Activity-based modelling has the capability to exploit the big
data source generated by smart cities to create a digital twin
of urban environments to test mobility as a service scheme.
Given the rise of location-based data and mobile phone
network data (MND) for transport modelling purposes,
agent based modelling has become a viable tool to explore 
the sustainable introduction of mobility services, exploring
integration with mass transit.
AI is used in detecting the purpose and mode of transport in
multimodal round trips and in assigning the purpose and
mode of transport to the trip-chains dataset taken from
MND. The methodology has been developed for the Innovate
UK-funded mobility on demand laboratory environment
(MODLE) project and would undergo a validation process
during the demand modelling and assessment through a
network demonstrator (DeMAND) project for the
Department for Transport (UK).

La modélisation basée sur les activités a la capacité d'exploiter la grande source de données générée par les villes intelligentes pour créer un jumeau numérique des environnements urbains afin de tester la mobilité en tant que système de service. Compte tenu de l'essor des données basées sur la localisation et des données de réseau de téléphonie mobile (MND) à des fins de modélisation des transports, la modélisation basée sur les agents est devenue un outil viable pour explorer l'introduction durable des services de mobilité, en explorant l'intégration avec les transports en commun. L'IA est utilisée pour détecter le but et le mode de transport dans les allers-retours multimodaux et pour attribuer le but et le mode de transport à l'ensemble de données sur les chaînes de trajet tirées de MND. La méthodologie a été développée pour le projet d'environnement de laboratoire de mobilité à la demande (MODLE) financé par Innovate UK et ferait l'objet d'un processus de validation pendant la modélisation et l'évaluation de la demande par le biais d'un projet de démonstrateur de réseau (DeMAND) pour le ministère des Transports (Royaume-Uni).

Activity-based modelling has the capability to exploit big
data generated by smart cities to create a digital twin of
urban environments to test mobility as a service scheme.
MND data have been used to create activities for an agent-
based model.
AI is used to automatically detect the purpose and mode of
transport in multimodal round trips, from an anonymized
and aggregated MND trip-chains dataset. Data fusion
techniques and SQL queries were also used to consider land
use and facilities in the urban area of interest.

La modélisation basée sur les activités a la capacité d'exploiter les mégadonnées générées par les villes intelligentes pour créer un jumeau numérique des environnements urbains afin de tester la mobilité en tant que système de service. Les données MND ont été utilisées pour créer des activités pour un modèle basé sur les agents. L'IA est utilisée pour détecter automatiquement le but et le mode de transport dans les allers-retours multimodaux, à partir d'un ensemble de données anonymisées et agrégées sur les chaînes de déplacements MND. Des techniques de fusion de données et des requêtes SQL ont également été utilisées pour examiner l'utilisation des terres et les installations dans la zone urbaine d'intérêt.

Automated travel pattern recognition using mobile network data for applications to mobility as a service