Enhancing Household Travel Surveys Using Smart Card Data
Notice bibliographique
Résumé
Household travel surveys are still one of the most important sources of information used to produce detailed profiles of travel behaviors. They often require a lot of resources and lead to the definition of an average day of travel. This average day integrates behaviors which were probed at different weekdays within the period of investigation. Until very recently, few datasets allowed going beyond such estimation. The implementation of smart card (SC) system changes this situation by making available continuous information on transit use. SC systems output data that can be used to observe transactions on the transit network at any moment, on a continuous basis. While lacking details on the traveler, SC data offer the opportunity to enhance some travel survey estimates. Using data from a small Canadian transit authority, this paper compares various indicators estimated with data from the household travel surveys (2005) and data from the SC fare collection systems for the same time period. This study begins with the identification of transportation objects. Then, several indicators are calculated for comparable elements: date, time, route and fare type. The average weekday that is obtained from the travel survey is compared to each day of operation of the SC system. Results show that there are large variations in transit network use between weekdays. For the most important routes (regular adult card holders), the travel survey matches SC data at 5% level. However, for the origin-destination matrix, SC data is more precise and reveals movements not reported in the survey.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».