Travel demand estimation, as represented by an origin–destination (OD) matrix, is essential for urban planning and management. Compared to data typically used in travel demand estimation, the key strengths of social media data are that they are low-cost, abundant, available in real-time, and free of geographical partition. However, the data also have significant limitations: population and behavioural biases, and lack of important information such as trip purpose and social demographics. This study systematically explores the feasibility of using geolocations of Twitter data for travel demand estimation by examining the effects of data sparsity, spatial scale, sampling methods, and sample size. We show that Twitter data are suitable for modelling the overall travel demand for an average weekday but not for commuting travel demand, due to the low reliability of identifying home and workplace. Collecting more detailed, long-term individual data from user timelines for a small number of individuals produces more accurate results than short-term data for a much larger population within a region. We developed a novel approach using geotagged tweets as attraction generators as opposed to the commonly adopted trip generators. This significantly increases usable data, resulting in better representation of travel demand. This study demonstrates that Twitter can be a viable option for estimating travel demand, though careful consideration must be given to sampling method, estimation model, and sample size.

以起点-目的地（OD）矩阵表示的旅行需求估算对于城市规划和管理至关重要。与通常用于旅行需求估计的数据相比，社交媒体数据的主要优势在于它们成本低廉，数量丰富，实时可用且不受地理分区的影响。但是，这些数据也有很大的局限性：人口和行为偏见，以及缺少重要信息，例如出行目的和社会人口统计信息。这项研究通过检查数据稀疏性，空间规模，采样方法和样本量的影响，系统地探索了将Twitter数据的地理位置用于旅行需求估计的可行性。我们显示，Twitter数据适合于模拟平均工作日的整体旅行需求，但不适用于通勤旅行需求，由于识别家庭和工作场所的可靠性低。从少量用户的时间线收集更详细的长期个人数据，比在一个区域内大量人口的短期数据收集的结果更为准确。我们开发了一种新颖的方法，将地理标记的推文用作吸引生成器，而不是通常采用的跳闸生成器。这显着增加了可用数据，从而更好地表示了旅行需求。这项研究表明，尽管必须仔细考虑采样方法，估计模型和样本量，但Twitter可以是估计旅行需求的可行选择。来自用户时间轴的少量个人的长期个人数据比区域内大量人口的短期数据产生的结果更准确。我们开发了一种新颖的方法，使用带有地理标签的推文作为吸引力生成器，而不是通常采用的旅行生成器。这显着增加了可用数据，从而更好地表示了旅行需求。这项研究表明，尽管必须仔细考虑采样方法，估计模型和样本量，但Twitter可以是估计旅行需求的可行选择。来自用户时间轴的少量个人的长期个人数据比区域内大量人口的短期数据产生的结果更准确。我们开发了一种新颖的方法，将地理标记的推文用作吸引生成器，而不是通常采用的跳闸生成器。这显着增加了可用数据，从而更好地表示了旅行需求。这项研究表明，尽管必须仔细考虑采样方法，估计模型和样本量，但Twitter可以是估计旅行需求的可行选择。从而更好地代表旅行需求。这项研究表明，尽管必须仔细考虑采样方法，估计模型和样本量，但Twitter可以是估计旅行需求的可行选择。从而更好地代表旅行需求。这项研究表明，尽管必须仔细考虑采样方法，估计模型和样本量，但Twitter可以是估计旅行需求的可行选择。