Resumen

Los datos sobre las pautas de desplazamiento y la demanda de viajes son una aportación importante a los modelos de tráfico actuales utilizados para la planificación del tráfico. Tradicionalmente, la demanda de viajes se modela utilizando datos censales, encuestas de viajes y recuentos de tráfico. Los problemas surgen del hecho de que el tamaño de las muestras es bastante limitado y de que la recogida y actualización de los datos es costosa. Los datos de redes celulares son una prometedora fuente de datos a gran escala para comprender mejor la movilidad humana. Para inferir la demanda de viajes, proponemos un método que comienza extrayendo los viajes de los datos de redes celulares. Para averiguar qué tipos de viajes pueden extraerse, utilizamos un conjunto de datos de redes celulares a pequeña escala recogidos de 20 teléfonos móviles junto con las huellas GPS recogidas en el mismo dispositivo. Utilizando un conjunto de datos a gran escala de la red de telefonía móvil de un operador sueco para el municipio de Norrköping, comparamos la demanda de viajes inferida a partir de los datos de la red de telefonía móvil con el modelo de demanda de viajes urbanos existente en el municipio, así como con las escuchas del transporte público. Los resultados del conjunto de datos a pequeña escala muestran que, con los métodos de extracción de viajes propuestos, la tasa de detección de viajes es de aproximadamente 50 para viajes cortos de 1-2 km, mientras que es de 75-80 para viajes de más de 5 km. Del mismo modo, la recuperación también difiere según el modo de desplazamiento: más de 80 en transporte público, 74 en coche y sólo 53 en bicicleta y a pie. Después de agregar los viajes en una matriz origen-destino, la correlación es débil (R2<0,2) utilizando la zonificación original utilizada en el modelo de demanda de viajes con 189 zonas, mientras que es significativa con R2=0,82 cuando se agrega a 24 zonas. Encontramos que la elección del método de extracción de viajes es crucial para la estimación de la demanda de viajes ya que encontramos diferencias sistemáticas en las matrices de demanda de viajes resultantes utilizando dos métodos diferentes.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:datos de redes celulares, demanda de viajes, viajes, conjunto de datos a escala, modelo de demanda de viajes urbanos, datos de redes celulares, conjunto de datos de redes celulares, grifo de transporte público, fuente de datos a escala, estimación de la demanda de viajes
• Keywords:cellular network data, travel demand, trips, scale dataset, urban travel demand model, cellular network data, cellular network dataset, public transit tap, scale data source, travel demand estimation