Exploring Deep Learning Approaches to Predict Person and Vehicle Trips: An Analysis of NHTS Data

要約

現代の交通計画は、人と車両の移動の正確な予測に大きく依存しています。
ただし、従来の計画モデルでは旅行行動の複雑さやダイナミクスを考慮できないことが多く、予測の精度が最適とは言えません。
この研究では、旅行予測、そして最終的には交通計画へのアプローチ方法を変革する深層学習技術の可能性を探ります。
全国世帯旅行調査 (NHTS) の包括的なデータセットを利用して、人や車両の移動を予測するためのディープラーニング モデルを開発し、トレーニングしました。
提案されたモデルは、NHTS データ内の膨大な量の情報を活用し、従来のモデルでは見落とされていた複雑な非線形関係を捕捉します。
その結果、当社の深層学習モデルは、人の移動予測では 98%、車両の移動推定では 96% という驚異的な精度を達成しました。
これは、従来の輸送計画モデルのパフォーマンスに比べて大幅な向上を示しており、この領域におけるディープラーニングの力を実証しています。
この研究の意義は、単なるより正確な予測を超えて広がります。
旅行予測モデルの精度と信頼性を強化することで、プランナーはより効果的なデータ駆動型の交通ポリシー、インフラストラクチャ、およびサービスを策定できます。
そのため、私たちの研究は、交通計画分野がディープラーニングなどの高度な技術を採用する必要性を強調しています。
詳細な方法論と、結果とその意味についての徹底的な議論は、このペーパーの後続のセクションで説明されます。

要約(オリジナル)

Modern transportation planning relies heavily on accurate predictions of person and vehicle trips. However, traditional planning models often fail to account for the intricacies and dynamics of travel behavior, leading to less-than-optimal accuracy in these predictions. This study explores the potential of deep learning techniques to transform the way we approach trip predictions, and ultimately, transportation planning. Utilizing a comprehensive dataset from the National Household Travel Survey (NHTS), we developed and trained a deep learning model for predicting person and vehicle trips. The proposed model leverages the vast amount of information in the NHTS data, capturing complex, non-linear relationships that were previously overlooked by traditional models. As a result, our deep learning model achieved an impressive accuracy of 98% for person trip prediction and 96% for vehicle trip estimation. This represents a significant improvement over the performances of traditional transportation planning models, thereby demonstrating the power of deep learning in this domain. The implications of this study extend beyond just more accurate predictions. By enhancing the accuracy and reliability of trip prediction models, planners can formulate more effective, data-driven transportation policies, infrastructure, and services. As such, our research underscores the need for the transportation planning field to embrace advanced techniques like deep learning. The detailed methodology, along with a thorough discussion of the results and their implications, are presented in the subsequent sections of this paper.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google