| مشخصات مقاله | |
| ترجمه عنوان مقاله | مدل سازی حمل و نقل در عصر کلان داده ها |
| عنوان انگلیسی مقاله | Transport modelling in the age of big data |
| انتشار | مقاله سال ۲۰۱۶ |
| تعداد صفحات مقاله انگلیسی | ۴۵ صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه تیلور و فرانسیس |
| نوع نگارش مقاله | مقاله پژوهشی (Research article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| فرمت مقاله انگلیسی | |
| رشته های مرتبط | مهندسی کامپیوتر- مهندسی عمران |
| گرایش های مرتبط | برنامه ریزی حمل و نقل، راه و ترابری |
| نوع ارائه مقاله |
ژورنال |
| مجله / کنفرانس | مجله بین المللی علوم شهری – International Journal of Urban Sciences |
| دانشگاه | ETH Zurich, Future Cities Laboratory, Singapore – ETH Center Singapore |
| کلمات کلیدی | کلان داده ها، برنامه ریزی حمل و نقل، مدل سازی تقاضای سفر، شبیه سازی مبتنی بر عامل، کارت هوشمند حمل و نقل عمومی، داده های شبکه تلفن همراه |
| کلمات کلیدی انگلیسی | Big Data, transport planning, travel demand modelling, agent-based simulation, public transport smart card, mobile phone network data |
| شناسه دیجیتال – doi |
https://doi.org/10.1080/12265934.2017.1281150 |
| کد محصول | E11592 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| بخشی از متن مقاله: |
| ABSTRACT New Big Data sources such as mobile phone call data records, smart card data and geo-coded social media records allow to observe and understand mobility behaviour on an unprecedented level of detail. Despite the availability of such new Big Data sources, transport demand models used in planning practice still, almost exclusively, are based on conventional data such as travel diary surveys and population census. This literature review brings together recent advances in harnessing Big Data sources to understand travel behaviour and inform travel demand models that allow transport planners to compute what-if scenarios. From trip identification to activity inference, we review and analyse the existing data-mining methods that enable these opportunistically collected mobility traces inform transport demand models. We identify that future research should tap on the potential of probabilistic models and machine learning techniques as commonly used in data science. Those data-mining approaches are designed to handle the uncertainty of sparse and noisy data as it is the case for mobility traces derived from mobile phone data. In addition, they are suitable to integrate different related data sets in a data fusion scheme so as to enrich Big Data with information from travel diaries. In any case, we also acknowledge that sophisticated modelling knowledge has developed in the domain of transport planning and therefore we strongly advise that still, domain expert knowledge should build the fundament when applying data-driven approaches in transport planning. These new challenges call for a multidisciplinary collaboration between transport modellers and data scientists. |