Transportation Research Part B 83 (

Transportation Research Part B 83 (2016) 121–135
Contents lists available at ScienceDirect
Transportation Research Part B
journal homepage: www.elsevier.com/locate/trb
Activity imputation for trip-chains elicited from smart-card
data using a continuous hidden Markov model
Gain Han, Keemin Sohn∗
Department of Urban Engineering, Chung-Ang University, 221, Heukseok-dong, Dongjak-gu, Seoul 156-756, Republic of Korea
a r t i c l e i n f o
Article history:
Received 5 June 2015
Revised 24 November 2015
Accepted 24 November 2015
Available online 11 December 2015
Keywords:
Smart-card data
Activity-based model
Activity imputation
Continuous hidden Markov model
Machine learning
Trip chain
a b s t r a c t
Although smart-card data were expected to substitute for conventional travel surveys, the reality
is that only a few automatic fare collection (AFC) systems can recognize an individual
passenger’s origin, transfer, and destination stops (or stations). The Seoul metropolitan area is
equipped with a system wherein a passenger’s entire trajectory can be tracked. Despite this
great advantage, the use of smart-card data has a critical limitation wherein the purpose behind
a trip is unknown. The present study proposed a rigorous methodology to impute the
sequence of activities for each trip chain using a continuous hidden Markov model (CHMM),
which belongs to the category of unsupervised machine-learning technologies. Coupled with
the spatial and temporal information on trip chains from smart-card data, land-use characteristics
were used to train a CHMM. Unlike supervised models that have been mobilized to
impute the trip purpose to GPS data, A CHMM does not require an extra survey, such as the
prompted-recall survey, in order to obtain labeled data for training. The estimated result of
the proposed model yielded plausible activity patterns that are intuitively accountable and
consistent with observed activity patterns.
© 2015 Elsevier Ltd. All rights reserved.
1. Introduction
From the perspective of transportation planners, the Seoul metropolitan area is equipped with the world’s best transit fare
collection system. This system recognizes every passenger’s origin, transfers, and destination stops (or stations) aswell as providing
exact time stamps. However, smart-card data will not replace conventional household surveys until the trip purpose can be
identified in a reliable manner. In this regard, the present study proposed a robust methodology to impute activities for smartcard
data by using a continuous hidden Markov model (CHMM). The model uses unsupervised machine-learning technology
that requires no labeled data for training. When imputing the purpose, destination, or mode of GPS-based location data, many
researchers have utilized various mathematical models that require a calibration procedure (Yang et al., 2010; Moiseeva et al.,
2010; Allahviranloo and Recker 2013a, 2013b; Lu et al., 2013; Reumers et al., 2013; Liu et al., 2013), which computer scientists
regard as supervised machine-learning technology. Furthermore, prompted-recall surveys have been a mainstream tool to obtain
labeled data for calibrating and validating supervised imputation models (Feng and Timmermans, 2014; Giaimo et al. 2010;
Greaves et al., 2010). Such surveys present the most probable activity to respondents and then ask them to check the correctness
and to fill in the details of the true activity, all of which is usually conducted using a portable electronic device. The present study
instead adopted an unsupervised model to recognize hidden activities behind a smart-card holder’s trip chain.
The proposed unsupervisedmodel incorporated two critical tasks in imputing activities of smart-card data. That is, clustering
activities was done simultaneously with deriving both membership probabilities for each cluster and transition probabilities
∗ Corresponding author. Tel.: [phone].
E-mail addresses: [e-mail] (G. Han), [e-mail] (K. Sohn).
http://dx.doi.org/10.1016/j.trb.2015.11.015
0191-2615/© 2015 Elsevier Ltd. All rights reserved.

ผลลัพธ์ (ไทย) 1:

ขนส่งวิจัยส่วน B 83 (2016) 121-135เนื้อหารายการ ScienceDirectส่วนวิจัยการขนส่ง Bหน้าแรกของสมุดรายวัน: www.elsevier.com/locate/trbImputation กิจกรรมการเดินทางโซ่ elicited จากสมาร์ทการ์ดข้อมูลโดยใช้แบบจำลอง Markov ซ่อนอยู่อย่างต่อเนื่องกำไรฮั่น Keemin Sohn∗ภาควิชาวิศวกรรมเมือง มหาวิทยาลัยงอัง 221, Heukseok ดง Dongjak กู โซล 156 756 เกาหลีr t ฉัน c l e ฉัน n f oบทความประวัติ:ได้รับ 5 2015 มิถุนายนแก้ไข 24 2015 พฤศจิกายนยอมรับ 24 2015 พฤศจิกายนมีออนไลน์ 11 2015 ธันวาคมคำสำคัญ:ข้อมูลสมาร์ทการ์ดรูปแบบฐานกิจกรรมกิจกรรม imputationรูปแบบ Markov ซ่อนอยู่อย่างต่อเนื่องเรียนรู้ของเครื่องเดินสายแบบ b s t r c tแม้ว่าข้อมูลสมาร์ทการ์ดถูกต้องแทนทั่วไปเดินทางสำรวจ ความเป็นจริงมีเพียงไม่กี่ค่าโดยสารอัตโนมัติคอลเลกชัน (เอเอฟซี) ระบบสามารถจดจำบุคคลผู้โดยสาร โอนย้าย และประเทศหยุด (หรือสถานี) โซลเป็นปริมณฑลพร้อมกับระบบนั้นสามารถติดตามผู้โดยสารทั้งวิถี แม้นี้ประโยชน์มาก ใช้ข้อมูลสมาร์ทการ์ดมีข้อจำกัดสำคัญนั้นสงค์การเดินทางไม่รู้จัก การศึกษานำเสนอเป็นวิธีการที่เข้มงวด imputeลำดับของกิจกรรมสำหรับแต่ละกลุ่มเดินใช้ต่อเนื่องซ่อน Markov แบบ (CHMM),ซึ่งเป็นประเภทของเทคโนโลยีการเรียนรู้เครื่อง unsupervised ควบคู่กับข้อมูลปริภูมิ และขมับบนโซ่เดินจากสมาร์ทการ์ดข้อมูล ลักษณะการใช้ที่ดินใช้ในการรถไฟ CHMM ซึ่งแตกต่างจากรูปแบบที่มีที่มีการปฏิบัติการimpute วัตถุประสงค์การเดินทางข้อมูลจีพีเอส A CHMM ไม่จำเป็นต้องสำรวจเพิ่มเติม เช่นการสำรวจเรียกคืนให้ เพื่อให้ได้ข้อมูลป้ายสำหรับฝึกอบรม ผลประเมินของรูปแบบนำเสนอเต็มรูปแบบกิจกรรมที่เป็นไปได้ที่จะรับผิดชอบหมด และสอดคล้องกับรูปแบบกิจกรรมสังเกต© 2015 Elsevier จำกัด สงวนลิขสิทธิ์ทั้งหมด1. บทนำจากมุมมองของผู้วางแผนการขนส่ง นครโซลพร้อมค่าโดยสารขนส่งดีที่สุดในโลกระบบเรียกเก็บเงิน ระบบนี้รู้จักผู้โดยสารทุก โอนย้าย และประเทศหยุด (หรือสถานี) aswell เป็นการให้เวลาที่แน่นอนลง อย่างไรก็ตาม ข้อมูลสมาร์ทการ์ดจะแทนการสำรวจครัวเรือนทั่วไปจนกว่าเป็นวัตถุประสงค์การเดินทางระบุในลักษณะที่เชื่อถือได้ ในการนี้ การศึกษานำเสนอเป็นวิธีการที่แข็งแกร่ง impute กิจกรรมสำหรับสมาร์ทการ์ดข้อมูล โดยใช้แบบต่อเนื่องซ่อน Markov จำลอง (CHMM) แบบใช้เทคโนโลยีเครื่องจักรเรียนรู้ unsupervisedที่ต้องไม่มีข้อมูลป้ายสำหรับฝึกอบรม เมื่อ imputing วัตถุประสงค์ ปลายทาง หรือโหมดข้อมูลตำแหน่งจาก GPS มากนักวิจัยได้ใช้แบบจำลองทางคณิตศาสตร์ต่าง ๆ ที่ต้องใช้กระบวนการสอบเทียบ (Yang et al., 2010 Moiseeva et al.,2010 Allahviranloo และ Recker 2013a, 2013b Lu et al., 2013 Reumers et al., 2013 หลิวและ al., 2013), นักวิทยาศาสตร์คอมพิวเตอร์ที่พิจารณาว่ามีเครื่องเรียนรู้เทคโนโลยี นอกจากนี้ เรียกคืนให้สำรวจมีเครื่องมือหลักในการรับข้อมูลป้ายสำหรับปรับเทียบ และตรวจสอบรุ่น imputation มี (เฟิงและเมอร์แมนส์ 2014 Giaimo et al. 2010Greaves et al., 2010) นำเสนอกิจกรรมที่สุดน่าเป็นผู้ตอบแบบสำรวจดังกล่าว และขอให้ตรวจสอบความถูกต้องและต้องกรอกรายละเอียดของกิจกรรมจริง ที่จะมักจะดำเนินการโดยใช้อุปกรณ์อิเล็กทรอนิกส์แบบพกพา การศึกษาปัจจุบันแต่ นำแบบจำลอง unsupervised รู้จักกิจกรรมซ่อนอยู่เบื้องหลังของเจ้าสมาร์ทการ์ดเดินสายUnsupervisedmodel เสนอรวมงานสำคัญในกิจกรรม imputing ข้อมูลสมาร์ทการ์ด คลัสเตอร์คือกิจกรรมเสร็จพร้อมกันกับบริษัทฯ เป็นสมาชิกกิจกรรมในแต่ละคลัสเตอร์และเปลี่ยนกิจกรรมผู้ Corresponding ∗ โทร.: [phone]ที่อยู่อีเมล์: [e-mail] (หานกรัม), (คุณ Sohn) ใน [e-mail]://dx.doi.org/10.1016/j.trb.2015.11.0150191-2615 / © 2015 Elsevier จำกัด สงวนลิขสิทธิ์ทั้งหมด

ผลลัพธ์ (ไทย) 2:

การขนส่งการวิจัยส่วน B 83 (2016) 121-135
รายการเนื้อหาที่มีอยู่ใน ScienceDirect
ขนส่งวิจัยส่วน B
วารสารหน้าแรก: www.elsevier.com/locate/trb ใส่ร้ายกิจกรรมสำหรับกลุ่มเดินทางออกมาจากสมาร์ทการ์ดข้อมูลโดยใช้รูปแบบที่ซ่อนมาร์คอฟอย่างต่อเนื่องกําไรฮัน Keemin Sohn * ภาควิชาวิศวกรรมเมือง, มหาวิทยาลัย Chung-Ang, 221, Heukseok-dong, Dongjak-gu, Seoul 156-756 สาธารณรัฐเกาหลีrticleinfo ประวัติศาสตร์บทความที่ได้รับ 5 มิถุนายน 2015 ปรับปรุง 24 พฤศจิกายน 2015 ได้รับการยอมรับ 24 พฤศจิกายน 2015 ที่มีจำหน่ายออนไลน์ 11 ธันวาคม 2015 คำสำคัญ: ข้อมูลสมาร์ทการ์ดแบบที่ใช้กิจกรรมการใส่ร้ายกิจกรรมรูปแบบมาร์คอฟที่ซ่อนอยู่อย่างต่อเนื่องเครื่องเรียนรู้ห่วงโซ่การเดินทางbstract แม้ว่าข้อมูลที่สมาร์ทการ์ดที่คาดว่าจะใช้แทนสำหรับการสำรวจการเดินทางธรรมดาในความเป็นจริงก็คือว่ามีเพียงไม่กี่อัตโนมัติเก็บค่าโดยสาร (เอเอฟซี) ระบบสามารถรับรู้บุคคลที่ต้นกำเนิดของผู้โดยสารโอนและปลายทางหยุด(หรือสถานี) พื้นที่นครบาลกรุงโซลพร้อมกับระบบนั้นวิถีทั้งผู้โดยสารสามารถติดตามได้ อย่างไรก็ตามเรื่องนี้ได้เปรียบที่ดี, การใช้ข้อมูลสมาร์ทการ์ดมีข้อ จำกัด ที่สำคัญนั้นวัตถุประสงค์ที่อยู่เบื้องหลังการเดินทางไม่เป็นที่รู้จัก การศึกษาครั้งนี้นำเสนอวิธีการอย่างเข้มงวดเพื่อใส่ร้ายลำดับของกิจกรรมสำหรับห่วงโซ่การเดินทางแต่ละครั้งโดยใช้แบบจำลองมาร์คอฟอย่างต่อเนื่องที่ซ่อน (CHMM) ซึ่งเป็นของประเภทของเทคโนโลยีการเรียนรู้เครื่องหากิน ควบคู่ไปกับข้อมูลเชิงพื้นที่และเวลาในการเดินทางจากเครือข่ายข้อมูลที่สมาร์ทการ์ดลักษณะการใช้ที่ดินถูกนำมาใช้ในการฝึกอบรมCHMM ซึ่งแตกต่างจากรูปแบบภายใต้การดูแลที่ได้รับการระดมใส่ร้ายวัตถุประสงค์การเดินทางไปยังข้อมูล GPS, A CHMM ไม่จำเป็นต้องมีการสำรวจเป็นพิเศษเช่นการสำรวจได้รับแจ้ง-เรียกคืนในการสั่งซื้อเพื่อให้ได้ข้อมูลที่มีข้อความสำหรับการฝึกอบรม ผลที่ได้โดยประมาณของรูปแบบที่นำเสนอรูปแบบการให้ผลกิจกรรมที่น่าเชื่อถือที่มีความสังหรณ์ใจรับผิดชอบและสอดคล้องกับรูปแบบกิจกรรมที่สังเกต. © 2015 เอลส์ จำกัด สงวนลิขสิทธิ์. 1 บทนำจากมุมมองของนักวางแผนการขนส่งเขตเมืองโซลเป็นอุปกรณ์ที่มีค่าโดยสารการขนส่งที่ดีที่สุดในโลกของระบบการจัดเก็บ ระบบนี้ถือเป็นจุดเริ่มต้นของผู้โดยสารทุกการถ่ายโอนและปลายทางหยุด (หรือสถานี) ยังรวมไปถึงการให้แสตมป์เวลาที่แน่นอน อย่างไรก็ตามข้อมูลสมาร์ทการ์ดจะไม่แทนที่การสำรวจครัวเรือนทั่วไปจนถึงจุดประสงค์การเดินทางสามารถที่ระบุไว้ในลักษณะที่เชื่อถือได้ ในการนี้การศึกษานี้เสนอวิธีการที่มีประสิทธิภาพเพื่อใส่ร้ายกิจกรรมสำหรับมาร์ทการ์ดข้อมูลโดยใช้รูปแบบมาร์คอฟอย่างต่อเนื่องที่ซ่อน (CHMM) รูปแบบการใช้เทคโนโลยีการเรียนรู้ใกล้ชิดเครื่องที่ไม่จำเป็นต้องมีข้อมูลที่มีข้อความสำหรับการฝึกอบรม เมื่อ imputing วัตถุประสงค์ปลายทางหรือโหมดของข้อมูลตำแหน่ง GPS ที่ใช้หลายนักวิจัยได้ใช้แบบจำลองทางคณิตศาสตร์ต่างๆที่จำเป็นต้องมีขั้นตอนการสอบเทียบ(Yang et al, 2010;. Moiseeva, et al. 2010; Allahviranloo และ Recker 2013a, 2013b; Lu et al, 2013;. Reumers et al, 2013;. หลิว et al, 2013) ซึ่งนักวิทยาศาสตร์คอมพิวเตอร์. ถือว่าเป็นเทคโนโลยีภายใต้การดูแลเครื่องการเรียนรู้ นอกจากนี้การสำรวจได้รับแจ้ง-เรียกคืนได้รับเครื่องมือที่สำคัญที่จะได้รับข้อมูลที่มีข้อความสำหรับการสอบเทียบและการตรวจสอบรูปแบบการใส่ร้ายภายใต้การดูแล (ฮและ Timmermans 2014; Giaimo et al, 2010;.. นับ et al, 2010) การสำรวจดังกล่าวนำเสนอกิจกรรมที่น่าจะเป็นมากที่สุดในการตอบแบบสอบถามและจากนั้นขอให้ตรวจสอบความถูกต้องและเพื่อกรอกรายละเอียดของกิจกรรมที่แท้จริงซึ่งทั้งหมดจะดำเนินการมักจะใช้อุปกรณ์อิเล็กทรอนิกส์แบบพกพา การศึกษาครั้งนี้แทนที่จะนำมาใช้ในรูปแบบที่ใกล้ชิดที่จะรับรู้กิจกรรมที่ซ่อนอยู่เบื้องหลังห่วงโซ่การเดินทางถือสมาร์ทการ์ด. unsupervisedmodel เสนอจัดตั้งขึ้นสองงานที่สำคัญในการ imputing กิจกรรมของข้อมูลสมาร์ทการ์ด นั่นคือการจัดกลุ่มกิจกรรมได้ทำพร้อมกันกับการสืบทั้งสองน่าจะเป็นสมาชิกของแต่ละกลุ่มและความน่าจะเป็นช่วงการเปลี่ยน* ผู้รับผิดชอบ Tel .: [phone]. ที่อยู่ E-mail:. [e-mail] (ฮันจี) [e-mail] (เคซง) http://dx.doi.org/10.1016/j.trb .2015.11.015 0191-2615 / 2015 ©เอลส์ จำกัด สงวนลิขสิทธิ์