Resumen

Una cuestión clave para comprender el sistema urbano es caracterizar la dinámica de la actividad en una ciudad: cuándo, dónde, qué y cómo ocurren las actividades en una ciudad. Para comprender mejor la dinámica de la actividad urbana, se necesitan datos de secuencias de participación en actividades de toda la ciudad y de varios días, es decir, la cadena de actividades, así como modelos espaciotemporales adecuados. En el análisis de la actividad, los datos de las encuestas de viajes de los hogares que se utilizan habitualmente adolecen de un tamaño de muestra y una cobertura temporal limitados. La aparición de datos espaciotemporales a gran escala en las zonas urbanas, como los datos de telefonía móvil, ofrece una nueva oportunidad para inferir las actividades urbanas y la dinámica subyacente. Sin embargo, el reto es la ausencia de información de actividad etiquetada en los datos de telefonía móvil. En consecuencia, cómo fusionar la información útil de los datos de las encuestas de hogares y los datos de los teléfonos móviles para construir cadenas de actividades de toda la ciudad, de varios días y de todo el tiempo se convierte en una importante cuestión de investigación. Además, la estructura multidimensional de los datos de actividad (p. ej., ubicación, hora de inicio, duración, tipo) hace que la extracción de patrones de actividad espaciotemporales sea otro problema difícil. En este estudio, los autores introducen primero un modelo de inferencia de cadena de actividad basado en la descomposición tensorial para inferir las etiquetas de actividad que faltan en datos de actividad a gran escala y de varios días, y luego desarrollan un modelo de agrupación de eventos espaciotemporales basado en DBSCAN, denominado STE-DBSCAN, para identificar los patrones de actividad espaciotemporales. Los enfoques propuestos lograron una buena precisión y produjeron patrones con un alto nivel de interpretabilidad.

• 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 teléfonos móviles, ciudad, modelo de inferencia de cadenas de actividades, datos de encuestas de viajes de hogares, datos de secuencias de participación en actividades de varios días, modelo de agrupación de eventos espaciotemporales, datos de encuestas de hogares, importante cuestión de investigación, tamaño limitado de la muestra, etiquetas de actividades que faltan
• Keywords:mobile phone data, city, activity chain inference model, household travel survey data, multiday activity participation sequence data, spatiotemporal event clustering model, household survey data, important research question, limited sample size, missing activity labels