Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie GISA学術研究発表Web大会「ダッカにおける携帯基地局情報を用いた人の流動解析手法に関する研究」
Ähnlich wie GISA学術研究発表Web大会「ダッカにおける携帯基地局情報を用いた人の流動解析手法に関する研究」 (20)
GISA学術研究発表Web大会「ダッカにおける携帯基地局情報を用いた人の流動解析手法に関する研究」
- 1. GISA学術研究発表Web大会 ダッカにおける携帯基地局情報を用いた人 の流動解析手法に関する研究 東京大学工学部社会基盤学科 長谷川瑶子 共同研究者：関本義秀、金杉洋、新井亜弓、 Teerayut Horanont, Apichon Witayangkurn 1
- 3. 1. 研究背景 ー 途上国における交通問題の深刻化 途上国の状況 ー 途上国での一般人への 携帯電話の普及 対策のため交通状況 把握が不可欠 New sensors 上昇するバングラデシュの携帯電話普及 率 CDRを用いた人の流動把握に着目 3
- 4. 1.研究背景 ー CDR ー • CDR (Call Detail Record) 携帯電話で通信した際の時刻と、 通信した基地局情報の記録 • CDRを流動解析に用いる利点 ｰ利用者を介さないため入手が容易 ｰ時空間的に広範囲の情報 ｰ特別な機器を用いずとも携帯電話普及 地域であれば収集可能 4
- 5. 2.課題 CDR データの課題 ・個人の携帯利用頻度に大きく依存する(時空間的な密度が疎) ・位置情報が基地局の分布に大きく依存する これまでのCDRを活用した研究・取り組み •OD推定手法の構築(Calabrese, 2011) •時空間的な経路推定を含む人の流動推定 (Kanasugi,2013) →ある程度の再現性を持つデータで あることを示す結果 •モバイルデータチャレンジの開催 (D4D Challenge etc.) →途上国向けアプリケーションの提案 も ただし、 大きなトレンド • 元データからの傾向の把握の手法に留まり、リアルタイムの交通状況 を推定する手法は未構築 • データが比較的粗い地域を対象とした取り組みはまだ少ない 5
- 7. 4.対象地域と使用データ 対象地域 ダッカ中心部 使用データ • GrameenphoneユーザーのCDRデータ • 2012/6/19 ～ 2012/7/18の一カ月分 • ユーザー400 万人分 • 携帯電話基地局はダッカ全域に分布、 中心部では特に密な配置 • メール等を含まない電話通信の記録のみ 全ユーザー平均 5.8 logs /day, user ダッカ中心部におけるGrameenphone 携帯基地局分布 使用データ平均 10.2 logs/ day, user 現段階では、対象地域周辺で のデータ数が多い１万人 を対象に絞る 7
- 8. 5.メソッド － 推定の流れ － 1. Stay Pointの判定 CDRの空間的 クラスタリング No Yes クラスター構成要 素数が5以上 Trip中のデータとみなす Stay Pointとみなす 2. Trip の抽出 3.経路候補の生成 4. 最尤経路の選択 5. 推定結果の評価・可視化
- 9. 5.メソッド － Stay Point 判定 － ★: Stay points ：CDR log Mean Shift clustering ( Cheng, 1995)手法を 用いた長期間CDRの 空間的クラスタリング ５つ以上の Stay Point＝ 構成要素数を もつクラスタ
- 10. 5.メソッド Destination, Tarri. － Tripの抽出、経路候補生成 － ●:Candidate 1 ●:Candidate 2 ★: Stay points ●:Candidatelog ：CDR 3 ●:Candidate 4 ●:Candidate 5 異なるクラスタ間 にTrip が発生して いると仮定 異なるクラスタ間にTrip が発生していると仮定 Tarri. trip Tdep. Penalty method (De la Barra, 1993) を 用いたN個の経路候補 の生成 Origin, Tdep.
- 11. 5.メソッド － 最尤経路の選択 － ●:Selected route (Candidate 4) : CDR log 生成した各経路を出発時 刻と到着時刻から算出し た１分ごとのノード列に 置き換える 各経路の時空間的な尤度計算 最も尤度が高い経路を推 定経路とする 11
- 12. 6.推定結果 Ave 11.0 patterns/month － 推定トリップ － Ave 12.6 patterns/month • 約11万通りのOD パターンと、 約12.6 万通りの経路パターンを抽出 Ave 47.2 trips/month • 経路パターン数＞OD パターン数 • Trip数は一日にHome,Office間の往復がある、 という仮定からは小さい結果 (tripが抽出され なかったユーザー(14%)の影響が大きい) →経路の多様性も考慮されたtripの抽出 →実際に発生した全てのtrip を抽出することは困 難 12
- 14. 6.推定結果 － 評価と可視化 JICAの道路交通量調査との比較 総リンク交通量の算出 2000 1800 1600 1400 1200 1000 800 600 400 200 0 CDR estimation 1か月分1万人の総交通量 － R² = 0.5914 0 20,000 40,000 60,000 80,000 100,000 120,000 JICA road survey 14
- 15. 7.結論 • ダッカのCDRデータから各個人のtripを抽出し、多様 なtripパターンの抽出を試みた • 出発地、目的地、経路、tripの発生時刻における多様 性が考慮された結果を得た – 本手法で、多数かつ経路に各trip要素に多様性をもつ 行動パターンが抽出できることを示した – CDR単体からでは、全てのパターンを抽出することは困 難であることを明示した • 総リンク交通量を算出し、推定結果がJICAの道路交通 量調査の結果とある程度の相関を示した。 15
- 16. 8.今後の展望 • Trip発生時刻の多様性によ る推定結果の検証 • CDRデータと、他の位置情報 データ(例：PTデータ)を組 み合わせることで、より高 い精度と多様性を得られる 可能性 • 観測データと統合したリア ルタイムの人の流動推定 – データ同化 – リアルタイムでの災害対策、交 通混雑マッピング等への応用 パーソントリップデータを用いた 人の流動推定 (「人の流れプロジェクト」より) リアルタイ ムの情報提 供 16
- 17. 参考文献 • JICA, 2010, Preparatory Survey Report on Dhaka Urban Transport Network Development Study (DHUTS) in Bangladesh • Calabrese, F., Di Lorenzo, G., Liang Liu and Ratti, C., 2011. Estimating Origin Destination Flows Using Mobile Phone Location Data. IEEE Pervasive Computing,10, pp.36-44 • Cheng Y., Meanshift, 1995, Mean Shift, Mode Seeking, and Clustering, IEEE Trans.Pattern Anal. March. Intell, Vol. 17(8), pp.790-799 • De la Barra, T., B. Perez, and J. Anez, 1993. Multidimensional Path Search and Assignment, Proceedings of the 21st PTRC Summer Meeting, pp.307319 • Kanasugi, H., Sekimoto,Y., Kurokawa, M., Watanabe, T., Muramatsu, S. and Shibasaki, R., 2013. Spatiotemporal Route Estimation Consistent with Human Mobility Using Cellular Network Data. Proceedings of PerMoby2013, pp.267-272 • Ono N., Sekimoto Y., Nakamura T., Horanont T., Shibasaki R., 2012,Estimation of Routes Using Long-Term GPS Data in Tokyo, GISA 21st symposium, Hiroshima Shudo University, Japan 17