in

Combiner les compteurs traditionnels et les données GPS émergentes

Afin de s’assurer que les besoins des cyclistes sont pris en compte lors de l’amélioration d’un système de transport, les planificateurs et les ingénieurs doivent savoir combien de personnes font du vélo et où.

Les compteurs de vélos traditionnels peuvent fournir des données pour des sections limitées du réseau cyclable, souvent ces compteurs sont installés à des endroits importants comme les sentiers ou les ponts. Bien que leur emplacement soit limité, ils comptent tous ceux qui passent à vélo. Pendant ce temps, les données GPS et mobiles couvrent l’ensemble du réseau de transport, mais ces données ne représentent que les voyageurs qui utilisent des smartphones ou des GPS. La combinaison des sources de données traditionnelles basées sur la localisation avec ces nouvelles données participatives pourrait offrir une meilleure précision que n’importe laquelle d’entre elles pourrait fournir seule.

“Savoir combien de personnes font du vélo dans une rue est vraiment crucial pour un particular nombre de raisons. À titre d’exemples, les volumes de vélos vous permettent de comprendre les données de sécurité et de déterminer les taux d’accidents. Ils permettent de savoir où et remark se déroulent les trajets à vélo. en cours, ce qui peut aider à planifier des installations nouvelles ou améliorées », a déclaré Nathan McNeil de l’Université d’État de Portland.

Soutenu par une subvention de fonds communs administrée par l’Institut nationwide des transports et des communautés (NITC), le Dr Sirisha Kothuri de l’Université d’État de Portland a dirigé un projet de recherche visant à fusionner les resources de données traditionnelles et émergentes, afin de dériver les volumes de vélos pour l’ensemble du réseau de transportation. Ils ont développé trois modèles et les ont testés dans six villes : Dallas, Texas Portland, Bend et Eugene, Oregon  Boulder, Colorado et Charlotte, Caroline du Nord.

Développer des modèles de comptage de trois vélos

Avec Kothuri comme chercheur principal, l’équipe de recherche comprenait Joe Broach et Nathan McNeil de PSU Kate Hyun, Stephen Mattingly et Md. Mintu Miah de l’Université du Texas à Arlington Krista Nordback du Centre de recherche sur la sécurité routière de l’Université de Caroline du Nord et Frank Proulx de Frank Proulx Consulting LLC.

Tout d’abord, l’équipe a effectué une revue de la littérature tout en cataloguant et en évaluant les resources de données tierces disponibles et les purposes existantes. Ils ont choisi les six web sites d’étude pour représenter une variété de contextes urbains et suburbains. Sur les 6, Boulder, Charlotte et Dallas constituaient des web pages de base, où une année de données (2019) a été utilisée pour la modélisation. Portland, Bend et Eugene dans l’Oregon ont été considérés comme des web pages améliorés, où trois années de données (2017-2019) ont été utilisées pour l’estimation du modèle.

L’équipe a choisi trois sources de données relativement nouvelles : Strava, Streetlight Data et les données GPS des systèmes de vélos en libre-service dans les villes étudiées. de réseau, de nombre de vélos et émergentes à partir des nouvelles sources pour chacune des villes, ils ont développé trois ensembles de modèles  :

  1. Un avec des données regroupées des six villes,
  2. un autre avec uniquement les données regroupées des trois villes de l’Oregon,
  3. et enfin un ensemble de modèles spécifiques à la ville

Les modèles spécifiques à la ville ont généralement obtenu les meilleurs résultats, montrant le in addition de précision dans la prévision des volumes de vélos. Les scripts utilisés pour exécuter les modèles seront bientôt publiés sur GitHub, et un lien sera publié sur la webpage du projet pour toute personne intéressée à accéder aux modèles.

En général, les diverses resources de données semblaient complémentaires les unes des autres c’est-à-dire que l’ajout de deux resources de données ensemble avait tendance à surpasser chaque resource de données prise isolément. L’ajout d’encore additionally de données devrait continuer à affiner la précision. Les résultats de cette étude indiquent qu’au lieu de remplacer les sources de données sur les vélos et les programmes de comptage conventionnels, les grandes resources de données comme Strava et StreetLight rendent les anciennes “petites” données encore plus importantes.

et cela rendra les modèles plus robustes”, a déclaré Kate Hyun d’UTA.

De meilleurs modèles fournissent des mesures de performance plus précises pour les agences de transport

Josh Roll, analyste de recherche et scientifique des données au ministère des Transports de l’Oregon, a présidé le comité consultatif procedure du projet. Il croit que les résultats de cette recherche pourraient aider les organismes de transportation à mieux comprendre le nombre de personnes qui font du vélo dans leurs collectivités.

“Chez ODOT, nous venons d’adopter” Bicycle Miles Traveled “comme nouvelle mesure de effectiveness clé, et nous avons besoin d’un moyen de le mesurer, donc ce projet aide beaucoup à combler le vide sur la façon dont nous allons le faire. Cette recherche a utilisé des techniques de fusion de données de pointe qui pourraient jeter les bases de la façon dont les agences de transport comme ODOT surveillent l’activité des vélos à travers le système », a déclaré Roll.

Pour les agences de transportation souhaitant soutenir les déplacements actifs afin d’atteindre divers objectifs de durabilité, de santé publique et de climat.

Des programmes de comptage robustes, organisés et accessibles seront essentiels pour tirer le meilleur parti des resources de données émergentes. Furthermore de bonnes données vérifiées sont disponibles, meilleurs seront les modèles basés sur des resources émergentes, de sorte que les professionnels qui gèrent les programmes de comptage de vélos doivent s’efforcer de rendre les données uniformes et largement utilisables.

“Afin d’intégrer toutes ces resources de données disparates – comptages automatisés et manuels, programs opt-in comme Strava, données d’arrière-plan collectées passivement comme Streetlight et systèmes de partage de vélos compatibles GPS – dans un système cohérent, les professionnels des données doivent organiser leurs données pour tirer le meilleur parti de ces nouvelles possibilités de fusion de données. Cela signifie s’assurer que les données non motorisées sont exactes, cohérentes et utiles », a déclaré Sirisha Kothuri, chercheur principal sur le