Centre dedocumentation
scientifique

Extracting activity patterns from taxi trajectory data: a two-layer framework using spatio-temporal clustering, Bayesian probability and Monte Carlo simulation / Shuhui Gong in International journal of geographical information science IJGIS, vol 34 n° 6 (June 2020)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 34 n° 6 (June 2020) . - pp 1210 - 1234 Titre : Extracting activity patterns from taxi trajectory data: a two-layer framework using spatio-temporal clustering, Bayesian probability and Monte Carlo simulation Type de document : Article/Communication Auteurs : Shuhui Gong, Auteur ; John Cartlidge, Auteur ; Ruibin Bai, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 1210 - 1234 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] analyse de groupement [Termes descripteurs IGN] comportement [Termes descripteurs IGN] données GPS [Termes descripteurs IGN] données spatiotemporelles [Termes descripteurs IGN] inférence statistique [Termes descripteurs IGN] longueur de trajet [Termes descripteurs IGN] méthode de Monte-Carlo [Termes descripteurs IGN] origine - destination [Termes descripteurs IGN] point d'intérêt [Termes descripteurs IGN] population urbaine [Termes descripteurs IGN] questionnaire [Termes descripteurs IGN] taxi [Termes descripteurs IGN] temps de trajet [Termes descripteurs IGN] voyage Résumé : (auteur) Global positioning system (GPS) data generated from taxi trips is a valuable source of information that offers an insight into travel behaviours of urban populations with high spatio-temporal resolution. However, in its raw form, GPS taxi data does not offer information on the purpose (or intended activity) of travel. In this context, to enhance the utility of taxi GPS data sets, we propose a two-layer framework to identify the related activities of each taxi trip automatically and estimate the return trips and successive activities after the trip, by using geographic point-of-interest (POI) data and a combination of spatio-temporal clustering, Bayesian inference and Monte Carlo simulation. Two million taxi trips in New York, the United States of America, and ten million taxi trips in Shenzhen, China, are used as inputs for the two-layer framework. To validate each layer of the framework, we collect 6,003 trip diaries in New York and 712 questionnaire surveys in Shenzhen. The results show that the first layer of the framework performs better than comparable methods published in the literature, while the second layer has high accuracy when inferring return trips. Numéro de notice : A2020-270 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2019.1641715 date de publication en ligne : 19/07/2019 En ligne : https://doi.org/10.1080/13658816.2019.1641715 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95042 [article]