摘要
旅行需求建模是交通规划和系统管理的关键组成部分，但创建准确的网络交通模式模型可能很困难且耗时。现有的数据来源包括美国社区调查（ACS）、家庭出行调查、24小时浮动车调查、商用车辆调查、起点-终点（OD）数据和外部旅行调查等，但存在数据成本高、样本量小、数据更新不及时等缺点。
联网和自动化汽车（CAV）数据具有巨大的潜力，可以提供实时、大规模的出行数据，填补现有数据源的空白，并提高旅行预测模型的精度。CAV数据可以用于改进路径选择、长途旅行、商用车辆、公共交通和非机动旅行等方面的建模，并支持排放和交通运营建模。
然而，CAV数据也存在一些挑战，包括数据管理和成本、数据隐私和安全问题，以及数据处理和分析的复杂性。此外，CAV数据的可用性可能需要数年时间才能实现。
现有数据源和数据缺口
MDOT和SEMCOG目前使用的数据源包括家庭出行调查、人口普查数据、起点-终点数据、浮动车调查、商用车辆调查等，但存在数据更新不及时、成本高、样本量小等缺点。MDOT和SEMCOG都希望找到更有效、更低成本的数据收集方法。
CAV数据的应用
CAV数据可以用于改进旅行预测模型的多个方面，包括：
- 路径选择：CAV数据可以提供更精确的路径选择信息，并用于验证模型中的路径分配。
- 长途旅行：CAV数据可以填补长途旅行数据的空白，并支持全省模型的发展。
- 商用车辆：CAV数据可以提供有关商用车辆出行的重要信息，并改进商用车辆模型的开发。
- 公共交通和非机动出行：CAV数据可以提供有关公共交通和非机动出行行为的信息，并支持出行方式选择建模。
CAV数据的挑战
CAV数据的应用也面临一些挑战，包括：
- 数据管理和成本：CAV数据的管理需要大数据技术，并可能涉及高昂的成本。
- 数据隐私和安全：CAV数据包含个人隐私信息，需要采取措施保护数据安全。
- 数据处理和分析：CAV数据的规模和复杂性需要先进的算法和计算能力进行处理和分析。
未来情景
未来，随着CAV技术的普及和数据管理技术的进步，CAV数据将在旅行预测建模中发挥更大的作用。未来情景包括：
- CAV数据将变得更容易获取：随着更多车辆配备CAV技术，CAV数据的可用性将提高。
- CAV数据将变得更加丰富：CAV技术将不断发展，并提供更详细的出行数据。
- CAV数据将与其他数据源融合：CAV数据将与家庭调查数据、人口普查数据等融合，提供更全面的出行信息。
结论
CAV数据具有巨大的潜力，可以改进旅行预测模型的精度，并为交通规划和系统管理提供新的工具。然而，CAV数据的应用也面临一些挑战，需要政府、企业和研究机构共同努力，解决数据管理、隐私保护和数据处理等问题，才能充分发挥CAV数据的价值。
