Modelling bus delay at bus stop
Notice bibliographique
Résumé
A bus may be blocked from entering and exiting a stop by other buses and traffic lights. The objective of this paper is to model each type of delay under these phenomena and the overall delay a bus experiences at a stop. Occupy-based delay, transfer block-based delay and block-based delay are defined and modelled. Bus delay at stop is just the sum of these three types of delay. Bus arrival rate, bus service rate, berth number and traffic lights are taken into consideration when modelling delay. Occupy-based delay is modelled with mean waiting time in Queueing theory. Transfer block-based delay and block-based delay are modelled based on standard deviation of waiting time and the probabilities of their occurrences. Two stops in Vancouver, Canada are selected for parameter estimation and model validation. The unknown parameter is estimated as 0.4230 using Ordinary Least Squares (OLS), which indicates that 42.3% of waiting time variation can be attributed to buses being blocked by the buses in front and red light for the selected stops. Model validation shows the average accuracy rate of the proposed model is 75.07% for the selected stops. Bus delay at stop evidently increases when arrival rate is more than 85 buses per hour for the given service time (50 s), ratio of red time to cycle length (0.65) and berth number (2). We also figure out that bus delay at stop evidently increases when service time is more than 60 s for the given arrival rate (54 buses per hour), ratio of red time to cycle length (0.65) and berth number (2). The proposed model can provide a tool for bus stop design and offer the foundation for service quality evaluation of transit.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».