Voor de voorbereiding van het federale systeem, het vaststellen van vervoersbeleid en het begrijpen van mobiliteitspatronen zijn betrouwbare statistieken over reisgedrag cruciaal. Nieuwe vooruitgang in reisstudie hebben het mogelijk gemaakt om stille gegevens te verzamelen met behulp van GPS-sensoren in smartphones. Deze inzichtelijke studies bieden een alternatief voor conventionele reisjournalenenquêtes, die meestal worden beïnvloed door een hogere responslast. De reisapp van het Centraal Bureau voor de Statistiek, die gebruik maakt van GPS-metingen, wordt gebruikt om in deze studie onmiddellijk vervoermiddelen te identificeren. We contrasteren de classificatiemodellen voor Random Forest en Extreme Gradient Boosting die zijn getraind op basis van GPS-functies, culturele locatie-gebaseerde functies van OpenStreeetMap, evenals historische kenmerken afgeleid van tijdgerelateerde kennis en verleden reisgedrag. Het Extreme Gradient Boosting model, dat werd getraind op de volledige set van functies, bereikte de hoogste nauwkeurigheid (0,91 ) en macro-gemiddelde F1 score (0,84 ), terwijl ook het bereiken van de hoogste nauwkeurigheid (0,84 ) in vergelijking met externe validatiedata. Een semi-geautomatiseerde aanpak met nauwkeurige prompts kan worden gebruikt om een evenwicht te vinden tussen de nauwkeurigheid van de classificatie van vervoerswijzen en de responslast, ondanks deze bevindingen die erop wijzen dat het nog niet mogelijk is om de classificatie van vervoerswijzen in de reisapp volledig te automatiseren.
Boer, Q., Y. Gootzen, J. Klingwort, D. Remmerswaal, P. Lugtig (2025). In een mobiel- en reisonderzoek waarbij machine learning werd gebruikt, was de voorspelling van de transportmodus gebaseerd op een mobiel apparaat. Statistieken Nederland, Den Haag/Heerlen proefschrift.