Augmenting Transit Trip Characterization and Travel Behavior Comprehension
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
Trips need to be described and have always been characterized by various levels of abstraction. It varies from a simple label such as home-based work to complete itinerary with sociodemographic characteristics of the trip maker and household. The rationale behind such classifications is that planners and modelers recognize that the demand of transportation is highly differentiated. It is hoped that additional attributes would provide a more complete portrait of the demand and an improved understanding of the underlying travel behavior. Passive data collection technologies bring an extra dimension to travel data acquisition. Multiday data, which are difficult to collect, become accessible. In public transit, a smart card automatic fare collection system with automatic vehicle location capability provides high-resolution longitudinal data on travel pattern but also suffers from the inherent limitations of passive methods. This paper proposes a methodology to enhance transit trip characterization by adding a multiday dimension to a month of smart card transactions. On the basis of an individual, anchor points—precise to an exact address—are detected. Boarding and alighting locations are described with respect to those anchors. The enhancement allows in-depth travel behavior analysis on a subgroup sharing a common anchor or an individual. The paper demonstrates the use of spatial statistics, spatial analyses with geographic information system, visualizations, and data mining to describe activity space and locations and departure time dynamics, and to derive monthly trip table, activity schedule, and behavioral rules for cardholders. The results offer promising insights to transit planning and the understanding of travel behavior.
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 | 0,002 |
| Études des sciences et des technologies | 0,002 | 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) | 0,001 | 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