の以前の旅行行動が行動調整モードにどのような影響を与えるかを分析することを目的としています。アイデアは非常に明確です。つまり、行動調整モードのラベルの 2 番目の部分が従属変数として使用され、流行前のいくつかのラベルが使用されます。行動は独立変数として抽出され、ランダム化されます。フォレスト アルゴリズムは、この 2 つの関係を分析します。ただし、1. 特徴スクリーニングのための RFECV、2. サンプルの不均衡の問題を解決するための Borderline-SMOTE など、いくつかの中間処理も行われています。
ランダム フォレスト モデルを構築した後、部分依存プロットも使用して、各特徴が旅行者の行動調整にどのような影響を与えるかを分析します。結果が表示されない
4. その他
また、さまざまな行動調整モードにおける人々の最初と最後の移動時間の変化、移動強度の変化など、さまざまな行動調整モードの詳細についても分析しています。 。
参考文献
Yao, W.、Yu, J.、Yang, Y.、Chen, N.、Jin, S.、Hu, Y.、Bai, C.、新型コロナウイルス感染症下での旅行行動の調整について、交通研究におけるコミュニケーション、https ://doi.org/10.1016/j.commtr.2022.100068。
記事リンク: https://www.sciencedirect.com/science/article/pii/S277242472200018X?via%3Dihub
コードはオープンソースです: https://github.com/RobinYaoWenbin/Understanding-travel-behavior-adjustment-under-COVID-19