輸送計画におけるデータ不足の克服：機械学習とメタヒューリスティクスを組み合わせた新しい枠組み

要約 発展途上地域の公共交通システムは、急速な都市化、限られた資源、および包括的な交通データの欠如により、効果的な戦略的計画に支障をきたしています。本研究は、データが乏しい環境での交通網計画を指導するために新たなデータソースを活用する枠組みを提案します。モザンビークのグレーター・マプトをケーススタディとして、モバイルフォンの位置データ、OpenStreetMap、土地利用情報を利用して、交通利用可能な道路セグメント、高需要な停留所の場所、および効率的なルートを抽出する方法を示します。交通利用可能性予測のために修正された半教師あり自己訓練アルゴリズムを使用し、停留所位置抽出のために密度ベースのクラスタリングを、ルート抽出のために多目的メタヒューリスティクスを採用します。結果は、運用中のGTFSデータと強く一致し、交通適合性の空間パターンを捉え、重要な交通場所、冗長部分、サービスが行き届いていない地域を特定し、より直接的で需要に合わせたルートを生成します。抽出された結果はGTFSデータの形で編纂され、運用中のGTFSデータと比較してアクセシビリティが17\%向上する可能性を示しています。提案されたアプローチは、データ駆動の交通計画のための強力で移転可能な方法論を提供し、さまざまな文脈で効率的、公正、持続可能な交通システムの開発を支援します。本研究は、データ不足の環境における証拠に基づく交通計画に関する知識の増大に貢献し、交通ネットワークの最適化、アクセシビリティの向上、および発展途上地域での持続可能な都市開発を目指した今後の研究や政策介入の基礎を築きます。