Využití velkých dat pro čtyřfázovou prognózu dopravy

Abstract

Výzkum této disertační práce je zaměřený na vylepšení čtyřfázové prognózy dopravy prostřednictvím integrace rozsáhlých datových souborů a pokročilých výpočetních metod. Navzdory své dlouhodobé spolehlivosti čelí tradiční model dopravní prognózy výzvám kvůli prostorové agregaci, která často vede ke ztrátě cenných detailů a potenciálním chybám při modelování matic zdroj-cíl (OD). Tento výkum zkoumá rovnováhu mezi agregací dat a výpočetní efektivitou a navrhuje metody pro začlenění diagregovaných dat a prostorové analýzy pro zlepšení přesnosti. Studie se zaměřuje na využití moderních nástrojů, jako je umělá inteligence (AI) a geografické informační systémy (GIS), k upřesnění dopravních prognóz. Zkoumáním podrobných datových souborů týkajících se populace, zaměstnanosti a bodů zájmu (POI) si tato práce klade za cíl optimalizovat proces dopravní prognózy, snížit chyby a zjednodušit pracovní postup. Výzkum se zabývá výpočetní udržitelností těchto metod a zajišťuje, že jsou proveditelné pro středně velké munipalicity na průměrných profesionálních pracovních stanicích. Klíčové příspěvky zahrnují zkoumání praktické implementace disagregovaných dat v dopravních prognózách, vyhodnocení různých případů použití a navržení úprav tradičních modelů. Zjištění naznačují, že strategické využití detailních prostorových dat může výrazně zlepšit přesnost dopravních prognóz, čímž otevírá cestu k efektivnějšímu územnímu plánování a řízení dopravy.

This dissertation explores the enhancement of the four-step traffic forecast model through the integration of large datasets and advanced computational methods. Despite its long-standing-reliability, the traditional traffic forecast model faces challenges due to spatial aggregation, which often results in the loss of valuable detail and potential errors in modelin origin-destination (OD) matrices. This research investigates the balance between data aggregation and computational efficiency, proposing methods to incorporate disaggregated data and spatial analysis for improved precision. The study focuses on leveraging modern tools such as artificial intelligence (AI) and geographic information systems (GIS) to refine traffic forecasting. By examining detailed datasets related to population, employment, and points of interest (POis), this work aims to optimize the traffic forecast process, reduce errors, and simplify workflow. The research addressess the computational sustainability of these methods, ensuring they are feasible for medium-sized municipalities on average professional workstations. Key contributions include exploring the practical implementation of disaggregated data in traffic forecasting, evaluating different use cases, and proposing adjustments to traditional models. The findings suggest that the strategic use of detailed spatial data can significantly enhance the accuracy of traffic forecasts, paving the way for more effective urban planning and transportation management.