A matriz estimada gradativamente aproximou-se da \"real\" à medida que foi aumentada a quantidade de informação de fluxo e sua distribuição na rede. O experimento mostrou que a matriz OD estimada ao considerar contagens de tráfego nas interseções apresenta melhor desempenho em comparação a matriz estimada ao considerar contagens nos arcos da rede de transportes. A utilização de contagens de fluxo nas interseções propiciou à matriz OD estimada, melhorias que acarretaram sua aproximação com a matriz OD \"real\". A inserção de \"arcos virtuais\" na rede de transportes constituiu um artifício que permitiu aos programas QUEENSOD e TransCAD realizarem a estimação utilizando fluxos observados nas interseções. Três métodos de estimação, QUEENSOD, TransCAD e MEMS, foram utilizados na verificação da hipótese. É apresentada a descrição matemática das propostas e o detalhamento dos experimentos elaborados para testá-las. Ademais, é proposto e detalhado um método de estimação da matriz OD através de médias sucessivas (MEMS).
The applicability of the proposed methodology is supported by validation against the temporal and spatial distributions of trips reported in local and national surveys.A meta do trabalho é propor e testar a hipótese que a contagem de tráfego nas interseções da rede de transportes, ao invés de contagem de tráfego nos arcos, reduz o grau de indeterminação e torna mais precisa a matriz OD estimada pelo modelo sintético. Aggregating individuals’ daily trips by Census Tract pair, hour of the day, and trip purpose results in trip matrices that form the basis for much of the analysis and modeling that inform transportation planning and investments. These trips are multiplied by expansion factors based on the population of a user’s home Census Tract and divided by the number of days on which we observed the user, distilling average daily trips. Trips are then constructed for each user between two consecutive observations in a day. Since the arrival time and duration at these locations reflect the observed (based on phone usage) rather than true arrival time and duration of a user, we probabilistically infer departure time using survey data on trips in major US cities.
These locations are inferred to be home, work, or other depending on observation frequency, day of week, and time of day, and represent a user’s origins and destinations.
These records are first converted into clustered locations at which users engage in activities for an observed duration. In this work, we present methods to estimate average daily origin–destination trips from triangulated mobile phone records of millions of anonymized users.
0 kommentar(er)
