[論文レビュー] Combining traffic counts and Bluetooth data for link-origin-destination matrix estimation in large urban networks: The Brisbane case study

Gabriel Michau, Nelly Pustelnik+4 more|arXiv (Cornell University)|Jul 17, 2019

Human Mobility and Location-Based Analysis参考文献 41被引用数 5

ひとこと要約

本稿では、大規模な都市ネットワークにおけるリンク発着地（LOD）行列を推定するための凸最適化フレームワークを提案する。交通割り当てをフロー保存則とデータ整合性の制約を課した逆問題としてモデル化することで、包括的で三次元的な交通状態表現が得られ、ルート選択行動やリンク利用状況の詳細な分析が可能になる。ブリスベンの実例では、600台を超えるBluetoothプローブデバイスと18,300のネットワークリンクを用いて検証された。

ABSTRACT

Origin-Destination matrix estimation is a keystone for traffic representation and analysis. Traditionally estimated thanks to traffic counts, surveys and socio-economic models, recent technological advances permit to rethink the estimation problem. Road user identification technologies, such as connected GPS, Bluetooth or Wifi detectors bring additional information, that is, for a fraction of the users, the origin, the destination and to some extend the itinerary taken. In the present work, this additional information is used for the estimation of a more comprehensive traffic representation tool: the link-origin-destination matrix. Such three-dimensional matrices extend the concept of traditional origin-destination matrices by also giving information on the traffic assignment. Their estimation is solved as an inverse problem whose objective function represents a trade-off between important properties the traffic has to satisfy. This article presents the theory and how to implement such method on real dataset. With the case study of Brisbane City where over 600 hundreds Bluetooth detectors have been installed it also illustrates the opportunities such link-origin-destination matrices create for traffic analysis.

研究の動機と目的

• 実世界のデータを用いて、大規模都市ネットワークにおけるリンク発着地（LOD）行列を推定するスケーラブルな手法を開発すること。
• 従来のOD行列推定法の限界を克服するため、Bluetoothプローブデバイスと交通計数のプローブデータを統合すること。
• 追加のモデルや仮定に依存せずに、発着地フローとリンクレベルの交通割り当てを統合的に分析できること。
• 高データ量とネットワークの複雑さを伴う現実の都市環境において、LOD行列の実用性と有効性を実証すること。

提案手法

• データ整合性項と事前知識項の重み付き組み合わせを最小化する制約付き逆問題としてLOD行列推定を定式化する。
• 目的関数：min {γ₁D₁(T̃, T) + γ₂D₂(q̃, q)} を制約 q = F(T) で最適化する凸最適化フレームワークを採用し、Fは交通割り当て関数である。
• フローカンサーヴェーション（キルホフの法則）とデータ整合性の制約を適用し、交通計数（q̃）とBluetoothプローブデータを用いてOD行列（T）を推定する。
• 元のGIS道路ネットワーク（370,000セグメント）を管理可能な18,300リンクのグラフに縮小し、さらに都市中心部の分析のため5,370リンクにまで縮小する。
• ODペアと経路ごとに変化する検出率を反映するため、検出率モデルを導入し、Bluetooth検出率に応じてフロー推定値を調整する。
• 事前OD行列の仮定、観測された交通計数、ネットワーク上のフロー保存則のバランスを取る多目的最適化を実装する。

実験結果

リサーチクエスチョン

• RQ1 大規模都市ネットワークにおいて、Bluetoothプローブデータと交通計数を効果的に統合して包括的なリンク発着地行列を推定できるか？
• RQ2 提案された凸最適化フレームワークは、従来のOD行列推定法に比べて、フローの一貫性と空間分解能の面でどのように向上するか？
• RQ3 現実の都市環境において、推定されたLOD行列からどのようなルート選択行動やリンク利用パターンに関する知見が得られるか？
• RQ4 目的関数内の重み（γ₁, γ₂）を変化させると、推定された交通行列の品質と現実性にどのような影響を与えるか？

主な発見

• 本手法は、ブリスベンの都市ネットワークに対してLOD行列を成功裏に推定した。都市部では約185,000のODペアと5,370のリンクをカバーした。
• LOD行列から導出された交通フローマップは、原始的な交通計数に比べて滑らかで一貫性があり、アーチファクトが低減され、空間的整合性が向上した。
• ブレッドフィールド・ハイウェイ・ブリッジが主要な経路として特定され、北ブリスベンから南ブリスベンへの大きなODフローが確認された。これは、有料のゲートウェイ・ブリッジよりも東寄りの経路を好む傾向を示している。
• Bluetoothデータの検出率はODペアやルートによって顕著に異なる。特に主要路線では低い検出率要因（例：4未満）が使用され、サウスバンクの小規模なフローでは約3の要因が使用された。
• 本手法により、CBDからムールゥクーラへの移動など、ルート別交通量の可視化が可能となり、経路依存のフローディストリビューションと非一様な検出効率の違いが明らかになった。
• 単純な推定に比べ、本フレームワークはより現実的で詳細な交通状態表現を生成でき、ピーク時比較や通勤行動の分析といった高度な分析を可能にした。