A Method for Studying Traffic Congestion Using New Data: Focusing on the Canadian Regions of Toronto and Hamilton
Notice bibliographique
Résumé
Traffic congestion plays an important role in shaping the public debate over transportation policies and programs. But although there are many studies of the intensity and causes of traffic congestion, there are opportunities to improve methods and congestion metrics using newly available traffic data. Common regionally-scaled congestion studies simplify the understanding of congestion. Better congestion metrics would both reflect geographic and temporal patterns of congestion and would identify underlying predictors in an effort to better manage gridlock. While such metrics have previously been intractable due to lack of appropriate data, recent improvements in private sector traffic data now make more complete understandings of congestion possible. This study uses a novel data source from Inrix, Inc. to design and test new modeling approaches to characterize and identify the predictors of urban congestion on the arterial network in the Toronto and Hamilton Census Metropolitan Areas (CMAs). Methods are developed which make two novel contributions. First, models explore the geography of congestion at different scales. Second, models incorporate a discrete-continuous modeling framework which better reflects congestion’s non-linear nature. When tested in the two study regions, results suggest that while congestion is largely a regional phenomenon in Toronto, it is highly localized in Hamilton. Different policy responses and roles for smart growth planning may be in order in each of the regions. This methodology can be deployed in other regions to similarly measure congestion and identify more context-appropriate responses.
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 | 0,022 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».