[論文レビュー] Dynamic Origin-Destination Estimation Using Smart Card Data: An Entropy Maximisation Approach

Abderrahman Ait Ali, Jonas Eliasson|arXiv (Cornell University)|Sep 6, 2019

Human Mobility and Location-Based Analysis参考文献 16被引用数 6

ひとこと要約

本稿では、エントリーデータのみを用いてエントロピー最大化とラグランジュ緩和を適用することで、動的出発地・目的地（OD）推定モデルを提案する。この手法は、ストックホルムの通勤鉄道網におけるOD行列を正確に推定でき、手動観察と同等の結果を達成する。追加データと現実的な仮定を組み込むことでさらなる改善が得られる。

ABSTRACT

Problems of dynamic origin-destination (OD) estimation using smart card data can be modelled using entropy maximisation and solved for large networks using solution techniques such as Lagrangian relaxation. In this paper, we give an overview of the research literature about OD estimation. We show how entropy maximisation can be used to model this problem in case station-entry data from smart cards is the only available information, i.e. number of entries is known but not exits nor the flow between the stations. The large entropy maximisation program is solved using Lagrangian relaxation. The model is tested on a case study from the commuter train service in Stockholm with smart card entry-data from a working day in 2015. The results show that, given the entry-data, the entropy maximisation-based model and methods allows to find an OD-estimate that is as accurate as the reported estimates from manual observations. The estimates are further improved when using relevant assumptions and additional available data.

研究の動機と目的

• スマートカードのエントリーデータのみを用いて、出場情報やフロー情報が得られない状況での動的OD推定モデルの開発。
• 制約条件のもとで最も確率の高いOD行列を生成するためにエントロピー最大化を適用する。
• ラグランジュ緩和を用いて大規模最適化問題を効率的に解く。
• ストックホルムの通勤鉄道システムから得た実世界データを用いてモデルを検証する。
• 追加データと仮定の影響が推定精度に与える影響を評価する。

提案手法

• フロー保存則とエントリーカウント制約のもとで、大規模なエントロピー最大化問題としてOD推定問題を定式化する。
• ラグランジュ緩和を用いて問題を解ける小問題に分解し、効率的な解法を実現する。
• エントリーカウントを観測データとして設定し、出場情報や駅間フローに関する情報は一切使用しない。
• ストックホルムの通勤鉄道網の2015年のスマートカードデータを用いて、実世界の事例研究を実施する。
• フロー保存則やフローの上限といった現実的な仮定を組み込むことで、解の品質を向上させる。
• 双対問題を繰り返し解くことで、近似的最適なOD推定値に収束させる。

実験結果

リサーチクエスチョン

• RQ1 エントリーカウントのみが利用可能な状況で、エントロピー最大化が正確なOD推定を可能にするか？
• RQ2 不完全なデータからの大規模な動的OD推定問題に対して、ラグランジュ緩和はどの程度効果的か？
• RQ3 追加データと仮定を組み込むことで、OD推定の精度はどの程度向上するか？
• RQ4 モデルの性能は、手動観察によるODマトリクスと比べてどうか？
• RQ5 データの疎らさと出場情報の欠落が、推定の信頼性に与える影響は何か？

主な発見

• エントロピー最大化モデルは、エントリーデータのみを用いても、手動観察によるODマトリクスと同等の精度のOD推定を達成する。
• ラグランジュ緩和の使用により、実世界のネットワーク規模における大規模最適化問題を効率的に解くことが可能になる。
• 現実的な仮定と追加データの組み込みにより、推定精度が顕著に向上する。
• 不完全なデータを伴う実際の通勤鉄道網において、モデルは頑健性とスケーラビリティを示す。
• 情報理論的原則を用いて、最小限のスマートカードデータから動的ODパターンを推定可能であることが確認された。
• 本手法は、輸送需要推定のための手動データ収集の代替手段として実用的である。