О городских поездках

Городское социально-экономическое моделирование преимущественно сосредоточено на обширных характеристиках, связанных с местоположением и районами, опираясь на локализованную численность населения. Однако сети в городских системах широко распространены, и многие методы городского моделирования не учитывают сетевые эффекты. В данном исследовании мы предлагаем использовать записи переписи населения о ежедневных поездках в качестве надежного и комплексного источника для построения сетей мобильности в городах. Используя архитектуры глубокого обучения, мы применяем эти сети мобильности в городских агломерациях США для социально-экономического моделирования. Мы показываем, что структуры сетей мобильности обеспечивают значительную прогностическую эффективность без учета каких-либо особенностей узлов. Следовательно, мы используем сети мобильности для представления контролируемой модели обучения для непосредственного моделирования социально-экономических показателей города, объединяя модели нейронной сети Graph и Vanilla для обучения всех параметров в едином конвейере обучения. Наши эксперименты в 12 крупных городах США показывают, что предлагаемая модель превосходит предыдущие традиционные модели машинного обучения. Эта работа предоставляет исследователям городов методы включения сетевых эффектов в городское моделирование и информирует заинтересованные стороны о более широких сетевых эффектах в разработке городской политики и планировании. - COMMUTE NETWORKS AS A SIGNATURE OF URBAN SOCIOECONOMIC PERFORMANCE: EVALUATING MOBILITY STRUCTURES WITH DEEP LEARNING MODELS