Kent içi ulaşım altyapısı planlamasında en büyük zorluklardan biri, gerçekçi trafik simülasyonları için gerekli olan detaylı veri eksikliği. Norveç Trondheim'deki araştırmacılar, bu soruna makine öğrenmesi tabanlı yenilikçi bir çözüm geliştirdi.
Araştırma ekibi, mevcut iki veri kaynağının avantajlarını birleştiren hibrit bir yaklaşım önerdi. Bir yanda gişe sensörleri bulunuyor - bunlar araç sayılarını kategorilere göre hassas şekilde ölçebiliyor ancak sayıları sınırlı. Diğer yanda ise cep telefonu ağ verileri var - geniş bir alanı kapsıyor ve genel hareket akışlarını yakalayabiliyor, fakat araç türlerini ayırt edemiyor ve sistematik hatalar içeriyor.
Geliştirilen makine öğrenmesi çerçevesi, seyrek gişe verilerini referans noktası olarak kullanarak cep telefonu verilerindeki hataları düzeltiyor ve araç kategorilerine göre ayrıştırıyor. Sistem, zamansal ve mekansal özellikleri analiz ederek toplu hareket verileri ile bireysel araç trafiği arasındaki karmaşık ilişkileri öğreniyor.
Metodun gerçek dünya uygulaması, Trondheim'da planlanan bir otobüs deposu genişletme projesi üzerinde test edildi. Sistem, farklı araç uzunluk kategorileri için saatlik bazda detaylı origin-destination (başlangıç-varış) matrisleri üretmeyi başardı. Bu sonuçlar, şehir planlamacılarının altyapı müdahalelerinin etkilerini daha doğru simüle etmelerine olanak sağlıyor.