Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: trip modelling

Sortuj według:

Ogranicz wyniki do:

Metody uzupełniania brakujących danych na przykładzie liczby zarejestrowanych pojazdów

100%

Kulpa T.

tom nr 10

22--25

W artykule podjęto problematykę braków w bazach danych wykorzystywanych w analizach transportowych. Braki występują zarówno w wynikach badań ankietowych, jak i innych bazach danych. Ich źródłem może być odmowa udzielenia odpowiedzi na pytanie, błędny pomiar lub po prostu dane nie są zbierane dla wszystkich elementów próby. W artykule wyróżniono trzy typy brakujących danych oraz dwie grupy metod ich uzupełniania: proste i złożone. Występowanie brakujących danych może mieć charakter losowy lub może być uzależnione od pewnych cech charakteryzujących populację. W pierwszym przypadku możliwe jest zastosowanie pełnej gamy metod uzupełniania brakujących danych. Pomimo tego częstą praktyką jest usuwanie wybrakowanych rekordów. Przy dużej próbie jest to metoda dopuszczalna, jednak w małych próbach powoduje dodatkowe zmniejszenie liczebności próby. Stąd konieczne jest poszukiwanie innych metod, np. uzupełnianie na podstawie podobnych rekordów, regresji liniowej lub metoda k-najbliższych sąsiadów. Różne metody uzupełniania brakujących danych zostały zilustrowane na fikcyjnych przykładach pokazujących ich istotę. Następnie wybrane metody wykorzystano do szacowania liczby zarejestrowanych samochodów ciężarowych w powiatach. Dokonana ocena poszczególnych metod pokazała, że najgorsze rezultaty uzyskano przy uzupełnianiu wartością średnią, natomiast najlepsze przy wykorzystaniu regresji liniowej. Zadowalające wyniki uzyskano również w przypadku metod złożonych. W podsumowaniu sformułowano wnioski dotyczące zastosowania technik uzupełniania brakujących danych, między innymi stosowanie usuwania brakujących rekordów tylko dla dużych prób oraz rezygnacji z uzupełniania wartością średnią na rzecz innych metod.

In this paper missing data methods application was presented. Reasons of missing data might be various: caused by refusal to answer the question in inquiry, carelessness of person conducting the measurement or data are not collected or collected only for certain groups. Three types of missingness were listed: random, partially random and non-random, and two groups of imputation methods were characterised: simple and complex. However listwise deletion is widely used but it results in sample size reduction. Thus other methods should be explored. In paper different methods of missing data imputation were described using fictional examples. Next, chosen procedures were used to deal with missing data in number of trucks registered in districts. Each method was evaluated and conclusions were formulated. The worst results were achieved for mean imputation, while the best for single regression imputation.

Demand model in the agglomeration using SIM cards

100%

Brzeziński A. , Dybicz T. , Szymański Ł. , Brzeziński A. , Dybicz T. , Szymański Ł.

nr 1

Demand model in the agglomeration using SIM cards

67%

Brzeziński A. , Dybicz T. , Szymański Ł.

tom Vol. 65, nr 1

143--156

The road network development programme, as well as planning and design of transport systems of cities and agglomerations require complex analyses and traffic forecasts. It particularly applies to higher-class roads (motorways and expressways), which in urban areas, support different types of traffic. Usually there is a conflict between the needs of long-distance traffic, in the interest of which higher-class roads run through undeveloped areas, and the needs of bringing such road closer to potential destinations, cities [1]. By recognising the importance of this problem it is necessary to develop the research and methodology of traffic analysis, especially trip models. The current experience shows that agglomeration models are usually simplified in comparison to large city models, what results from misunderstanding of the significance of these movements for the entire model functioning, or the lack of input data. The article presents the INMOP 3 research project results, within the framework of which it was attempted to increase the accuracy of traffic generation in agglomeration model owing to the use of BigData – the mobile operator’s data on SIM card movements in the Warsaw agglomeration.

Program rozwojowy sieci drogowej jak i planowanie i projektowanie układów komunikacyjnych miast i aglomeracji wymaga wykonywania złożonych analiz i prognoz ruchu. Dotyczy to zwłaszcza dróg wyższych klas, także autostrad i dróg ekspresowych, które w obszarach zurbanizowanych obsługują ruch docelowy i tranzytowy. Istnieje konflikt między potrzebami ruchu na duże odległości w interesie którego leży, aby autostrada przebiegała przez tereny niezabudowane i potrzebami zbliżenia autostrady do potencjalnych celów podróży, których największymi koncentracjami są miasta [1]. Dostrzegając wagę problemu niezbędne jest rozwijanie metodyki badania i analizowania ruchu, a zwłaszcza budowy modeli podroży. Dotychczasowe doświadczenia wskazują, że zwłaszcza w modelach dla aglomeracji stosowane są uproszczone odwzorowania przemieszczeń w strefie aglomeracyjnej (poza głównym miastem) co wynika z niezrozumienia znaczenia tych przemieszczeń dla funkcjonowania całości modelu, bądź wynika z braku danych wejściowych (z badań) pozwalających na zbudowanie wiarygodnych modeli. Artykuł przedstawia wyniki projektu badawczego INMOP 3 w ramach którego podjęto próbę zwiększenia dokładności modelu aglomeracyjnego w części dotyczącej modelu generacji ruchu, dzięki wykorzystaniu BigData – danych operatora telefonii komórkowej o przemieszczeniach kart SIM na obszarze aglomeracji warszawskiej.