Resumen

El reconocimiento de patrones de movilidad urbana tiene un gran potencial para revelar el mecanismo de desplazamiento humano, descubrir el propósito del viaje de los pasajeros y predecir y gestionar la demanda de tráfico. El objetivo de este artículo es proponer un método basado en datos para identificar los patrones de movilidad de los viajeros de metro a partir de datos de la Recaudación Automática de Tarifas (AFC) y datos geográficos. En primer lugar, se capturan datos de puntos de información (POI) en un radio de 500 metros de las estaciones de metro para caracterizar los atributos espaciales de las estaciones. En particular, se propone un método de fusión de datos geográficos de múltiples fuentes para convertir los datos POI brutos en datos POI ponderados teniendo en cuenta las capacidades de servicio. En segundo lugar, se diseña un marco de aprendizaje no supervisado basado en un autocodificador apilado (SAE) para integrar la información espaciotemporal de los viajes en vectores de viajes densos de baja dimensión. En concreto, la información espaciotemporal incorporada incluye características espaciales (categorías de PDI en torno a la estación de origen y en torno a la estación de destino) y temporales (hora de inicio, día de la semana y duración del viaje). En tercer lugar, se introduce un algoritmo de agrupación basado en la densidad para identificar los patrones de movilidad de los pasajeros a partir de los vectores de viaje densos incrustados. Por último, se utiliza un caso de la red de metro de Pekín para verificar la viabilidad de la metodología anterior. Los resultados muestran que el método propuesto funciona bien en el reconocimiento de patrones de movilidad y supera a los métodos existentes.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:datos, información espaciotemporal, reconocimiento de patrones de movilidad urbana, vectores de viaje densos y dimensionales, patrones de movilidad de los pasajeros del metro, cobro automático de billetes, red de metro de pekín, vectores de viaje densos, mecanismo de desplazamiento humano, patrones de movilidad de los pasajeros
• Keywords:data, spatiotemporal information, urban mobility pattern recognition, dimensional dense trip vectors, metro passenger mobility patterns, automatic fare collection, beijing metro network, dense trip vectors, human travel mechanism, passenger mobility patterns