Complete Trip: A Linked Multimodal Human Mobility Dataset
Dit artikel introduceert "Complete Trip", een nieuwe dataset die gekoppelde multimodale menselijke mobiliteitsreizen reconstrueert uit smartphone-locatiegegevens over zes Utah-counties in 2020, waarbij netwerkgebaseerde routevoorstellingen en populatieniveau-inferentiegewichten worden aangeboden om reproduceerbaar onderzoek in transport, volksgezondheid en stedelijke wetenschappen te ondersteunen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de wereld voor als een gigantische, onzichtbare dansvloer waar miljarden mensen constant in beweging zijn. Wetenschappers willen al heel lang de choreografie van deze dans begrijpen: Waar gaan mensen heen? Hoe komen ze daar? Lopen ze, rijden ze, of nemen ze de bus? En het belangrijkste: hoe verbinden deze individuele passen zich tot een volledig verhaal? Jarenlang hadden onderzoekers slechts puzzelstukjes. Sommige gegevens lieten zien waar mensen zich op een enkel moment bevonden, zoals een snapshot. Andere toonden waar mensen vertrokken en aankwend, zoals een start- en finishlijn, maar misten het rommelige middenstuk. Sommige gegevens waren slechts een wazige menigtestelling, terwijl andere gegevens zo privé waren dat ze helemaal niet gebruikt konden worden. Zonder het volledige plaatje is het moeilijk om betere steden te plannen, de verspreiding van ziekten te stoppen of mensen te helpen op tijd op hun werk te komen. We hadden een manier nodig om de hele reis te zien, niet alleen de stippen op een kaart.
Dit is waar een team onderzoekers van Villanova University inspringt met een nieuwe tool genaamd Complete Trip. Denk aan deze dataset als een magische filmrol die duizenden kleine, verspreide videoclips van mensenlevens aan elkaar naait tot één vloeiende, doorlopende film. In plaats van alleen een persoon te zien verschijnen bij een koffiebar en daarna te zien verdwijnen bij een park, laat deze dataset het hele verhaal zien: de wandeling naar de bushalte, de rit in de bus, de overstap op een andere bus, en de uiteindelijke wandeling naar het park. Dit doet het door "passieve" data te gebruiken — signalen die smartphones uitzenden wanneer mensen hun locatievoorzieningen hebben ingeschakeld — en deze op te schonen om de volledige reis te onthullen.
Het artikel presenteert deze nieuwe dataset, die zes graafschappen in Utah dekt voor het gehele jaar 2020. Het is alsof je een tijdmachine hebt waarmee je kunt kijken naar hoe 14,8 miljoen anonieme apparaten zich rondbewogen tijdens een zeer specifiek jaar. De onderzoekers hebben niet alleen de ruwe signalen verzameld; ze hebben een vierstapsfabriek gebouwd om die signalen om te zetten in bruikbare verhalen. Eerst bepaalden ze wanneer een persoon een reis begon en wanneer hij stopte. Ten tweede raadden ze hoe men reisde (auto, bus, trein of wandelen) met behulp van een slim computerprogramma. Derde tekenden ze het exacte pad dat men nam op een digitale kaart, in plaats van simpelweg te gokken op de rechte lijn tussen twee punten. Ten slotte verbonden ze deze individuele stappen met elkaar. Als iemand een bus nam naar een treinstation en vervolgens overstapte op een trein, weet de dataset dat dit deel uitmaakt van dezelfde "reis", en niet van twee aparte, ongerelateerde gebeurtenissen.
Wat dit bijzonder maakt, is dat het de stippen verbindt. Eerdere datasets waren als het hebben van een lijst met adressen die mensen bezochten maar geen idee hoe ze daar kwamen, of een lijst met busritten zonder te weten wie er in de bus zat. Deze nieuwe dataset verbindt alles. Het laat zien dat een reis niet alleen een punt A naar punt B is; het is een keten van gebeurtenissen. De onderzoekers voegden ook een speciaal "magisch getal" (een gewicht genoemd) toe aan elke reis. Omdat smartphone-data niet iedereen even gelijkmatig vastlegt (bijvoorbeeld, het kan oudere mensen of mensen zonder smartphone missen), helpt dit getal wetenschappers om de data aan te passen, zodat deze de hele populatie vertegenwoordigt en niet alleen de bezitters van een telefoon.
Het team heeft hun werk getest om er zeker van te zijn dat het echt klopte. Ze vergeleken hun data met officiële verkeerstellingen en vervoersgegevens. Ze ontdekten dat hun data de echte wereldtrends zeer nauwkeurig volgde, met een correlie van 0,96 voor de bus- en treinritgegevens na het toepassen van hun aanpassingen. Dit betekent dat de dataset een betrouwbare spiegel is van wat er daadwerkelijk in 2020 op de wegen en rails gebeurde. Ze hebben ook ervoor gezorgd dat de privacy van mensen beschermd blijft. In plaats van exacte adressen te geven, hebben ze locaties omgezet in vage rasterblokken (genaamd Geohash-6), en in plaats van exacte tijden gebruikten ze blokken van 30 minuten. Je kunt niet precies zien wie waarheen ging, maar je kunt wel precies zien hoe de menigte bewoog.
Kortom, dit artikel geeft ons niet alleen een lijst met cijfers; het geeft ons een nieuwe manier om menselijke beweging te zien. Het suggereert dat door reizen aan elkaar te koppelen en ze op echte wegen en rails te mappen, we eindelijk de volledige complexiteit van hoe mensen leven en bewegen kunnen begrijpen. Of het nu gaat om begrijpen waarom een busroute leeg is, het plannen van waar een nieuwe fietspaden moet komen, of begrijpen hoe een stad reageert op een storm, deze dataset biedt een duidelijker, completer beeld van de dansvloer. Het is een tool die verspreide, verwarrende signalen omzet in een samenhangend verhaal van hoe we van hier naar daar komen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.