Object-Oriented Analysis of Carsharing System
Notice bibliographique
Résumé
Carsharing systems are gaining new members every month. However, few studies formally define the system and illustrate the systematic processing of administrative data sets to estimate indicators regarding both demand and supply objects. The first outcome of this research is the definition of the object model for a carsharing system. Rich transaction data sets, generally used for the production of monthly bills, are used to estimate indicators describing how the carsharing system is used in the Montreal area of Quebec, Canada. Indicators describing the main objects of the system—members, trip chains (transactions), cars, and stations—are estimated by using continuous data. The demand object analysis focuses on the study of members and their trip chains using the shared cars. The analysis shows that carsharing members are younger than the overall population, with an overrepresentation of 25- to 39-year-olds. The persistency of active members within the carsharing system is estimated at around 60% after 4 months and 50% after 12 months. The supply–objects analysis focuses on the study of cars and stations. Spatial dispersion of members with respect to stations used and typical use of cars is illustrated over long periods. With the increase in the number of members, transactions, cars, and stations, carsharing organizations need to find new ways to manage growth and optimize their networks. A clearer understanding of how their systems are used will help them develop enhanced planning and modeling abilities.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».