计算框架,揭示竞争旅行时间与低碳模式基于智能手机的数据收集

文摘

评估潜在的转向低碳交通模式需要考虑行程时间预算有限的游客。尽管先前的研究关注time-relevant模态转变,缺乏集成和可转让的计算框架,使用分享服务新兴高分辨率纵向旅游数据集。这一研究解释和说明了计算框架来实现此目的。拟议的框架比较观察旅行与计算替代旅行和估计的程度选择可以减少碳排放没有显著增加旅行时间. .框架估计潜在的观察代替汽车和公共交通与低碳旅游模式,评估参数/散客以及整个城市,时间和空间的观点。说明参数包括模态变化的大小和分布、发射储蓄,并增加积极旅游增长,集群的目标模式、起飞时间、旅行距离,空间覆盖整个城市。参数也评估基于频繁重复旅行。我们评估方法的有效性通过分析上门旅行几百的旅行者,来自智能手机在赫尔辛基市区痕迹,芬兰,在几个月的时间。实验的初步结果表明,例如,平均20%的频繁的汽车旅行的每个旅行者有能源的低碳替代品,如果首选的替代选择,大约8%的碳排放可以得救。此外,它被认为,自行车作为一种替代的空间潜力更零星的整个城市的公共汽车相比,具有相对更多的旅行从/到市中心。 With few changes, the method would be applicable to other cities, bringing possibly different quantitative results. In particular, having more thorough data from large number of participants could provide implications for transportation researchers and planners to identify groups or areas for promoting mode shift. Finally, we discuss the limitations and lessons learned, highlighting future research directions.

1。介绍

与公共交通增加旅行时间(PT)和自行车相比私家车(通常是一个障碍对模态转变1- - - - - -4]。旅客大多喜欢运输模式,可以为他们提供旅行时间融入他们的日常行程时间有限的预算和日常活动空间(5]。因此,除了等激励措施减少碳排放和增加体力活动(6,7),了解潜在的低碳交通需要考虑与低碳旅游时间限制模式为个人游。虽然经常违反直觉的,之前的研究表明,当前城市汽车旅行的一部分可能会由低碳(例如,PT)和活动(例如,自行车和步行)模式,在不影响旅行的时间8,9]。旅行者可以有低估了旅行时间的看法与汽车(10),相反,一个高估的看法与PT和自行车旅行时间11]。研究表明,汽车司机正确的旅行时间不准确的知识与PT和自行车在未来更有可能使用它或至少考虑在他们的选择PT组(2,11,12]。因此,重要的是要理解,使用低碳模式有时会有类似的旅行时间驾驶汽车,即。,有一个潜在的time-relevant低碳交通。上述讨论意味着计算框架的两个主要要求总结如下:第一,这样的理解需要纵向数据揭示了个体的旅游行为的集合。选择低碳上门旅行应该计算基于当前的城市旅游者的旅游行为,以反映现实的情况下,收集到的数据,代表了当前旅游行为(13]。第二,这样的理解需要收集的数据的分析来探索低碳旅游的机会选择占旅行时间限制。

此前,显示偏好调查传统上被用于收集旅游行为数据集,亲自或在线。然而,这种方法存在一些局限性,如被资源密集型的纵向数据收集,在低数据质量由于人为错误的反应14,15],难以捕捉完成多通道上门旅行(16]。为了应对这些挑战,研究人员采用新的方法来自动化和方便的数据收集。新方法首先利用GPS设备(14,17,18),后来,蜂窝网络(19,20.和智能手机21,22),因为许多人已经携带智能手机在日常活动中。手机网络定位的数据调用和活动信息可以提供数据符合旅游调查,虽然与地理定位精度有问题(23]。智能手机感知最近新兴的方法使用GPS,加速度计,和其他手机内置的传感器,因此记录多通道的所有步骤上门旅行高时空分辨率(24- - - - - -26]。它也有潜在的长期的细粒度的时间范围,即。,frequent data points during the whole day, over several months or even years, as well as full spatial coverage in city if diverse and large number of travelers participate [25]。此外,当这个方法使用移动应用程序,它可以与旅行者,以防其他社会经济或态度交互信息是必要的。

之前的研究在这一领域主要集中在验证分享服务的传感技术。相反,探索time-relevant低碳交通的机会仍然面临一个自动化处理的挑战分享服务大量的高分辨率数据24]。在这种情况下,只有有限的研究都集中在探索潜在的模式转向低碳出行方式考虑旅行时间的限制,基于现实的数据8,9,27,28]。的作者(8,9)使用一个旅游调查收集在马德里与PT计算选择旅行,自行车和步行。他们得出的结论是,目前的汽车旅行的一小部分可以更改为PT和骑自行车旅行时间没有增加。然而,进一步分析可以做尤其是纵向关注散客,占电动自行车等新兴交通模式(电动自行车)29日,30.]。此外,所有这些先前的研究使用调查数据收集,而没有人分享服务利用流动数据集。

本研究的目的是制定和评价计算分享服务旅游数据的分析框架,了解低碳旅游的潜在替代品而占旅行时间。拟议的框架估计的程度的交通方式可以降低碳排放的变化没有显著增加旅行时间。本文组织如下。部分2解释我们的方法和计算框架。部分3解释了安排的长期数据收集实验在赫尔辛基地区,芬兰,以及收集到的旅游资料概述。部分4开发了计算框架适用于赫尔辛基地区移动数据集和礼物结果和见解。部分5提出了计算框架的讨论和评估,为进一步的研究提供建议。最后,部分6总结了纸。

2。计算框架

包括六个组件计算框架,总结在表1一起评估参数。我们实现这个框架作为新模块的软件系统最初实现的TrafficSense (TS)项目(31日,32]。TS开源软件在解释33),它的源代码、文档和设置指令都可以在github (34]。第一个组件框架的运动数据的收集和过滤,主要是解决TrafficSense智能手机应用程序,数据收集,志愿者用TS应用自动记录他们的日常跟踪长时间旅行。应用程序自动收集匿名实时运动数据,称为点数据,从GPS、加速度计、和其他手机传感器,在互联网上并将其发送到TS web服务器被存储在一个集中的数据库。以特定的时间间隔点数据收集,包括时间戳地理位置(经度和纬度)旅行者在每个采样间隔的旅行路线,估计位置精度的采样点,和一个初始估计的运输模式。采样间隔足够10秒当移动来实现准确的描述旅行路线,例如,333米的距离间隔速度120公里/小时。TS后端服务器改进和转换存储数据检索个人腿一起旅行的交通模式。解决噪音,服务器丢弃采样点位置误差比50米。TS应用程序还提供了一个菜单的修改和确认自动检测模式。进一步的细节的计算需求和软件设计提出了补充材料(可用)。

2.1。确定上门旅行

本文实现了一个trip-extraction模块的数据收集和过滤组件。我们需要连接相关的连续访问行程确定每个multimodal上门。此外,每个旅行应该归因于此行的散客。TS数据库中收集的数据,首先,只包含孤立的腿,我们在服务器中实现额外的后处理提取整个multimodal上门的旅行记录个人的腿。这个模块检测到相关个人旅行腿和结合成单一的多通道上门访问记录。为此,通过time-sorted模块遍历腿为了连接属于相同的多通道旅行。nonmotorized(例如,步行和骑自行车)和机动(例如,PT和私家车)腿被认为是。通常有一个更长的时间暂停或腿之间的空闲时间不属于相同的旅行。这样的停顿可以“保持位置”的标志或换句话说”活动的位置。“例如,停顿超过10分钟被认为是保持位置的信号,因此[旅行的开始/结束23]。我们的模块采用同样的方法。上门访问从一项活动开始位置和结束在一个活动地点。腿后序列是个人上门旅行中提取出腿的例子记录:(在家)⟶走⟶公汽⟶有轨电车⟶走⟶(呆在工作)(呆在工作)⟶走⟶总线⟶走⟶(购物在购物中心)(在一个购物中心购物)⟶走⟶总线⟶走⟶(呆在家里)

我们的系统检测和丢弃走路和跑步练习以及往返腿序列的旅行开始和结束这次旅行在同一地理位置。此外,过滤过程也试图识别和发现错误的放弃旅行由于错误或遗漏数据。因此,我们已经确定了多通道上门访问,将作为输入下一个计算步骤。这些数据包括旅行开始/结束时间戳,出发地/目的地地理位置,旅行的腿,运输模式,每条腿,腿之间的空闲时间,和轨迹点占整个旅行。

2.2。计算潜在Time-Relevant低碳替代品

2 - 6的组件,我们实现数据分析和可视化后处理模块原始TrafficSense系统之上。框架计算低碳替代品包括步行、自行车和PT以及他们的组合在一个多通道的路线。中选择,time-relevant替代低或高可忽视地旅行时间与私家车相比。我们的方法考虑发射和旅行时间的关键标准替代模式。每个观察旅行的选择中,选择的模式是优先考虑最低排放如果它与汽车的旅行时间。与[8,9),我们的模型接受一个小妥协旅行时间在考虑潜在的从汽车转向低碳替代。一些以前的作品27,28]应用最大疏散距离阈值而选择步行和自行车的替代品,据统计在通常的步行和骑自行车的距离。与这些作品不同,我们优先考虑和过滤计算自行车和步行替代基于他们的旅行距离。作为一个例子,如果一个特定的步行或骑自行车旅行,路线并不在最快的选择,他们没有选为潜在的替代品无论多么方便或短期旅行似乎。为泰党的旅行,我们考虑最大access-egress总1公里的步行距离,对于大多数的旅行者应该是可行的。相比以前的工作,如(28),一个标准在我们的模型中是另一种旅行应该可行根据原来的起飞时间和OD的地理位置记录旅行。如果所需的替代自行车,自行车O和D之间的路由应该根据最新的可用自行车路径信息。同样为泰党的,旅行应该有可能根据城市PT路线和线安排在最初的日期和时间旅行。我们利用成熟的开源路由软件与城市一起公开数据,以确保潜在的替代旅行实际上是可能的。图1给出了算法和表2描述了使用的变量。

首先,对每个观察上门访问(r∈R起源之间的)(O_r)和目标(D_r)地理位置,我们计算使用ComputeRoute函数替代多通道旅行(集一个_r),这样每一个替代之旅(一个_我∈一个_r)匹配O_r,D_r和起飞时间(t_年代)和日期(dt_r)原始之旅(r),并且每个替代之旅是由不同的运输方式(米_我∈米)。每一个计算一个_我旅行可能通过不同的或相同的路线与原始的旅行。ComputeRoute函数考虑dt_r因为旅行日期可以改变为泰党的路线工作日或每月计划可能会改变的。日期和时间也可能影响计算汽车路线在道路交通信息是可用的。对于一些旅行,我们得出结论,确定替代模式并不可行。在我们的模型中,最大的替代方案是可能的r。当计算PT的路线,如果有多个选择与PT模式,例如,多个公交线路,我们选择最快的选项与转移。我们还确定旅行时间(T_我)和发射(e_我)每一个_我∈一个_r。

第二,选择潜在time-relevant替代品每趟,首要任务是先给了低碳排放和第二时间旅行比较计算备选方案。我们排放的计算方法,然后比较旅行时间(T_我对每个选项)一个_我∈一个_r最快的替代T_最小值=敏T_我。假设旅行者可能从最快的选择(例如,汽车T=T_最小值低碳替代选择()一个_我添加旅行时间(时) )不超过一个小常数的价值C。中选择满足这个时间条件下,最低的一个排放保存的低碳time-relevant替代(交易_r为旅行)r。结果time-relevant选择是可持续的,但仍不够快与汽车竞争。

第三,系统比较了计算time-relevant低碳替代当前的流动行为。如果旅行最初是由汽车(即,米_r=“汽车”),而旅行time-relevant低碳替代,我们认为旅行可以让一个更好的选择的旅行时间和排放为这个特殊的旅行。换句话说,有潜力time-relevant模态转变。最后,我们进行分析,包括计算差异的属性time-relevant替代旅行和观察到的记录去评估节省发射的频率和大小等参数细节在后面小节中介绍4。描述到目前为止是地址的要求理解所有的旅行记录由所有参与者。如前所述,我们的方法也需要理解个人旅行者及其旅游模式。然而,对于一个有效的个人分析,我们首先需要选择只有那些参与者有足够数量的记录旅行。为了这个目的,一个“积极的参与者”被定义为一个旅行者有至少30“活跃的日子,”每天至少一次被记录从旅行者的智能手机。接下来,计算值分组和总结/积极的参与者。

表3显示了一个示例执行算法的5公里从中央到南赫尔辛基的一部分。旅行的起源是“Sturenkatu 9”在下午离开,目的地是“Laivurinkatu 39。“计算的选择是按排放。最快的选择是与电动自行车,T_最小值=T_我在哪里米_我= "电动自行车。“因此,time-relevant选择自行车、电动自行车和汽车,T自行车和汽车是最大的3分钟以上T_最小值。然而,计算e_我值表明,只有自行车和电动自行车路线可以被认为是低碳time-relevant替代品。表4显示了一个示例记录旅行的旅行的数据集,计算PT的选择几乎是和汽车一样快。表4显示了计算汽车和PT旅行的细节。PT旅行多通道,包括步行、公交车和火车。

计算的替代行程和路线如下解释。实现ComputeRoute()的函数,我们利用开源路线规划和地图api一起赫尔辛基地区的公开数据。我们的系统使用HTTP REST调用查询汽车,PT,自行车,步行路线从OpenTripPlanner赫尔辛基地区(OTP)服务器(35]。我们通过O_r,D_r,t_年代,d_r最初的发现之旅OTP的查询参数。OTP计算并返回上门路线为每个请求的一种运输方式。返回路线包括所有旅行的腿与时间戳和详细的地理定位步骤从起点到终点的沿途。我们处理返回的行程计划数据并将其存储在我们的数据库中。当规划PT替代品,我们可能做轻微的调整t_年代参数来弥补GPS定位的不准确观察访问数据。更多的细节解释(33]。函数ComputeTravelTime()和ComputeEmission()量化旅行时间(T_我)和碳排放(e_我)的每个替代路线的计划一个_我。我们检索的值T_我直接从我们的JSON响应查询OTP服务器。然而,目前OTP并不计算电动自行车。因此,我们计算电动自行车旅行时间基于普通自行车的OTP返回的行程时间。我们设置电动自行车的速度∼16%速度比普通自行车因为根据(36,37),平均循环速度与普通自行车被认为是15.5公里/小时,平均循环速度与电动自行车被认为是18 km / h。此外,获得e_我每一个一个_我,我们有 在哪里是发射每个旅客造成的每一次腿的多通道multileg吗一个_我旅行。是衡量克有限公司₂(公司₂)和计算如下: 在哪里是距离选择旅行路线,沿着每条腿平均发射每passenger-km旅行( ),以克的二氧化碳每passenger-km(公司₂/ 11)[38]。mode-dependent计算如下: 在哪里是尾气排放/ vehicle-km旅行( )根据运输类型米和o_米是旅客的入住率米,即。,一个verage passengers per vehicle depending on the mode. Values of和o_米可以在每个城市不同的根据其运输车辆和客流量。我们得到的值和o_米为泰党的模式从芬兰和赫尔辛基市区统计39,40]。例如,平均o_米= 1.7每个私人汽车和乘客o_米= 18每个城市公交车辆上的乘客根据2016年的统计数据。车辆排放= 151公司₂私人汽车和/公里= 939公司₂城市公共汽车/公里。因此,基于(3),我们得到= 89公司₂/ pkm汽车和= 52公司₂/ pkm总线。

3所示。实验设置和案例研究地区收集的数据

流动性TrafficSense收集的数据集对我们的分析是应用在数据收集在赫尔辛基地区飞行员。吸引志愿者,首先,研究和TS手机应用程序被海报横幅广告,网络广告在阿尔托大学Otaniemi大学校园,通过邮件列表。Otaniemi学术和创新领域举办阿尔托大学校园,位于埃斯波和赫尔辛基市区的一部分。后来,更多的公共广告使用社交媒体。奖吸引也鼓励参与者执行两次。数据已经收集了自2016年以来,超过三年。更详细的TrafficSense研究和旅游提供数据收集在其门户网站(31日]。总数的135参与者,69年完成了一个可选的问卷使用web应用程序中提供的链接,报告他们的社会经济信息。图2显示了收入和年龄分布的参与者以及整个赫尔辛基地区(41]。

框架的过滤器收集到的数据去丢弃不停地往返出发地和目的地如散步或跑步练习,通常几乎在同一地理位置。此外,只有旅行旅行距离超过500米,选择不到30公里。旅行被认为不超过30公里的城市旅行。这在|过滤结果R| = 25328上门为整个地区旅行。此外,如上所述的方法,一个有效的个人分析,我们只需要选择“积极参与”的旅行记录至少30“活跃天。“结果,68活跃参与者的共有135家注册旅客识别。这些有68旅客记录|R| = 24377次,也就是说,96%的旅行。活动参与者在部分进一步分析4.3。

图3过滤数据的显示时间轴概述所有参与者和积极参与者。峰值出现在2017年三个月的推广试点的结果。对于这个研究,我们使用收集的数据,直到2019年3月底。图4说明了分布的记录旅行取决于白天起飞时间。每天观察旅行的总体分布反映了平时的日常流动高峰和低谷在赫尔辛基和芬兰等城市。例如,旅行之前,22:00之后的数量预计将06:00时小得多比其他时候,它是反映在图4。上午和下午的山峰也在图中看到。异常是相对较低的观察旅行喂饲,06:00时通常将早上高峰时间的一部分。图5说明了分布的观察旅行取决于距离。看到,大量的短途(例如,0.5到2公里)也被记录下来。数据6和7说明观察到的空间分布旅行。的空间范围,尽管Otaniemi显示了一个相对高密度的旅行,在地图上看到,参与者在市区。因此,尽管到目前为止的参与者可能不是代表整个赫尔辛基地区收集到的数据有很好的空间覆盖整个城市。图8显示记录每个旅客旅行的分布。平均每人约190旅行曾被观察到。每个参与者的平均份额从所有记录旅行标准差为1.35 0.75%。每个旅客旅行的累积分布是指数,例如,表示,20%的参与者记录80%的旅行在我们的数据集。

4所示。实验结果

我们应用框架的赫尔辛基地区旅游数据集在前一节中解释。评价和可视化在本节中出现量化结果的例子,可以通过使用我们的方法和如何使用这个框架对旅客行为数据进行分析,以便了解time-relevant潜力低碳流动。

4.1。用汽车旅行Time-Relevant低碳替代品的潜力

正如之前所解释的部分2,对于每一个观察汽车旅行,选择是优先考虑的替代模式最低排放如果它与汽车的旅行时间。总|R| = 25328观察在赫尔辛基地区上门考察,发现有13324汽车旅行,| TRS | = 2730次time-relevant低碳替代(即。PT,自行车,或步行)。因此,观察到的汽车旅行的20%,也就是说,11%的所有观察到的旅行,有被替代的可能性低碳选择旅行时间的前提下,如果不是因为其他选择因素,如天气、身体努力,拥有汽车和个人喜好。PT的潜在替代3%(425次),自行车的潜在替代17%(2298次),和行走的潜在替代几乎为零。在工党选择,31%涉及地铁和火车旅行,显示良好的铁路运输作为汽车替代的潜力。这些情况下被大范围从1到22公里的行程。

图9说明了空间方面的结果通过显示分布的潜在time-relevant模式替换取决于旅行的距离。列总高度在每个距离范围表示观察到的分数范围较低碳汽车旅行的选择。正如所料,自行车在每个距离范围内的整体潜力减少旅行的距离。另一方面,潜在的PT代替汽车旅行距离不会改变太多。图10说明了模态的低碳模式,葡一组模式计算。PT和自行车互相竞争,交点在8到10公里范围。旅行超过10公里,大多数潜在的替代品是PT旅行。图11说明了汽车旅行的空间分布与低碳time-relevant替代整个赫尔辛基地区。这幅图表明,自行车作为一种替代的空间潜力比较零星的整个城市,而潜在的公共汽车更关注于ODs在城市中心。自行车可以替代私家车在一些地区的城市和相对较短的旅行。

图12演示了一个时序方面的结果通过显示分布的潜在选择取决于白天起飞时间。整体柱高度在每个时间范围表示之间的总比例模态转变汽车旅行中观察到的范围。图13低碳模式显示了每个小组的分享中潜在time-relevant替代品。行走的份额几乎为零,而分享的自行车总是大于PT在整个一天。

除了传统的运输方式,我们也可以测试如果旅行者获得电动自行车。这种假设,自行车作为一种替代的潜力从17%增加到24%的所有观察到的汽车旅行。time-relevant低碳模式的潜在增长从20%降至27%。

4.2。排放增加储蓄和活跃的旅游

本节比较了计算替代旅行与观察到的汽车旅行为了量化潜在碳排放储蓄以及nonmotorized(即距离的增加。骑自行车和走路,活跃旅游模式)如果旅行者从汽车转向低碳替代品。总大小的潜在发射储蓄1645有限公司₂公斤,赫尔辛基旅行(|减排8.4%R| = 25328),平均0.60有限公司₂公斤每辆车旅行。应该注意的是,1公斤的有限公司₂等于排放的数量平均家庭能源使用的40分钟。图14说明了运输前发射储蓄的大小和分布。数据15和16也说明发射储蓄以及距离增加了骑自行车和步行模式变化的结果。数据显示变化的范围分组通过建议的替代模式。例如,当总线是低碳选择,节省运输前发射范围从0.08到1.5有限公司₂公斤,75百分位是在0.08和0.77之间有限公司₂公斤。机动中碳势、培训涉及更广泛的发射储蓄以及更大范围的增加活跃的旅游。图17说明了活跃的旅行和发射维度之间的相关性,其中每个圆圈代表一个上门的汽车旅行。至少两个集群的旅行可以看到在图(17日),一个高的气体量减少,另一个量较高的活跃旅游增加了。如图17 (b)集群,前者包括62%的公交车和38%的rail-based模式选择,自然也包括一些访问/外出散步。自行车替代后者集群由近100%。

4.3。个人分析

部分4到目前为止提出了整个旅行的角度记录下所有参与这项研究。本节关注个人旅行者。解释的方法,一个有效的个人分析仅基于“积极参与者”至少30“活跃天。“这过滤结果在68年积极参与了总数的135注册参与者。图18显示记录旅行活动参与者之间的分布。这些有68旅客记录|R| = 24377次,平均每人约360次。因此,96%的旅行数据属于积极主动的参与者。每一个活跃的参与者的平均份额从所有记录旅行标准差为1.68 1.47%。股票指数和累积分布,例如,表示20%的活跃的参与者记录60%的旅行。图19说明了积极参与者记录旅行的日期跨度以及他们的活跃天数。

对于这些活跃的参与者,| TRS | = 2693的13056的车旅行,是21%,有潜在的模态转变。平均而言,每一个活跃的参与者都有23%的汽车旅行与低碳time-relevant选择。图20(一个)说明总发射的频率和音量储蓄/积极的参与者,如果他们选择了可能的低碳替代所有的汽车旅行。通过转向低碳模式,共有1608有限公司₂公斤保存,所有赫尔辛基减排8.2%,平均24日有限公司₂公斤的参与者。图20 (b)说明了活跃的旅行和发射维度之间的关系,在相同的两组PT和自行车替代被视为呈现在图17。

图(21日)说明了模态变化的范围和分布在68个活跃的参与者。图21 (b)显示了互补累积概率分布(CCDF)模态转变人均比例显示,例如,一半参与者可以找到低碳替代至少20%的汽车旅行。此外,基于图(21日)例如,我们可以关注积极参与者(即最高四分位数。,13% of all travelers) who have the most substitutable car trips and perform further analysis from there.

4.4。经常观察到独特的旅行

到目前为止,在这篇文章中,每一个观测一起上门访问它的计算方法是计算对聚合上面给出的数字和数字。然而,集群旅行ODs的距离显示许多旅行的相同的参与者几乎相同的来源和目的地,因此被独特的旅行重复几次。本节将重点介绍这些独特的旅行,每个旅行者经常需要。图22显示的大小和分布独特的旅行中活跃的参与者。68年活跃的参与者,我们发现|R| = 9313独特的旅行,也就是说,平均每参与者137独特的旅行,和每一个独特的旅行平均重复3次。

有5017个独特的观察汽车旅行,平均9公里长,平均22分钟。86%的这些独特的汽车旅行少于3分钟变化重复之间的旅行时间。图23评估的一致性模态转变的可能性在独特的汽车旅行。见直方图,从这些独特的汽车旅行,17%的人总是有一个time-relevant低碳替代,而3%的另一个只有一半的时间,平均80%,从来没有另一个。频繁的结论是,大多数汽车旅行与任何低碳替代一直有选择。

图24说明了17%的独特的汽车旅行,有一致的模态转变的可能性。这些重复的汽车旅行平均长3.5公里,平均花费15分钟。此外,95%的汽车旅行可变性在汽车旅行时间小于3分钟。他们可以用自行车代替81%的倍和10%的时间与rail-based传输总线和9%的时间(即。、有轨电车、地铁和火车)。这些旅行的出发时间是分布在整个一天。图25显示模式转变和潜在的储蓄。0.5模式替换的结果是有限公司₂公斤的发射储蓄平均每单旅行。

关注个人旅行者,发现,在68名活跃的参与者中,94%至少有一个低碳的汽车旅行的选择。如图26每个参与者平均20%的低碳time-relevant独特的汽车旅行的选择。

4.5。潜在Noncar旅行代替低碳替代品

到目前为止节4我们讨论了汽车旅行转向低碳替代品的可能性。汽车旅行旅行记录总数的一半左右。本节回顾了另一半,观察到的模式不是车,而是仍然有time-relevant替代碳排放量较低。例如,有班车旅行,可以代替骑自行车没有失去时间,从而减少排放。见图27,大多数这样的旅行从汽车转向自行车和一些同样来自总线rail-based运输。有11803 noncar旅行,1124年(10%)有一个time-relevant低碳替代,导致潜在的排放节约0.2有限公司₂3.6公斤每趟和有限公司₂公斤的参与者。在4012年观察到的PT旅行中,18%有另一个自行车。图28说明了发射储蓄。

5。讨论

5.1。讨论Time-Relevant低碳替代品

以下是观察从赫尔辛基地区和基于数据的分析的参与者参加TrafficSense实验。应该注意的是,这种影响可能不同,这取决于抽样设计以及城市旅游收集数据。先前的研究基于在马德里家庭流动性的一项调查表明,18%的汽车旅行报告time-relevant替代,PT与模态之间的分享选择75%,15%的自行车,10%走(8,9]。相比之下,我们的研究结果显示,20%的所有观察到的汽车旅行有一个选择,与模态之间的分享替代自行车PT 16%和84%。使用PT模型用于马德里丢弃或者骑自行车22:00之前06:00时和之后由于个人的安全问题。像这样的作品,我们的方法目前没有考虑的时间作为一个个人安全限制而选择步行,自行车,PT替代品。测试用例方法赫尔辛基市区,那里有一些异常区域,骑自行车旅行或PT是安全的一天。然而,这种限制可以被认为是如果需要当我们的方法应用于移动数据集的其他城市。

另一组研究基于在蒙特利尔旅游的一项调查表明,27%的机动旅行报道,也就是说,PT旅行和汽车旅行,有一个time-relevant替代的步行或骑自行车27,28]。相比之下,我们的研究结果显示,18%的观察PT的旅行有另一个自行车。相比,我们的方法,这些研究不计算PT旅行作为汽车的替代,不考虑多少替代品增加旅行时间计算相比,观察到的旅行。他们的标准选择自行车或步行代替汽车或PT旅行包括旅行距离以及旅行和时间的时代。关于自行车的潜力,个人意愿和物理能力可能会限制只骑自行车短途旅行和相对平坦的地形42]。在这方面,人们愿意自行车的最大距离是一个主观的价值和不同城市。例如,莫伦西et al。27)得出的结论是,自行车在蒙特利尔的最大阈值距离平均5.4公里。虽然我们的方法不考虑最大距离,出行距离的累积分布显示,90%的计算time-relevant自行车的选择已经短于5.6公里。

5.2。有用性

实验结果从赫尔辛基地区案例研究提出的例子在我们的框架可以用来探索个人和聚合旅行者的行为。方法的主要优点之一是纵向评价time-relevant低碳出行的潜力。正如之前所讨论的,长期旅行者的行为评价与先前的数据收集方法是困难的。潜力分析结果可用于确定改进对可持续交通系统,特别是数据收集与移动应用程序变得更受游客的欢迎。政策制定者需要数值和视觉等措施ODs的数据,旅游路线,旅游时间,出发/到达时间和旅行模态的选择。虽然传统的数据收集和分析方法和工具,如调查和GIS软件提供此类信息,分享服务应用框架与数据集允许更高的分辨率在原始和细化数据以及旅游统计数据的可能性的散客如部分所示4.3。此外,它可以更特别关注游客展示更高潜在的模态转变,例如,那些旅行者最高四分位数的势分布显示在图(21日)。此外,分析可以调查人口和社会经济状况的旅行者在这个焦点小组,以及人们是否在焦点小组访问PT和自行车有限,残疾,或其他原因,使他们从改变汽车的使用。数据收集和分析阶段之后,会有相应的政策发展阶段,之后,它可能会被要求再次到达当地居民为了实现模态转变可能通过不同的有说服力的方法。分享服务和TS等方法,建立常驻当地居民接触点的时候旅行安装手机应用程序。进一步通知,反馈,和鼓励可以被发送到用户的移动应用渠道。此外,接触仍然是匿名当只使用移动应用频道沟通旅行者,而在基于调查的方法,它可以挑战再次找到并达到受访者。

5.3。准确性和噪音采样和结果

分享服务之前文学广泛的研究了精度和噪声数据收集、显示区位GPS数据的准确性取决于因素如晴空观点,握着电话的手,口袋里,或附加的自行车或汽车,和手机模型。例如,实验结果为骑自行车沿市中心2.5公里自行车跟踪显示最大误差5米在大多数情况下(95百分位)和20米(在最坏的情况下场景43,44]。此外,在我们的实验中,我们储存每个GPS数据采样点的精度估计的Google API,用于获得手机的位置。所有抽样数据点的平均精度为2.72米,每参与者的平均精度智能手机是5米。解决噪音,TrafficSense应用丢弃采样点的准确性比50米。在未来的工作,如公路Google的API方法(45)可以用来匹配GPS点在实际道路网络以达到甚至更高的位置上的车辆跟踪的准确性。此外,这还需要进一步的数据处理提取参数,比如交通模式,旅行者的活动地点,每个旅行的开始/结束腿从收集到的数据。解决问题的准确性在这种背景下,TrafficSense认为100米阈值匹配的GPS跟踪期望路径安排公共交通车辆在模式检测电动公共交通工具,如公交车(33]。同样,Hemminki等人和胫骨et al。46,47)开发的自动运输模式检测采用各种手机加速计和GPS等传感器,结合统计分析和分类器训练。此外,江et al。48]提出的方法进行分类的日常移动网络和提取旅行/保持序列,而杜和Aultman-Hall [49)开发出一种方法更准确的识别旅行旅行开始和结束。

此外,计算精确的替代路径,我们使用了OpenTripPlanner (OTP) API (50]。OTP的开源软件平台中多通道旅行计划模型。也是使用的一些城市,例如在线旅行规划门户赫尔辛基Reittiopas [51]。OTP建议路线基于真实地图、道路网,最新的自行车和步行路径。旅行计划,它使用一个时间图包含两个街道和PT网络。街道网络数据提供OpenStreetMap (OSM)和PT日程和路线数据提供一般运输饲料规范(GTFS)文件创建和更新的城市或运输机构。OTP的路由API计算步行和骑自行车旅行通常使用与欧几里得启发式a *算法[52]。PT旅行包括他们走路腿和transit-ride腿Tung-Chew启发式(使用多目标一开始计算53)用于队列排序。OTP使用其内部算法一起OSM道路网行程时间估计(50]。

5.4。局限性和未来的工作

在这里,我们讨论技术和数据的局限与未来的研究方向。正如预期的那样,有挑战在招聘和订婚的参与者。本研究提出了一个概念验证,针对未来更加统一和更广泛的差旅数据。然而,正如前面提到的部分369的135个参与者完成一个可选的匿名问卷调查。问卷调查结果包括邮政编码,显示,参与者来自不同住宅位置在整个城市。此外,受访者来自所有收入类别,见过图2。在受访者中,有53名男性和16名女性,与第一批使用者(不幸的是)一个共同趋势。未来的实验可能涉及大量的志愿者更多元化的人口和社会经济资料。

考虑到隐私分享服务挑战在纵向数据收集,我们把最安全的方法来保护参与者的隐私,意图不是处理旅行信息的方式给线索个人参与者的身份。此外,我们设计了最小化用户交互的方法。因此,TrafficSense数据收集是被动的和匿名的,和我们没有确切的信息居住/工作地点的参与者在我们的数据库中。另一个订婚的挑战是可能有参与者旅行好几天一个星期,很长一段时期,并且经常重复一些他们独特的OD出行,但不一定保证数据收集应用程序在所有的时间。目前,还没有等手段识别“频繁旅行者”,不积极记录自己的旅行。最后,收集到的旅游数据的数量会影响我们的分析反映了当前旅游行为和潜在time-relevant流动性。我们计算框架有可能提供更精确的结果如果我们收集旅行记录更多的不同人口的旅行者。这样的流动数据集将包含旅游数据空间更均匀地分布在城市的不同区域。这可以实现在未来的实验涉及更多的志愿者更多元化的社会经济资料。

访问/出口步行腿PT替代旅行已经被认为是在我们的计算。然而,OTP目前没有考虑access-egress走到/从汽车和找到停车位。在未来的工作中,通过使用OTP一起互补的方法,我们也可以估计的时间步行从/到汽车以及所花费的时间寻找一个停车位。这可能会相对提高潜在的PT和自行车time-relevant选项,因为PT不需要停车搜索和自行车通常不需要任何访问/出口走。同样,总旅行时间的自行车旅行最好包括穿衣服的时间根据天气情况,例如,把开/关天气屏蔽服装(即。风、水和证明夹克,裤子,手套和头盔)。目前,我们的方法不考虑。此外,需要注意的是,骑自行车并不总是可行的选择等所有旅客由于原因不拥有一辆自行车,缺乏自行车共享,或困难的骑自行车,因为恶劣的天气条件。我们的计算框架能够检索来自当地的实时天气信息公开数据服务;因此,在未来的工作我们可以根据天气条件过滤骑自行车旅行,例如排除自行车约会有大雨。另一个点,讨论最低10分钟空闲时间用于部分2.1作为一个阈值来确定旅行开始/结束在赫尔辛基地区(23)及其与典型的等待时间的关系中间PT停止。然而,在其他一些城市,旅行者可能超过10分钟等待公共汽车或火车。因此,未来的工作可以用略低或高阈值测试和比较确定上门旅行。至于碳排放估算,本文考虑尾气而不是排放总量值。每vehicle-km总碳排放的电动自行车,电动火车、有轨电车、地铁是在每个地区根据不同的电力生产和分销网络,还需要进一步的研究来获得这些价值观和框架中使用它们。

计算框架可用于在其他城市旅游行为分析。绝大部分的源代码和配置将保持不变的旅行提取、分析和可视化的选择是独立的城市道路网络。可能需要一些改变,例如PT网络和调度信息的获取目标区域或替换链接OTP API服务器与本地路线规划服务。在未来的研究中,类似的方法可以集成到以前开发的具有说服力的基于web的系统和智能手机应用程序,利用个性化的反馈和游戏化(54,55]。例如,计算time-relevant替代品可以建议游客在公共交通和骑自行车逐渐被认为是更好的选择,不仅因为他们的环境或健康福利,同时也作为我们的竞争对手车节省旅行时间。在未来的研究中,提出了框架可以用来观察和评估参与者的实际旅游行为的变化,例如,在正在实施一项新政策的时候。例子是评价新运输服务,如西方赫尔辛基地区地铁系统的扩展,新的城市自行车分享,等新类型的交通生态系统评估mobility-as-a-service (MaaS) [56- - - - - -59]。

6。结论

本文提出了制定、开发和评价的计算框架,比较观察与计算低碳旅游行为替代旅行为了估计模态变化的程度可能减少碳排放没有重大妥协的旅行时间。框架利用分享服务的新兴旅游数据集,提出了定量和可视化结果的时间,空间,每个旅客,整个城市的观点。例如,我们说明了估计模态转变,发射储蓄,和积极旅游增长,提出集群的替代模式,起飞时间,旅行距离和空间覆盖整个城市。框架还估计潜在改变旅行经常重复同样的旅行者。此外,我们已经解释了经验教训,局限性,并对未来的工作的影响。

在本文中,我们评估的框架与长期旅行数据采样的旅行者在赫尔辛基大都会地区,芬兰。结果表明,例如,平均有23%的汽车旅行的旅行者有一个低碳替代和一半的游客较低碳替代品至少五分之一的汽车旅行。首选的替代选择,大约8%的碳排放量可能已经保存。频繁的独特的汽车旅行中较低碳替代,85%都有这种可能性,无论旅行时间的变化。频繁的汽车旅行可以替代10%的公交车和9%的次rail-based传输(即。、有轨电车、地铁和火车)。模态转变的可能性更高旅行不到20分钟长,短于8公里。此外,自行车作为一种替代的空间潜力更零星的整个城市的公共汽车相比,具有相对更多的旅行从/到市中心。此外,在观察到的noncar机动旅行,10%的公共交通旅行也可以用自行车和步行代替。这个实验评价表明探索time-relevant低碳势的方法的有效性。然而,大量的低碳替代自行车旅行,可能并不适用于所有的参与者和在各种天气条件。 The size of any realized gain will depend on these factors as well as the regional quality of public transportation and bike paths.

框架可用于不同的城市,与当地的公共交通信息的链接等变化,考虑区域循环条件,调整最低activity-location空闲时间。分析不同的城市可能会提供不同的量化措施。特别是,框架有可能提供更精确的评估,从更大的人口相当大的数据一起使用时的志愿者更多元化的社会经济资料。有这样彻底的数据集,该框架可以提供对运输人员和规划者识别团体或地区为促进模式转变。

数据可用性

数据的一部分用于支持本研究的发现可以从作者要求。包括数据库共享数据模式和数据表的结构,以及数据记录与聚合级别高于散客。完整的个人旅行记录和痕迹不能由于研究角度和共享GDPR规定。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究部分由TrafficSense项目阿尔托能源效率研究项目的一部分,最好双胞胎卓越中心。

补充材料

额外的解释计算体系结构、需求和软件设计。图1:主框架的需求。表1:需求、系统需求和实施。图2:系统需求。图3:整个系统的组件包括原始TrafficSense系统以及time-relevant分析方法。本文实现的贡献以粗体突出显示。图4:交通感觉手机应用程序的屏幕截图,显示了旅行者的路线和运输方式(谷歌地图数据版权)。如果需要,旅行者还可以点击每个腿去修改自动检测模式。图5:上门旅行在埃斯波,芬兰,从收集到的差旅数据中提取TrafficSense软件并使用Python和Google Maps API了。(补充材料)

引用

1. b·加德纳和c·亚伯拉罕”,汽车使用的动力是什么?扎根理论分析乘客的驾驶的原因。”交通运输研究F部分:心理学和行为,10卷,不。3、187 - 200年,2007页。视图:出版商的网站|谷歌学术搜索
2. r . Mitra r . a . Ziemba和p . m .赫斯,“城市循环跟踪模式替代效应:在多伦多市区街道的案例研究,加拿大,”国际期刊的可持续交通,11卷,不。4、248 - 256年,2017页。视图:出版商的网站|谷歌学术搜索
3. 德威特,j . Hollevoet f . Dobruszkes m·休伯特和c . Macharis”连接模态选择能动性:一个全面的审查,”交通研究部分:政策和实践49卷,第341 - 329页,2013年。视图:出版商的网站|谷歌学术搜索
4. J.-W。Grotenhuis, b . w . Wiegmans p·里特维德,”所需的公共交通工具的集成多通道旅游信息质量:客户需要节省时间和精力,“交通政策,14卷,不。1,27-38,2007页。视图:出版商的网站|谷歌学术搜索
5. p . l . Mokhtarian c·陈,“TTB TTB与否,这是这个问题:一个实证文献的回顾和分析旅行时间(和金钱)的预算,”交通研究部分:政策和实践,38卷,不。9 - 10,643 - 675年,2004页。视图:出版商的网站|谷歌学术搜索
6. t·香农b . Giles-Corti t . Pikora m . Bulsara t·希尔顿和f .牛”在大学环境中活跃的通勤:评估通勤习惯和潜在的模态变化,“交通政策,13卷,不。3、240 - 253年,2006页。视图:出版商的网站|谷歌学术搜索
7. 崔j . Kim k . s . Kim,藤井裕久,“如何促进可持续的公共自行车系统从心理的角度来看?”国际期刊的可持续交通,11卷,不。4、272 - 281年,2017页。视图:出版商的网站|谷歌学术搜索
8. a·蒙松和洛杉矶织女星”,如何衡量的潜力将旅行从汽车转移到公共交通和软模式将马德里,”学报2006年欧洲运输会议,斯特拉斯堡,法国,2006年。视图:谷歌学术搜索
9. a·蒙松洛杉矶织女星,m . e . Lopez-Lambas”潜力吸引司机的汽车在密集的城市地区,”欧洲交通研究回顾,3卷,不。3、129 - 137年,2011页。视图:出版商的网站|谷歌学术搜索
10. g . Beirao和j·a·萨斯卡布拉尔“理解态度公共交通和私人汽车:定性研究中,“交通政策,14卷,不。6,478 - 489年,2007页。视图:出版商的网站|谷歌学术搜索
11. r . Sharples“旅游能力:让旅客,”交通运输研究F部分:心理学和行为,44卷,第75 - 63页,2017年。视图:出版商的网站|谷歌学术搜索
12. n·j·a·范·埃克塞尔和p·里特维德”,你也可以让这次旅行被另一个模式?调查认为旅游汽车、火车旅行者的可能性的主要旅游走廊城市阿姆斯特丹,荷兰。”交通研究部分:政策和实践,43卷,不。4、374 - 385年,2009页。视图:出版商的网站|谷歌学术搜索
13. p r•s p .油渣,“家庭旅行调查:我们要去哪里?”交通研究部分:政策和实践第41卷。。5,367 - 381年,2007页。视图:出版商的网站|谷歌学术搜索
14. 大肠村上和d·p·瓦格纳”可以使用全球定位系统(GPS)提高旅行报告?”交通研究部分C:新兴技术,7卷,不。2 - 3、149 - 165年,1999页。视图:出版商的网站|谷歌学术搜索
15. j·沃尔夫,m·奥利维拉和m·汤普森“漏报对里程和旅行时间估计的影响:来自全球定位system-enhanced家庭旅游的调查,“交通研究记录:《交通研究委员会,卷1854,不。1,第198 - 189页,2003。视图:出版商的网站|谷歌学术搜索
16. k·克利夫顿和c d mu”,捕捉和代表多通道旅行旅游调查,“交通研究记录:《交通研究委员会,卷2285,不。1,第83 - 74页,2012。视图:出版商的网站|谷歌学术搜索
17. r . j .狼Guensler w·巴赫曼,“消除的旅行日记:实验旅行旅行目的来自全球定位系统数据,”交通研究记录:《交通研究委员会,卷1768,不。1,第134 - 125页,2001。视图:出版商的网站|谷歌学术搜索
18. l .朱、j·冈和l .林”预测个人social-demographic角色使用长期的GPS数据,基于旅游行为差异”《先进的交通工具ID 7290248条,卷。2017年,13页,2017。视图:出版商的网站|谷歌学术搜索
19. 陈x, x Wan, f·丁et al .,“数据驱动的预测系统的动态人流在大型城市网络使用细胞探测数据,”《先进的交通工具卷,2019篇文章ID 9401630, 12页,2019。视图:出版商的网站|谷歌学术搜索
20. y仓叶和大肠Hato跟踪使用移动通讯工具为个人旅游行为调查,“交通研究部分C:新兴技术,12卷,不。3 - 4、273 - 291年,2004页。视图:出版商的网站|谷歌学术搜索
21. 赵c, d . Cottrill f·c·佩雷拉f . et al .,“未来流动性调查:分享服务经验在发展中在新加坡旅游的调查,“交通研究记录:《交通研究委员会,卷2354,不。1,59 - 67年,2013页。视图:出版商的网站|谷歌学术搜索
22. s . Vlassenroot d·吉利斯r .犬吠,s .乔达摩”的使用智能手机应用在旅游行为数据的收集,”智能交通系统研究的国际期刊,13卷,不。1,17-27,2015页。视图:出版商的网站|谷歌学术搜索
23. 江,g . A . Fiore y, j·费雷拉Jr . e . Frazzoli m·c·冈萨雷斯,“回顾城市计算为移动电话跟踪:当前方法,挑战和机遇,”第二届ACM SIGKDD城市计算国际研讨会美国IL p。2,芝加哥,2013年8月。视图:谷歌学术搜索
24. j . Gadziński”视角的使用智能手机在旅游行为研究:从文献综述和初步研究发现,“交通研究部分C:新兴技术卷,88年,第86 - 74页,2018年。视图:出版商的网站|谷歌学术搜索
25. 郑胜耀他z . Wang, y Leung)“手机数据应用到旅游行为研究:一个文献综述,”旅游行为和社会11卷,第155 - 141页,2017年。视图:出版商的网站|谷歌学术搜索
26. 诉拉曼,j .沈a . Kansal诉巴尔,r . r . Choudhury,“我是一个智能手机,我知道我的用户是开车,”学报2014年6日国际通信系统与网络会议(COMSNETS),页1 - 8,班加罗尔,印度,2014年1月。视图:谷歌学术搜索
27. 莫伦斯c、h . Verreault和a·法莱”估计潜在的自行车和步行旅行在蒙特利尔,”《民国2017年会美国,华盛顿特区,2017年。视图:谷歌学术搜索
28. f . Godefroy和c·莫伦西,”加拿大蒙特利尔估计潜在的骑车旅行,”交通研究记录:《交通研究委员会,卷2314,不。1,第128 - 120页,2012。视图:出版商的网站|谷歌学术搜索
29. A . Fyhri e .海纳:Fearnley, h·b·Sundfør”推动cycling-exploring电动自行车在自行车克服障碍的作用使用调查和干预研究”国际期刊的可持续交通,11卷,不。9日,第695 - 681页,2017年。视图:出版商的网站|谷歌学术搜索
30. c . Gorenflo里奥斯,l . Golab Keshav和美国,“电动自行车的使用模式:WeBike的分析项目,“《先进的交通工具ID 3739505条,卷。2017年,14页,2017。视图:出版商的网站|谷歌学术搜索
31. “阿尔托大学TrafficSense-research项目”,2018年,https://aaltotrafficsense.wordpress.com/about/。视图:谷歌学术搜索
32. m . Heiskala j。Jokinen, m . Tinnila“Crowdsensing-based运输服务从商业模式和可持续发展的观点,分析”研究运输业务及管理38 - 48,卷。18日,页。2016。视图:出版商的网站|谷歌学术搜索
33. m . Rinne m .阿訇、t . Tolvanen和j . Hollmen”自动识别移动设备传感器数据的公共交通出行和交通基础设施的信息,”诉讼国际研讨会的个人分析和隐私(PAP 2017)卷,10708年,页76 - 97,都柏林,爱尔兰,2017年9月。视图:出版商的网站|谷歌学术搜索
34. “TrafficSenses软件和移动app-source代码,文档和设置说明,“2020年,https://github.com/aalto-trafficsense/。视图:谷歌学术搜索
35. “Digitransit芬兰,2020年,https://digitransit.fi/en/。视图:谷歌学术搜索
36. Cynergy电动自行车,http://www.cynergyebikes.com/about-ebikes-s/117.htm。
37. 自行车的性能,https://en.wikipedia.org/wiki/Bicycle_performance。
38. a . Tiwary和j .书空气污染:测量、建模和缓解美国佛罗里达州波卡拉顿,CRC新闻,2010年。
39. “LIPASTO-unit排放(数据库在芬兰的交通工具排放),”2017年,http://lipasto.vtt.fi/yksikkopaastot/indexe.htm。视图:谷歌学术搜索
40. “Jalki-weekday旅游碳计算器(赫尔辛基市区),”2017年,http://www.hsljalki.fi/en/menu/info。视图:谷歌学术搜索
41. 行政办公室和城市研究和统计,赫尔辛基统计年鉴》2018年、行政办公室、城市研究和统计数据,2018年芬兰赫尔辛基。
42. e .海纳,b . van凌晨,k .真理正义之神“骑自行车通勤:文献的概述,“运输的评论,30卷,不。1,59 - 96年,2010页。视图:出版商的网站|谷歌学术搜索
43. m . Bierlaire j . Chen和j·纽曼,“智能手机的GPS数据的概率地图匹配方法,”交通研究部分C:新兴技术26卷,第98 - 78页,2013年。视图:出版商的网站|谷歌学术搜索
44. m . Liebner f .三k党和c·斯蒂勒,“主动安全的易受伤害的道路使用者基于智能手机的位置数据,”学报2013年IEEE智能车辆研讨会(IV),页256 - 261,黄金海岸,澳大利亚,2013年6月。视图:谷歌学术搜索
45. 谷歌API的道路。http://developers.google.com/maps/documentation/roads/snap。
46. 美国Hemminki、p·鲁米和s . Tarkoma“基于重力感应的运输模式检测在智能手机上,”学报》第11届ACM会议嵌入式网络化传感器Systems-SenSys 13,页1 - 14,罗马,意大利,2013年11月。视图:谷歌学术搜索
47. d . Shin d·阿里b Tuncer et al .,“城市遥感:使用智能手机运输模式分类,“电脑、环境和城市系统53卷,第86 - 76页,2015年。视图:出版商的网站|谷歌学术搜索
48. 美国江、j·费雷拉和m . c·冈萨雷斯,“基于活动的人类移动模式推断从手机数据:一个案例研究新加坡”IEEE大数据,3卷,不。2、208 - 219年,2017页。视图:出版商的网站|谷歌学术搜索
49. j·杜和l . Aultman-Hall”提高旅行速度信息的准确性从被动持续多日的GPS旅游数据集:自动行程结束识别问题,“交通研究部分:政策和实践第41卷。。3、220 - 232年,2007页。视图:出版商的网站|谷歌学术搜索
50. OpenTripPlanner书目。http://docs.opentripplanner.org/en/latest/Bibliography/。
51. “Reittiopas(芬兰旅行计划)”,2017年,https://www.reittiopas.fi/。视图:谷歌学术搜索
52. l . Mandow和j·l . p . De La Cruz”多目标与一致的启发式搜索,”ACM的杂志卷,57号5,页1 - 25,2010。视图:出版商的网站|谷歌学术搜索
53. c .东桐林k .嚼,“多准则帕累托最优路径算法,”欧洲运筹学杂志》上,卷62,不。2、203 - 209年,1992页。视图:出版商的网站|谷歌学术搜索
54. 诉Sunio和j . d . Schmocker”,我们可以通过移动应用促进可持续的旅游行为吗?评估和审查的证据。”国际期刊的可持续交通,11卷,不。8,553 - 566年,2017页。视图:出版商的网站|谷歌学术搜索
55. j . Jariyasunant m . Abou-Zeid a卡雷尔et al .,“量化旅行:旅行反馈满足云改变行为,”智能交通系统杂志》上,19卷,不。2、109 - 124年,2014页。视图:出版商的网站|谷歌学术搜索
56. c . Weckstrom r . Kujala m . n . Mladenović和j . Saramaki”评估大型公共交通网络使用开放时间表数据转换:赫尔辛基市区扩展的情况下,“交通地理杂志文章ID 102470卷,79年,2019年。视图:出版商的网站|谷歌学术搜索
57. n . Haglund m . n . Mladenovic r . Kujala c . Weckstrom和j . Saramaki Kutsuplus把我们哪里来的呢?事后评估需micro-transit飞行员在赫尔辛基首都地区,”研究运输业务及管理文章ID 100390年,2019年。视图:出版商的网站|谷歌学术搜索
58. c . Weckstrom m . n . Mladenovićw . Ullah j·d·纳尔逊·m·Givoni和美国巴斯曼,“用户视角对新兴移动服务:事后分析Kutsuplus飞行员,“运输业务和管理的研究27卷,第97 - 84页,2018年。视图:出版商的网站|谷歌学术搜索
59. k .大约m . n . Mladenovićd .代替和d . Milakis”质疑流动作为服务:意外影响社会和治理,”交通研究部分:政策和实践卷。131年,35-49,2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020人士阿訇et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。