Beyond Generating Transit Performance Measures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, the use of performance measures for transit planning and operations has gained a great deal of attention, particularly as transit agencies are required to provide service under increasing demand and with diminishing resources. The widespread application of the technologies of intelligent transportation systems to transit encourages automating the generation of comprehensive performance measures. In Portland, Oregon, the local transit provider, Tri-County Metropolitan Transportation District of Oregon (TriMet), has been on the leading edge of the transit industry since it implemented its bus dispatch system (BDS) in 1997. The BDS comprises automatic vehicle location on all buses, a radio communications system, automatic passenger counters on most vehicles, and a central dispatch center. Most significant, TriMet developed a system to archive all its stop-level data, which are then available for conversion to performance indicators. In the past decade, TriMet has used this system extensively to generate performance indicators through monthly, quarterly, and annual reporting. TriMet generates a wide range of performance indicators, yet an opportunity remains to explore metrics beyond general transit performance measures (TPMs). On the basis of an analysis of 1 year of archived BDS data for all routes and stops, the power of using visualization tools to understand the abundance of BDS data is demonstrated. In addition, several statistical models are generated to demonstrate the power of statistical analysis in conveying valuable and new TPMs beyond what is currently generated at TriMet or in the transit industry in general. It is envisioned that systematic use of these new methods and TPMs can help TriMet and other transit agencies improve the quality and reliability of their service.
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.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,002 |
| 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 découle