都市交通データサイエンス / Data Science for Urban Transportation System

単位数: 2. 担当教員: 原 祐輔. 開講年度: 2024. 開講言語: 日本語.

授業の目的・概要及び達成方法等

Google Classroomのクラスコードは工学研究科Webページ
https://www.eng.tohoku.ac.jp/edu/syllabus-g.html
（大学院シラバス・時間割・履修登録）にて確認すること。

本講義では都市内で活動する人々の交通行動やアクティビティ，人や車両の移動軌跡を観測した多様なデータを解析するためのモデル・手法を学ぶ．軌跡データから交通行動の解釈，選択の意思決定モデル，交通状態予測や相互作用を考慮した交通システムのモデリングを通して，様々なデータから情報抽出し，予測や政策評価を行う解析技術を身につける．

本講義のために様々な都市・交通データを提供し，計算機を用いて実際に解析することで，データハンドリング技術と都市・交通計画に活かすためのデータサイエンスの方法論を習得する．最終分析結果は講義中にプレゼンテーションしてもらうことを予定している．

授業にはGoogle Classroomを利用．クラスコードはdp7qczo
授業は全部対面を予定しているが，感染症等の影響により，オンライン講義となる可能性もあります．

授業の目的・概要及び達成方法等(Ｅ）

The class code for Google Classroom can be found on the Web site of the School of Engineering:
https://www.eng.tohoku.ac.jp/english/academics/master.html (under "Timetable & Course Description")

In this class, models and methods for analyzing various data in urban transportation system, especially, GPS trajectory data, human activity data, and mesh statistics are taught. We will learn how to interpret traffic behavior from trajectory data, how to model decision making, how to predict traffic conditions, and how to model transportation systems considering interactions.

This class provides various urban and transportation data. Students will learn data handling techniques and data science methodologies to be applied to urban and transportation planning by using computers. Students are expected to present their final analysis results in class.

Google Classroom is used. The class code is dp7qczo.
This class will be held at lecture room, but it can be held online due to infectious diseases.

授業計画

本講義で学習予定のトピックは以下のとおりである．

- 都市と交通のデータ，実例と課題
- 都市・交通データハンドリング技術（プローブデータ，メッシュ統計，SNSデータetc）
- 離散選択モデル (MNL, Probit，推定法, GEV, Mixed logit, 構造推定)
- 移動軌跡データと離散選択モデル
- 統計的機械学習（識別モデルと生成モデル, 主要な予測モデル, グラフィカルモデル，マルコフ確率場, LDA, ノンパラメトリックベイズ）
- 都市・交通データと統計的機械学習
- データ同化入門

授業計画(Ｅ）

In this class, the following topics are taught.

- Data for urban transportation system, examples and challenges
- Data handling skill (probe data, mesh statistics, social network data etc)
- Discrete choice model (MNL, Probit, estimation method, GEV family, Mixed logit, structural estimation)
- GPS trajectory data and discrete choice models
- Statistical machine learning (discriminative model, generative model, graphical model, etc)
- Data for urban transportation system and statistical machine learning
- Introduction of data assimilation

授業時間外学習

受講生は，講義資料を用いた予習復習のほか，講義中に出題されたレポートに取り組むことが要請されている．

授業時間外学習（Ｅ）

Students are expected to do preparations and reviews of the topics of the class, as well as completing tasks assigned during the class.

成績評価方法及び基準

中間レポート，期末レポート（およびその発表）により評価する．

成績評価方法及び基準(Ｅ）

Students are evaluated based on the midterm paper and the final paper (with a presentation).

教科書および参考書

オフィスアワー

任意．基本的には講義時間後が望ましい．

オフィスアワー（Ｅ）

Anytime, while immediately after the class is preferable.