Kriging Geostatistical Methods for Travel Mode Choice: A Spatial Data Analysis to Travel Demand Forecasting

Abstract

This paper aims to compare the results of two techniques of Kriging (Ordinary Kriging and Indicator Kriging) that are applied to estimate the Private Motorized (PM) travel mode use (car or motorcycle) in several geographical coordinates of non-sampled values of the concerning variable. The data used was from the Origin/Destination and Public Transportation Opinion Survey, carried out in 2007/2008 at São Carlos (SP, Brazil). The techniques were applied in the region with 110 sample points (households). Initially, Decision Tree was applied to estimate the probability of mode choice in surveyed households, thus determining the numeric variable to be used in Ordinary Kriging. For application of Indicator Kriging it was used the variable "main travel mode" in a discrete manner, where "1" represented the use of PM travel mode and "0" characterized others travel modes. The results obtained by the two spatial estimation techniques were similar (Kriging maps and cross-validation procedure). However, the Indicator Kriging (KI) obtained the highest number of hit rates. In addition, with the KI it was possible to use the variable in its original form, avoiding error propagation. Finally, it was concluded that spatial statistics was thriving in travel demand forecasting issues, giving rise, for the both Kriging methods, to a travel mode choice surface on a confirmatory way.

Proposal of a Geostatistical Procedure for Transportation Planning Field

“…It is understood that urban travel issues are associated with individual and household features, as well as the spatial location of each household, destination and the activities distribution in the urban environment (Páez et al, 2013). Therefore, the incorporation of spatially correlated variables and the spatial position into studies of travel demand become important to enhance the quality of the estimations (Bhat and Sener, 2009;Páez and Scott, 2005;Ben-Akiva et al, 2004;Pitombo et al, 2015;Lindner et al, 2016;Gomes et al, 2016;Rocha et al, 2016).…”

Spatial crash prediction models: an evaluation of the impacts of enriched information on model performance and the suitability of different spatial modeling approaches

“…health studies, where kriging techniques have been used for instance to identify areas of contamination or risk of mortality (Goovaerts, 2004(Goovaerts, , 2005(Goovaerts, , 2006(Goovaerts, , 2008(Goovaerts, , 2009). In transportation studies, its implementation has been explored in studies on traffic engineering (Ciuffo, Punzo, & Quaglietta, 2011;Mazzella, Piras, & Pinna, 2011;Zou, Yue, Li, & Yeh, 2012;Zhang & Wang, 2013), vehicle emission gases (Pearce, Rathbun, Aguilar-Villalobos, & Naeher, 2009;Kassteele & Velders 2006;Kassteele & Stein, 2006), and, more recently, to travel demand forecasting problems (Pitombo, Salgueiro, Costa, & Isler, 2015;Lindner, Pitombo, Rocha, & Quintanilha, 2016;Gomes, Pitombo, Rocha, & Salgueiro, 2016;Lindner & Pitombo, 2018). Specifically in traffic data, geostatistical tools have been implemented to analyze the spatial structure of the data under explanatory purposes (Majumdar, Noland, & Ochieng, 2004;Mcmillan, Hanson, & Lapham, 2007;Lascala, Johnson, & Gruenewald, 2001) or toward confirmatory analysis (Manepalli & Bham, 2011;Matsumono & Flores, 2013;Gundogdu, 2014;Molla, Stone, & Lee 2014).…”

Estimativa do volume de passageiros ao longo de uma linha de transporte público por ônibus a partir da Geoestatística

“…Aliado à importância da pesquisa de Embarque e Desembarque para o planejamento de redes de TP, o potencial ainda não explorado da aplicação da Geoestatística às variáveis de demanda ao longo de linhas de ônibus sugere a obtenção de bons resultados. Isso se deve ao fato de que, nesse caso, as unidades básicas de tratamento (pontos de parada e trechos de linha) obedecem aos pressupostos geoestatísticos (suportes homogêneos) e possuem um nível de agregação satisfatório, condição ainda não verificada em trabalhos anteriores (GOMES et al, 2016;PITOMBO et al, 2015).…”

“…Usualmente, quando se estuda viagens urbanas no âmbito de indivíduos ou domicílios, verifica-se a ocorrência de um elevado ruído no variograma, que se deve à alta variabilidade inerente ao comportamento humano. Estudos realizados por Lindner e Pitombo (2017), Gomes et al (2016) e Pitombo et al (2015), por exemplo, resultaram em uma variância, a distâncias muito pequenas, na preferência por determinado modo de transporte por domicílio que correspondia de 33% a 77% da variância máxima presente nessa variável. Em outras palavras, o valor da variável de interesse correspondente à uma parte substancial dos domicílios se diferenciava drasticamente de seus vizinhos imediatos.…”

“…Tal resultado representa um importante avanço no planejamento do transporte público por ônibus, tendo em vista que o Carregamento no segmento crítico, aquele em que o número de usuários dentro do veículo alcança sua ocupação máxima ao longo da viagem, é justamente um dos parâmetros utilizados para um dimensionamento otimizado da frota e, consequentemente, elaboração do cronograma de partidas.Um dos motivos para a obtenção dos bons resultados observados no presente trabalho pode ser atribuído ao nível de agregação das variáveis de interesse e homogeneidade no tamanho e forma dos suportes utilizados (pontos de parada e trechos de linha). Conforme mencionado na Seção 1.3, essa condição ainda não havia sido verificada em trabalhos anteriores(GOMES et al, 2016;PITOMBO et al, 2015) e pode ter representado fator contribuinte para uma melhoria na modelagem geoestatística do presente trabalho em comparação com os supracitados. É importante reconhecer, ainda, que tanto os resultados encontrados para distâncias euclidianas quanto para distâncias em rede foram igualmente satisfatórios.…”