Comparison of Agent-Based Transit Assignment Procedure with Conventional Approaches
Notice bibliographique
Résumé
The public transportation system, a key part of a multimodal transportation network, has been widely viewed as an efficient way to reduce road congestion and pollution. Public transportation planners use transit assignment models to forecast travel demand and service performance. As technologies evolve and smart transit systems become more prevalent, it is important that assignment models adapt to new policies, such as traveler information provision. This paper investigates three transit assignment tools that represent three approaches to modeling transit trip distribution over a network of fixed routes. These tools are the EMME/2 Transit Assignment Module (Module 5.35), commonly used by planners; Toronto, Canada, Transit Commission's transit assignment tool, MADITUC; and the newly developed Microsimulation Learning-based Approach to Transit Assignment (MILATRAS). These approaches range from aggregate, strategy-based frameworks to fully disaggregate microscopic platforms. MILATRAS presents a stochastic process approach (i.e., nonequilibrium based) for modeling within-day and day-to-day variations in the transit assignment process in which aggregate travel patterns can be extracted from individual choices. Although MILATRAS presents a different standpoint for analysis in comparison with equilibrium-based models, it still gives the steady state run loads. MILATRAS performs comparatively well with EMME/2 and MADITUC. In addition, MILATRAS presents a policy-sensitive platform for modeling the effects of smart transit system policies and technologies on passengers’ travel behavior (i.e., trip choices) and transit service performance.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».