Application of Artificial Neural Network Models to Activity Scheduling Time Horizon
Notice bibliographique
Résumé
Machine-learning techniques are increasingly being applied in the areas of exploratory data analysis, prediction, and classification. At the same time that analytical techniques are expanding, new conceptual approaches to the modeling of travel are emerging in an effort to improve travel demand forecasting and better assess the impacts of emerging transportation policy. In particular, the shift toward activity-based travel analysis has led to the development of activity scheduling models. One of the key features of emerging models of this type is the attempt to simulate the order in which activities are added during a continuous process of schedule construction. In practice, a fixed order by activity type is often assumed; for example, work activities are planned first, followed by the planning of more discretionary activity types. By using observed data on the scheduling process from a small sample of households from Quebec City, Quebec, Canada, a neural network model that classifies activities according to the order in which they were planned, the planning time horizon (preplanned, planned, or impulsive), was developed. A variety of explanatory variables were used in the model related to individual-, household-, and activity-based characteristics such as spatial and temporal fixities. The model developed exhibited a relatively high degree of prediction with the test data, especially for the preplanned and impulsive categories of the planning time horizon. These results suggest that machine-learning algorithms could be used to predict the order in which activities are selected in emerging activity scheduling process models, thereby avoiding static assumptions related purely to activity type.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 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 ».