СОЦИАЛЬНЫЕ ГРУППЫ В ФОРМИРОВАНИИ СПРОСА НА УСЛУГИ ТРАНСПОРТНЫХ СИСТЕМ Текст научной статьи по специальности «Компьютерные и информационные науки»

Социальные группы в формировании спроса на услуги транспортных систем

со см о см

о ш т

X

<

т О X X

Барышев Вячеслав Викторович

главный специалист, Научно-исследовательский и проектный институт Генерального плана г. Москвы, vjcheslav@gmail.com

Данное исследование направлено на оценку влияния экономических, технологических, социальных и политических факторов на развитие рынка транспортных услуг. Для достижения этой цели предложена модель поведения агентов, которая позволяет симулировать функционирование транспортной системы в районе с учетом поведения людей и компаний. Анализ данных, полученных с помощью данной модели, позволяет оценить влияние общественного транспорта на социокультурные отношения в городе. В статье представлены результаты исследования, а также ключевые понятия, такие как моделирование на основе агентов, рыночная модель и индекс доступности общественного транспорта.

Социальная группа, как объединение людей, имеющих общий значимый социальный признак, на котором основано их участие в некоторой деятельности, связанной системой отношений, которые регулируются формальными или неформальными социальными институтами в данной статье исследуется влияние разных моделей поведения групп на функционирование и формировании спроса транспортной системы. В исследовании моделируется малая социальная группа от 2 до 30 человек, семья, жители одного подъезда одного жилого дома. Характер взаимодействия агентов первичный. Модель имитирует функционировании транспортной системы в одном районе и поведении людей (агентов) при использовании транспорта. В ней горожане принимают различные решения, например, где жить и как перемещаться по городу, а предприятия решают проблемы расположения офисов, после работы часть людей.

Ключевые слова: агентное моделирование, модель рынка, анализ данных, предобработка данных, градостроительство, индекс доступности общественного транспорта, синтетические данные, машинное обучение, исследовательский анализ данных, статистический анализ данных

1. Введение: роль и влияние личности, ее социальной связанности в градостроительных системах, транспорт.

1.1. Определение, теоретическая концепция

Актуальность исследования обусловлена необходимостью оптимизации социальных взаимодействий в сфере общественного транспорта. Характеристики дорог, маршрутов, транспортных средств и социально значимых услуг определяют векторы и интенсивность мобильности, что важно с точки зрения культурного, информационного, социально-экономического обмена, но и с точки зрения множественных рисков, связанных с общественным транспортом как сферой, профессиональной занятости и потребления. Общественный транспорт создает поле для реализации интересов различных социальных групп, интегрированных через регулирование потребления или конкурирующих за возможности и способы использования социально значимых услуг. Не раскрыто его взаимодействие с другими социальными институтами, не раскрыта единая система социальных критериев его эффективности.

Определение социальных групп:

- один из основных элементов социальной структуры общества, представляющей собой множество людей, объединенных собой признаком или группой признаков

- общей деятельностью, общими экономическими, демографическими, этнографическими, психологическими характеристиками.

Определение социального кластера:

«Как кластер, сформированный в социальной сфе-ре по статистическим видам деятельности, взаимосвязи в котором нацелены на получение общественно значимого результата, носящего нематериальный характер.»[1]

Определение агентного (имитационного) моделирования:

«Агент — это компьютерная система, расположенная в некоторой среде, способная к гибким автономным действиям для достижения поставленных целей». Дженнингс и др., 1998 г. [2].

Определение подчеркивает два основных свойства агентов, автономия и социальные способности. Автономность, означает что агент должен иметь возможность действовать, выполнять инструкции и принимать решения без прямого вмешательства других и иметь контроль над своими действиями и внутренним состоянием. Быть социальным, означает что агент является частью сообщества и может взаимодействовать с другими агентами, чтобы выполнять свои собственные задачи и помогать другим в их деятельности.

Москва один из крупнейших городов мира, в Московской агломерации проживает более 15 мил. человек, и это порождает колоссальные потоки суточной миграции населения между разными частями города. Население Москвы насчитывает множество различных социальных групп, большую часть из них является семья из 2- 4 человек, в исследование берем пешеходную доступность 15 минут или 3 км, данная цифра основана на множестве работ о пешеходной доступности, концепции 15-ти минутного города. При перемещении агента на большие расстояния, агент должен воспользоваться транспортной системой, но какие пути маршрутизации для пожилого

человека, человека с ребенком, студента, взрослого работающего наиболее оптимальны, как они формируют спрос на транспорт, личный или общественный, поиску ответа на эти вопросы посвящено исследование.

Люди и транспортная система, являются двумя типами агентов в этой модели. Люди используют рекреационную инфраструктуру. Люди могут сменить участки проживания, если они чувствуют себя некомфортно (например, из-за высоких расходов на проживание и низкой заработной платы, низкого качества инфраструктуры ее неразвитости). Кроме того, люди могут перемещаться из одного зону в другую. При выборе новой зоны время поездки, стоимость поездки и зона стоимость аренды считается. С ростом благосостояния люди могут изменить свои жилую зону на более комфортную. Люди ездят из дома на работу и обратно на личных автомобилях или на общественном транспорте.

Города в настоящее время являются домом для большей части населения мира и являются движущей силой экономического роста, создания богатства, социального взаимодействия и благополучия. Они также представляют огромное неравенство в доступе к здравоохранению, уровню дохода, доступности современного образовании и образа жизни. Например, наряду с существующим глобальным рынком технологий, по оценкам ООН, на городскую инфраструктуру необходимо потратить 350 триллионов долларов, или в пять раз больше мирового ВВП, для удовлетворения неотложных потребностей.

1.2. Предмет и объект исследования

Предмет: социальные кластеры (группы) населения Москвы, динамика системы общественного транспорта и взаимодействие между ее элементами, такими как пассажиры, водители, автобусы и остановки, с использованием агентного моделирования

Объект: система общественного транспорта в городе Москва.

Рынок транспортных услуг также является элементом исследования, так как он влияет на динамику системы общественного транспорта. Агентное моделирование может использоваться для анализа взаимодействия между провайдерами транспортных услуг и потребителями, а также для определения оптимальных цен и условий предоставления услуг.

1.3. Пространственно-временной контекст: исследование проводится на территории города Москвы, поведение населения обладающих различным социальным статусом при использовании транспортной системой в будние дни и в выходные.

1.4. Литературный обзор:

- модель "Полицентр", в статье рассматривается оптимизация размещения основных городских функций на территории города Москвы, по критериям их взаимосвязанной транспортной доступностью. Описывается результаты работы экспериментальной модели. Проводится демонстрация того что прогнозные варианты развития города, способствует решению транспортных проблем, созданию условий для развития полицентричности города за счет увеличения посещаемости сложившихся и возникающих периферийных центров обслуживания. При анализе прогнозной динамики, построенной на основе генерируемых вариантов развития Москвы, выявлены признаки приближающихся моментов перехода от фазы территориального роста к фазе структурной реорганизации и обратно. Закономерность таких переходов обоснована А.Э. Гутновым. [3]

- "Модель поведения человека: первые расчеты".

Понятие, удовлетворенности и т.п.) настолько трудно уловимо, что до сегодняшнего дня при его моделировании доминируют описательные методики основанные, на регрессиях по данным опросов. Таким образом, зыбкость опросных данных умножа-

ется на безразличность регрессионных построений, и мы получаем зависимости, которые, скорее всего, нам мало что дадут. Безусловно, применительно к таким субъективным понятиям, как счастье, уравнительные статистические подходы должны уступить место аналитическим моделям, в которых счастье (удовлетворенность, настроение - как угодно) будет эндогенным параметром, вытекающим из логически и содержательно ясных предпосылок и процедур. И вот, на роль аналитической модели, способной хоть чуть-чуть пролить свет на темную историю человеческого счастья, предлагается модель поведения человека

Истратов Виктор Александрович. Научный сотрудник ЦЭМИ РАН. Ключевые слова: модель поведения человека, экономика счастья, агентное моделирование Дата публикации: 30.11.2009. Российская Федерация, Москва;[4]

- "Бихевиористический подход к моделированию социального поведения агентов". Машкова Александра Леонидовна. Приокский государственный университет Российская Федерация, Орел.[5]

- "Обзор агент-ориентированных социально-экономических моделей",

Гизатов Нафис Рамисович. Институт социально-экономических исследований Уфимского научного центра РАН, Российская Федерация, Уфа.[6]

- "Обзор агентных моделей, посвященных проблемам развития города",

В первой части рассказывается о творческой модели города -агентной модели, изучающей теоретическое взаимодействие регулирования землепользования, городской мобильности и социальной толерантности, а также их влияние на экономические показатели городов. Модель основана на упрощенных предположениях из эмпирически обоснованного понимания городской морфологии, экономической географии и диффузии творчества человеческих взаимоотношений. Данная модель предлагает новый угол зрения на диффузию творчества через распространение знаний в различных сценариях «снизу вверх». На основе проведенных экспериментов модель предполагает существование компромисса между желанием социальной справедливости и быстрым распространением творчества. Вторая часть содержит когнитивную модель агента, создавшую систему обратной связи между физическим пространством агента и его взаимодействием в социальном пространстве. Результаты показали, что молодежь более восприимчива к беспорядкам. Однако систематическое увеличение возможностей для получения образования и трудоустройства не дает линейного эффекта на беспорядки, и даже улучшение качества жизни в отношении дохода не дает прямого эффекта.

Конькова (Кураева) Татьяна Александровна, младший научный сотрудник ЦЭМИ РАН. Российская Федерация, Москва.[7]

Таблица I. хронология развития моделирования

Годы Аналитические подходы, описывающие (характеризующие) состояния равновесия Генеративные подходы, описывающие (моделирующие) состояния равновесия/баланса модели

1700 Дифференциальные уравнения

1900 Статистические методы

1940 Теория Клеточные «Искусственный

1950 Системная Микро автомат интеллект» (машина Тюринга)

1960 динамика симуляция Теория Объектные Распределенный

1970 массового обслуживания модели искусственный данных интеллект Индивидуальные *

1980

2000 модели, имитируют Агентное популяции и " » имитационное сообщества моделирование

X X О го А С.

X

го т

о

ю О

м «

со см о см

о ш т

X

3

<

т О X X

1.5 Проблематика

Одной из ключевых задач является понимание не только того, как ведут себя люди, но и того, как взаимодействие между многими людьми приводит к крупномасштабным результатам в макро, мезо и микро масштабах. Контекст социальных явлений довольно обширен и охватывает почти все аспекты городского планирования, начиная от транспортных систем и заканчивая изменением в природном комплексе.

Проблема:

Основная проблематика темы исследования заключается в изучении факторов, влияющих на функционирование и развитие рынка транспортных услуг, а также в определении возможных способов использования агентного моделирования для анализа этой проблематики. В частности, необходимо изучить влияние экономических, технологических, социальных и политических факторов на рынок транспортных услуг, а также оценить роль конкуренции, регулирования и инноваций в его развитии. Для этого можно использовать агентное моделирование, которое позволяет моделировать поведение отдельных участников рынка и оценивать его влияние на динамику рынка в целом.

А.С. Ахиезер [8] отмечает, что окружающее пространство становится сложнейшей мозаикой, иерархически взаимодействующих центров притяжения и отталкивания, где социокультурное содержание меняется от одной территориальной точки к другой. Город становится отражением территориально закрепленных социокультурных различий. Складывающиеся условия постоянно вступают в противоречия с изменяющимися потребностями. Система обслуживания в городе идет вразрез с динамичными интересами потребителя, который стремится к выбору широкого ассортимента благ и услуг, даже если для этого, но надо преодолевать большие расстояния.

С развитием темпов урбанизации и увеличением количества объектов транспортной инфраструктуры, законодательных основ и норм, инвестиций - проблема роли транспортных систем в обществе становится острее и требует обоснования, прогнозирования, разработки систем поддержки принятия решений.

Сложившаяся ситуация в современных городах - скопление транспорта как в центральной части так и на периферии, загрязнение атмосферы выхлопными газами и другие. Транспортные системы плотно интегрировались в повседневную жизнь городских жителей, можно сказать это важнейший социальный институт, который занимает ключевое место в городе, как инструмент организации социальной жизни.

1.6 Цели и задачи исследования

Цель исследования:

- модель определяющая формирование спроса в транспортных системах при дифференции проживающего населения на территории по социальным группах;

- разработать эффективную транспортную систему, учитывающую потребности населения и социально-культурные особенности города.

Задачи исследования:

1. исследовать поведение людей на разных территориях и выявить корреляцию между различными признаками их транспортного поведения;

2. произвести сравнительный анализ реального набора данных и синтетического, выявить позитивные и негативные факторы использования синтетических данных при создании моделей;

3. создать рекомендательную модель общественного транспорта, при создании новой застройки;

4. изучить поведение людей при использовании системы общественного транспорта и взаимодействие между ними;

6. оценить эффективность работы транспортной системы и определить потребности населения;

7. Разработать рекомендации по улучшению транспортной системы и учету социально-культурных особенностей города

1.7 Ожидаемые результаты исследования.

Возможно, что исследование рынка транспортных услуг с помощью синтетических наборов данных, позволит определить оптимальные условия предоставления услуг и цены, улучшить взаимодействие между операторами транспортных услуг и потребителями, а также улучшить динамику системы общественного транспорта. Это может привести к повышению качества транспортных услуг и удовлетворенности потребителей, а также к более эффективному использованию ресурсов и уменьшению негативного влияния на окружающую среду.

Следует выделить:

- выявление факторов оказывающих влияние на формирование спроса при взаимодействии агента или группы с транспортной системой; - сформировать групповое и индивидуальное поведение агентов из реальной жизни при взаимодействии с транспортной системой, с учетом сценариев транспортного поведения; - генерировать наборы маршрутов вместе с уровнем использования, генерация синтетических наборов данных; - верификация и калибровка модели; - создать экономическую модель краткосрочного и долгосрочного эффекта, оптимизация модели;

1.8 Гипотезы исследования

Общественный транспорт играет значительную роль в социокультурных отношениях в современном городе, и его доступность и наличие могут повлиять на структурную организацию и формирование городских территорий. Исследование направлено на использование машинного обучения, синтетических наборов данных, агентно-ориентированного моделирования, рыночных моделей, анализа данных и методологий градостроительства для анализа и прогнозирования социальных, экологических, технологических и архитектурных паттернов общественного транспорта в системах градостроительства.

Основная гипотеза H0:

- для людей с высоким уровнем дохода, уровень PTAL может иметь невысокие значения, что обусловлено использованием личного автотранспорта транспорта или водителе;

Альтернативная гипотеза H1:

Н1 (альтернативная) - для людей с высоким уровнем дохода, характерно расселение на территориях с высоким уровнем показателя «индекса доступности общественного транспорта

1.9 Новизна исследования

Заключается в использование синтетических данных для прогнозирования социальных, экологических, технологических и архитектурных паттернов общественного транспорта в системах градостроительства является новым подходом в исследовании данной темы. Применение рыночных моделей для анализа общественного транспорта в системах градостроительства также представляет новизну в данном исследовании. Изучение принципов и методов социально-пространственного взаимодействия и участия в градостроительных мероприятиях является новым направлением в исследовании влияния общественного транспорта на социокультурные отношения в городе. Создание рекомендательных систем общественного транспорта по социальному портрету населения, проживающих в границах проведения исследования

Исследование направлено на анализ и прогнозирование структурной организации и формирования городских территорий, что представляет новый подход к изучению влияния общественного транспорта на градостроительство.

2. Данные и их критика.

Для исследования были сформированы два набора данных, первый по результатом социологических опросов второй сгенерирован. Эти наборы данных позволяют произвести классификацию респондентов по социальным группам.

Синтетические данные можно использовать для дополнения, расширения и, в некоторых случаях, замены реальных данных при обучении моделей машинного обучения. Кроме того, он позволяет тестировать машинное обучение или другие программные системы, зависящие от данных, без риска раскрытия информации, связанного с раскрытием данных. В расчетах использует несколько вероятностных моделей и методов.

3. Материалы и методы

3.1 Обзор подхода

В работе применяется два основных подхода, это исследовательский анализ данных EDA социологического опроса и формирование на основе него синтетического набора данных.

Исследовательский анализ данных, состоит из следующих этапов:

- формирование набора данных;

- предобработка данных (удаление дубликатов, пропущенных значений, изменение типов данных при необходимости, формирование дополнительных полей)

- статистический анализ данных, формулирование гипотез их доказательство или опровержение

- анализ доступности общественного транспорта (PTAL)

Индекс доступности общественного транспорта:

- это подробная и точная мера доступности точки к сети общественного транспорта с учетом времени доступа пешком и доступности услуг. Этот метод, по сути, является способом измерения плотности сети общественного транспорта.

Время ходьбы рассчитывается от указанных точек интереса ко всем точкам доступа общественного транспорта: автобусным остановкам, железнодорожным станциям, станциям легкорельсового транспорта, станциям метро и остановкам трамвая в пределах заранее определенных водосборов.

PTAL подразделяется на 6 уровней, от 1 до 6, где 6 соответствует высокому уровню доступности, а 1 — низкому уровню доступности. Уровни 1 и 6 были далее подразделены на 2 подуровня, чтобы обеспечить большую ясность.

3.2 Методология.

В доказательстве гипотезы применялся t-критерий Стью-дента.

При создании модели машинного обучения, использован метод классификации, были построены две модели:

- логистическая регрессия;

- случайный лес;

Включает в себя следующие этапы:

- подготовка набора данных, это могут быть различные инструменты от социологических опросов до данных мобильных операторов;

- предобработка данных (удаление дубликатов, заполнение пропусков в данных,

преобразование типов и создание новых полей)

- исследовательский анализ данных (гистограммы распределения значений, выявление положительной или отрицательной корреляции между признаками набора данных)

- формирование модели

- изучение результатов работы модели и экспериментов

- формирование выводов

4. Теория и расчеты (модель)

4.1 Социологический опрос, включал в себя 20 вопросов. Респонденты при ответе пользовались системой "Яндекс Взгляд". Отпрашивались пользователи проживающие в городе Москва.

После завершения опроса данные были геокодированы и агрегированы по сетки с "индексом доступности общественного транспорта", но так как данных опроса было очень мало сложно по ним построить качественную модель машинного обучения, в этом случае синтетические данные могут существенно улучшить показатели метрик качества модели.

6.165 -»С ' Ор<-.у'сч«Мар It I С*ЯТО

400000 405000 410000 415000 420000

Рисунок 2, результаты опроса, геокодирование данных

|*М мм

X X

О

ГО

А С.

X

го m

о

tlMee UMW

Рисунок 3, агрегирование данных, выделение целевого признака

м о м

CJ

СО CS

о

CS

о ш m

X

3

<

m О X X

4.2 Синтетические данные

Существенно увеличить объем набора данных для создания модели, в данной работе объем реального набора данных составлял БЬ|ре(50, 24), тогда как синтетический набор БЬ|аре(500, 24). Сравнение реального и искусственного набора данных по некоторым категориям

- уровень индекса доступности общественного транспорта "РТА^', рисунок 4:

vs. Synthetic Data for column ptal

дистанция до работы, рисунок 5:

s. Synthetic Data for column д>

ежемесячный доход, рисунок 6:

Real vs. Synthetic Data for column примерньш_доход

ISO 200 250 300

оседлость, рисунок 7;

Real vs. Synthetic Data for column оседлость

возраст, рисунок 8:

Real vs. Synthetic Data for column возраст

4.3 Исследовательский анализ, выполнялся библиотекой "pandas" в среде "conda"

Распределение значений, синтетические данные/реальные данные (рис. 9).

оседлость

О 20 40 30 40 50 60

возрастжилогофонда

наличиедетей

10 20 30 40

примерныйдоход

20 40 60

0.00 0.25 0.50 0.75 1.00

m

100 200 300 400

Рисунок 9, распределение значений, синтетические данные

10 20 30

оседлость

О 20 40 30 40 50 60

дистанция

ill

О 1 2 3 О 20 40 60 О 20 40 60

примерныи_доход

0.00 0.25 0.50 0.75 1.00

rilJ

1.00 200 400

Рисунок 10, распределение значений, реальные данные Результаты опроса:

Как Вы добираетесь на работу?

30 ответов 6.7%

0.0%

6.7%

3.3%

63.3%

10.0%

10.0%

" Несколько ответов пешком или на самокате

на велосипеде

на машине/мотоцикле

на автобусе

а метро/М ЦК/М ЦД

на электричке работаю удаленно

Как Вы добираетесь до метро?

30 ответов Несколько ответов 50.0%

3.3% 0.0% 30.0% 0.0% 16.7%

иду пешком или на самокате

едуна машине еду на велосипеде еду на автобусе еду на электричке не пользуюсь

Корреляция:

Какая цель Ваших ежедневных поездок?

29 ответов * Несколько ответов 79.3%

а12 -0 11 С. 12 041 -0.21

■0.17 0.057 О.» 0055

044 -0.24 Л12 - О ОО

•0)р*С!.жилого_фомд* О 26 «.12 0057 0.044

0 064 0.41 0.35 -0 24 О

Примерим*.ДОХОД - «.24 43.г3 О 055 0.12 0.006/ 0.025

0.0% 3.4% 6.9% 10.3%

образование рабочие поездки досуг другое

Как долго Вы добираетесь до работы? (в минутах)

31 ответ 6.5%

9.7%

29.0%

51.6%

3.2%

Один ответ 15 минут или меньше

от 15 до 30 минут

от 30 до 45 минут

более 45 минут

работаю дома

У Вас есть личный автотранспорт?

14.8% нет

7.4% пользуюсь каршерингом

Таблица 2

Корреляция в наборе синтетических данных

налииие_детей примерный дох

р«а1 1.000000

оседлость 0.255997

дети 0.159119

дистанция -0.490821

озраст_жилого_фонда 0.257129

наличие_детей 0.064479

примерный_доход -0.235195

120961 314102 -0 116505 405199 229272

168414 057224

-0.490821 -0.314102 -0.168414 1.000000 0.043695

351522 -0.237571 054840 0.120619

257129 116505 057224 043695 000000 142939 008738

064479 405199 351522 237571 142939

-0.235195 -0.229272 0.054840 0.120619 0.008738 0.024982 1.000000

оседлость - 0 26

аети - -o.il 0.18

д»кт»нция - 0.42 -0.38 0.063

•0>Р*СТ,ЖИЛОГО_фОмД4

наличие детей - 013 О.'

примерный_доход -0.19 -0.13 -0.11 0.17 «.025

Рисунок 11. Корреляция в наборе Рисунок 12, корреляция в наборе синтетических данных реальных данных

-Синтетические данные:

Корреляция между ptal и оседлость составляет: 25.60%

Корреляция между ptal и дистанция составляет: -49.08%

Корреляция между ptal и наличие детей составляет: 6.45%

Корреляция между ptal и примерный доход составляет: -23.52%

-Реальные данные:

Корреляция между ptal и оседлость составляет: -13.39%

Корреляция между ptal и дистанция составляет: -14.37%

Корреляция между ptal и наличие детей составляет: 10.32%

Корреляция между ptal и примерный доход составляет: 11.58%

Вывод:

Синтетические данные, при недостатке или плохим качестве реальных данных, помогают добиться нормального распределения.

На реальных данных наблюдается слабая, положительная

I I О ГО А П.

I ГО

т

о

го о го

со

fO CS

0

CS

01

о ш m

X

3

<

m О X X

корреляция между наличием детей и индексом доступности общественного транспорта. На тепловой карте можно наглядно выявить тенденции и основные представлены в виде диаграммы рассеяния.

5. Результат

Результаты исследования позволяют выявить факторы, оказывающие влияние на формирование спроса при взаимодействии агента или группы с транспортной системой, а также выделить социальные группы пользователей транспортных систем. Кроме того, в исследовании рассмотрены основные показатели, такие как возраст, уровень дохода, количество детей, количество метров общей площади квартиры на одного человека и др. Была проведена верификация и калибровка модели, создана экономическая модель краткосрочного и долгосрочного эффекта, а также проведена оптимизация модели. Все это позволяет создать модель, обеспечивающую поддержку принятия решений, проверку различных сценариев изменения транспортной политики и влияние на спрос. Такие результаты могут способствовать поддержке принятия решений в сфере транспортной политики.

5.1 Выявление факторов оказывающих влияние на формирование спроса при взаимодействии агента или группы с транспортной системой;

Основная гипотеза H0:

- для людей с высоким уровнем дохода, уровень PTAL может иметь невысокие значения, что обусловлено использованием личного автотранспорта транспорта или водителе;

Альтернативная гипотеза H1:

Н1 (альтернативная) - для людей с высоким уровнем дохода, характерно расселение на территориях

с высоким уровнем показателя «индекса доступности общественного транспорта

Доказательство нулевой гипотезы или принятие альтернативной (рис. 13)

t-статистика: 0.5625659177294322

p-value: 0.28708793006025113

Рисунок 13, Проверка гипотезы на реальных данных

Принимаем гипотезу Н0, для людей с высоким уровнем дохода, уровень PTAL может иметь невысокие значения, что обусловлено использованием личного автотранспорта транспорта или личных водителей.

Синтетические данные (рис. 14).

В данной работе, задали две выборки данных о уровне индекса транспортной доступности. Затем мы провели ^тест Стьюдента и вывели результаты теста. Если р^аШе меньше 0.05, то принимаем нулевую гипотезу.

5.2 Описание и выделение социальных групп пользователей транспортных систем;

сте жительстве рисунок 15.

L

Я т L- м

1 2 4 S 6С

count 93.000000

mean 19.752688 std 13.928900 min 0.000000 25% 8.000000 50% 20.000000 75% 22.000000 max 58.000000

Гистограмма распределения плотности значений поля, рисунок 15.

Возраст: count 93.000000 mean 37.258065 std 9.357516 min 18.000000 25% 33.000000 50% 37.000000 75% 43.000000 max 62.000000

Гистограмма распределения поля "age", рисунок 16.

Рисунок 14. Проверка гипотезы на синтетических данных, t-тест Стьюдента

400 500

Уровень дохода:

count 93.000000

mean 37.258065

std 9.357516

min 18.000000

25% 33.000000

50% 37.000000

75% 43.000000

max 62.000000

Name: age, dtype: float64

Гистограмма распределения значений, рисунок 17.

■

1.5 2.0 2.5 3.0

Дети:

count 93.000000 mean 0.784946 std 1.091961 min 0.000000 25% 0.000000 50% 0.000000 75% 2.000000 max 4.000000

Name: cildren, dtype: float64

человека, рисунок 18.

■

30 -20-

1

■ ■ 1

10 2( Ю 40 S 0 60 7

count 93.000000

std 10.786963 min 10.000000 25% 22.000000 50% 25.000000 75% 26.000000 max 70.000000

Name: area_per_person, dtype: float64

5.3 Модель машинного обучения

Решение задачи классификации на реальных данных и на синтетических, модель (случайный лес с подбором гиперпараметров) на синтетических данных показывает лучшую метрику:

Test accuracy: 0.46 (синтетические данные) Test accuracy: 0.33 (реальные данные)

Кривые precision-recall показывают, как меняется точность (precision) и полнота (recall) модели при изменении порога вероятности для каждого класса. Чем ближе кривая к верхнему правому углу, тем лучше качество модели.

Если кривая класса находится выше кривой других классов, то модель лучше различает этот класс от остальных. Если кривые всех классов находятся близко друг к другу, то модель имеет проблемы с различением классов.

Макроусреднение (macro-averaging) позволяет усреднить метрики precision и recall по всем классам и получить общую оценку качества модели.

mean 26.344086

Рисунок 15. Кривые Precision-Recall для классов уровня доступности общественного транспорта

6. Заключение

В заключении научной статьи можно отметить, что проведенные исследования позволяют сделать вывод о том, что уровень дохода населения не оказывает значительного влияния на уровень доступности общественного транспорта. Однако, необходимы дополнительные исследования для подтверждения или опровержения гипотезы о том, что для людей с высоким уровнем дохода характерно использование личного автотранспорта, что может приводить к невысоким значениям индекса доступности общественного транспорта.

Также можно отметить, что использование моделей машинного обучения для предсказания уровня доступности общественного транспорта может быть полезным инструментом для разработки более эффективных стратегий улучшения

X X

о

го А с.

X

го m

о

ю

2 О

м

CJ

fO

es о es

о ш m

X

транспортной доступности для населения. Однако, необходимы дополнительные исследования для улучшения точности предсказаний моделей и проверки их применимости на различных географических и социально-экономических контекстах.

Кроме того, в работе были рассмотрены две модели машинного обучения для предсказания уровня доступности общественного транспорта. При использовании синтетических данных была достигнута точность предсказания на уровне 0.46, а при использовании реальных данных - 0.33. Эти результаты могут быть полезны для разработки более эффективных стратегий улучшения транспортной доступности для населения.

Таким образом, данная работа является важным шагом в изучении взаимосвязи между уровнем дохода и доступностью общественного транспорта, и может послужить основой для дальнейших исследований в этой области.

Для дальнейшего исследования влияния уровня дохода на доступность общественного транспорта, можно рассмотреть следующие метрики машинного обучения:

1. Использовать агентный подход для получения синтетических наборов данных.

2. Разработать модель для определения параметров транспортной инфраструктуры на территории, произвести балансировку классов и масштабирование признаков, подобрать гиперпараметры модели.

3. Исследовать поведение людей на разных территориях и выявить корреляцию между различными признаками их транспортного

поведения; произвести сравнительный анализ реального набора данных и синтетического, выявить позитивные и негативные факторы использования синтетических данных при создании моделей;

4. Создать рекомендательную модель общественного транспорта, при создании новой застройки;

5. Изучить поведение людей при использовании системы общественного транспорта и взаимодействие между ними;

6.Оценить эффективность работы транспортной системы и определить потребности населения;

7. Разработать рекомендации по улучшению транспортной системы и учету социально-культурных особенностей города

В целом, данная работа является важным вкладом в изучение взаимосвязи между уровнем дохода и доступностью общественного транспорта, и может послужить основой для дальнейших исследований в этой области.

Литература

1. Анисова Н.А. Социальный кластер: определение, классификация, примеры типовой модели // Экономика и управление. 2016;(11):91-99.

2. Вулдридж М., Дженнингс Н. Р. Интеллектуальные агенты: теория и практика// Инженерное обозрение знаний. -1995. Т. 10. №. 2. С. 115-152

3. Каверин А.Р., Арпишкин Ю.П., Гребенщиков И.В., Медведева Л.В., Романов Г.Г. (2019) ПОЛИЦЕНТР: модель размещения мест труда, проживания и обслуживания // Городские исследования и практики. Т. 4. № 4. С. 42-69. DOI: https://doi.org/10.17323/usp44201942-69

4. Ахиезер А.С. Социальное пространство и человеческие факторы в свете теории урбанизации// А.С. Аиезер// Проблемные ситуации в развитии города. М.: Институт социологии, 1988.

5. Модель поведения человека: первые расчеты. Истратов Виктор Александрович // Научный сотрудник ЦЭМИ РАН. Дата публикации: 30.11.2009. Российская Федерация, Москва;

6. Бихейвиористический подход к моделированию социального поведения агентов // Машкова Александра Леонидовна // Приокский государственный университет Российская Федерация, Орел,

7. Обзор агент-ориентированных социально-экономических моделей // Гизатов Нафис Рамисович // Институт социально-экономических исследований Уфимского научного центра РАН, Российская Федерация, Уфа.

8. Обзор агентных моделей, посвященных проблемам развития города // Конькова (Кураева) Татьяна Александровна // младший научный сотрудник ЦЭМИ РАН. Российская Федерация, Москва.

Social groups in the formation of demand for the services of transport systems Baryshev V.V.

Research and Project Institute of General Planning for the City of Moscow

JEL classification: C01, C02, C1, C4, C5, C6, C8_

A social group as an association of people with a common significant social attribute on which their participation in some activity is based, connected by a system of relations that are regulated by formal or informal social institutions this article examines the influence of different behavioral models of groups on the functioning and formation of the demand of the transport system. The study models a small social group of 2 to 30 people, a family, residents of one entrance of one residential building. The nature of the interaction of agents is primary. The model simulates the functioning of the transport system in one area and the behavior of people (agents) when using transport. In it, citizens make various decisions, for example, where to live and how to move around the city, and enterprises solve the problems of the location of offices, after work, some people living in the city go for a jog. Both of them act as agents in the model. The study allows us to evaluate: the functioning of the transport system under different scenarios of behavior of the studied social groups; optimize the diversification of the transport system; the level of satisfaction of citizens with life in the city; business space improvement opportunities; opportunities for the construction of new pedestrian roads and highways. A simple tool for modeling the interaction of the population and the transport system is described. Whether the change in transport systems will lead to the expansion or densification of cities. Keywords: agent modeling, market model, data analysis, data preprocessing, urban

planning, public transport accessibility index References

1. Anisova N.A. Social cluster: definition, classification, examples of a typical model //

Economics and Management. 2016;(11):91 -99.

2. Wooldridge M., Jennings N. R. Intelligent agents: theory and practice // Engineering

Review of Knowledge. - 1995. Vol. 10. No. 2. S. 115-152

3. Kaverin A.R., Arpishkin Yu.P., Grebenshchikov I.V., Medvedeva L.V., Romanov

G.G. (2019) POLYCENTRE: a model for the placement of places of work, residence and service // Urban Research and Practice. T. 4. No. 4. S. 42-69. DOI: https://doi.org/10.17323/usp44201942-69

4. Akhiezer A.S. Social space and human factors in the light of the theory of

urbanization / / A.S. Aiezer // Problem situations in the development of the city. Moscow: Institute of Sociology, 1988.

5. Model of human behavior: first calculations. Istratov Viktor Aleksandrovich //

Researcher at CEMI RAS. Publication date: 11/30/2009. Russian Federation Moscow;

6. Behavioristic approach to modeling the social behavior of agents // Mashkova

Alexandra Leonidovna // Prioksky State University Russian Federation, Orel,

7. Overview of agent-based socio-economic models // Gizatov Nafis Ramisovich //

Institute for Socio-Economic Research of the Ufa Scientific Center of the Russian Academy of Sciences, Russian Federation, Ufa.

8. Overview of agent-based models dedicated to the problems of urban development

// Konkova (Kuraeva) Tatyana Alexandrovna // junior researcher at CEMI RAS. Russian Federation Moscow.

<

m о x

X