[論文レビュー] An Activity-Based Model of Transport Demand for Greater Melbourne

Alan Both, Dhirendra Singh+3 more|arXiv (Cornell University)|Nov 19, 2021

Transportation Planning and Optimization参考文献 43被引用数 4

ひとこと要約

本稿では、ハイブリッド機械学習、確率的、重力ベースの手法を組み合わせた、新規でオープンソースで再現可能な活動ベースのモデリングフレームワークを提示する。メトロポリタンメルボーンにおいて合成人口を生成するもので、個別化されたコhort特化型の活動チェーンを独自に生成し、移動距離と目的地の魅力をバランスさせ、ホップカウントフィルタリングを用いて非現実的な帰路移動を防ぐ。その結果、さまざまなサンプルサイズにおいて、モード選択、移動距離分布、および目的地選択の精度が向上した。

ABSTRACT

In this paper, we present an activity-based model for the Greater Melbourne area, using a combination of hierarchical clustering, probabilistic, and gravity-based approaches. The model outlines steps for generating a synthetic population-a list of agents with their demographic attributes-and for assigning activity patterns, schedules, as well as activity locations and modes of travel for each trip. In our model, individuals are assigned activity chains based on the probabilities of their respective demographic clusters, as informed by observed data. Tours and trips then emanate from these assigned activities. This is innovative compared to the common practice of creating trips or tours first and attaching activities thereafter. Furthermore, when selecting activity locations, our model incorporates both the distance-decay of trip lengths and the activity-based attraction of destination sites. This results in areas with higher attractiveness for various activities showing a greater likelihood of being selected. Additionally, when assigning the location for the next activity, we take into account the number of activities an agent has remaining to ensure they do not opt for a location that would be impractical for a return trip home. Our methodology is open and replicable, requiring only publicly available data and is designed to produce outcomes compatible with commonly used agent-based modeling software such as MATSim. Each sub-model is calibrated to match observed data in terms of activity types, start and end times, and durations.

研究の動機と目的

• MATSim などのエージェントベースモデリングツールと互換性のある、完全に再現可能でオープンソースの合成人口生成手法の開発を目的とする。
• 移動調査から実際の活動チェーンをクローンする手法の限界、特に歩行や自転車利用といった未代表的モードの問題を克服することを目的とする。
• 距離減衰、目的地の魅力、帰路移動の妥当性をバランスさせることで、現実的な移動パターンを確保することを目的とする。
• コhort特化型の活動チェーンとモード依存の移動制約を組み込むことで、シミュレーションの忠実性を向上させることを目的とする。
• 複数のサンプルサイズでモデルを検証し、モード選択、移動距離分布、および目的地選択の正確性を示すこと。

提案手法

• 本モデルは、機械学習、確率的割り当て、重力ベースの目的地選択を統合したハイブリッド手法を用い、合成エージェントを生成する。
• 実際の調査データから抽出された活動チェーンをクローンするのではなく、コhortごとに個別に活動チェーンを生成することで、小規模または未代表的グループに対しても代表的となるように保証する。
• 目的地選択には、モード選択、移動距離、および目的地の魅力を組み合わせた地域固有の空間確率を統合し、10,289のSA1地域でキャリブレーションを実施する。
• ホップカウント測定値を用いて、残りの移動回数と輸送モードに基づき、動的に目的地候補をフィルタリングすることで、不自然に長い帰路移動を防止する。
• 本モデルは、公に利用可能なデータ（ABSセンサスによる人口統計、VISTA移動調査による行動データ）を用いてトレーニングおよび検証される。
• 本手法は、MATSim などの標準的なABMソフトウェアと完全に互換性を持つように設計されている。

実験結果

リサーチクエスチョン

• RQ1 実際の活動チェーンをクローンすることなく、現実のモード選択、移動距離、および目的地分布を正確に再現できる合成人口を生成できるか？
• RQ2 未代表的で重要なアクティブ輸送モード（歩行、自転車）を、合成人口においてよりよく表現するにはどうすればよいか？
• RQ3 移動回数とモード依存の制約を組み込むことで、活動チェーンにおける帰路移動の現実性はどの程度向上するか？
• RQ4 異なるサンプルサイズが、主な輸送指標における合成人口出力の正確性にどのように影響するか？
• RQ5 機械学習、確率的、重力ベースの手法をハイブリッドに組み合わせたモデルは、代表的かつ再現可能な仮想人口を生成できるか？

主な発見

• すべてのテストされたサンプルサイズにおいて、実世界の移動距離分布、モード選択、および目的地選択を正確に再現した。
• 1%および0.1%のサンプルサイズでは、歩行、自転車、自動車利用の正確性が低く、小規模なスケールでの不安定性と、より大きなサンプルサイズの必要性を示した。
• 5%のサンプルサイズを超えると、正確性の向上が鈍り、5%から10%の間でほとんど改善が見られなかったため、収益逓減の傾向が見られた。
• ホップカウントフィルタリングにより、特に歩行および自転車利用の非現実的で長い帰路移動が顕著に減少し、モード選択のシミュレーション忠実度が向上した。
• 目的地の魅力に高い重みを割り当てることで、距離減衰と目的地の魅力のバランスを取ることに成功し、特にシティ・ビレッジ・ディストリクト（CBD）のような高魅力地域への十分な移動が確保された。
• 本手法は、公に利用可能なデータ（ABSセンサスおよびVISTA調査）のみを用いて完全に再現可能であり、他の地域でも広く採用・検証が可能である。