Pedestrian Access to Transit: Identifying Redundancies and Gaps Using a Variable Service Area Analysis
Notice bibliographique
Résumé
Identifying the percentage of the population being served by a transit system in a metropolitan region is a key performance measure. This performance measure depends mainly on the definition of service area. Observing existing service areas can help in identifying existing gaps and redundancies in transit system. In the public transit industry, 400 meter (0.25 miles) buffers around bus stops and 800 meters (0.5 miles) around rail stations are commonly used to identify the area from which most transit users will access the system by foot. This research paper uses detailed origin-destination survey information to generate variable service areas that defines walking catchment areas around transit services in the Montreal region. The 400 and 800 meters service areas are greatly underestimating current coverage around transit stations. The 85th percentile walking distance to bus transit service is around 550 meters from the origin and 660 meters to the destination. A statistical model is generated to estimate walking distances to transit stations. Walking distances vary based on household and personal characteristics, trip characteristics (especially the headway), type of transit (metro, commuter rail, and bus services), and route characteristics (stop spacing). Accordingly, service areas around transit stations should vary based on the type of service being offered. The generated service areas derived from the statistical model are then used to identify gaps and redundancies in the existing transit network in Montreal region. Finally, detailed analysis examining overlapping service areas along two specific routes shows the usefulness of variable service areas in identifying areas where potential stop spacing revisions can be possible without losing coverage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,015 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».