Synthesizing Population for Microsimulation-based Integrated Transport Models Using Atlantic Canada Micro-data
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
Due to the lack of availability of micro-data of population characteristics, the synthesis of individual and household attributes is a necessary step for developing a disaggregate, dynamic travel demand forecasting model. Agent-based micro-simulation models attempt to forecast travel behaviour of individuals and households by simulating the behaviour of the singular actors in the system. The framework for generating synthesis population presented in this paper is a fundamental contribution to the development of an Integrated Transport, Land Use and Environment Modelling System in Nova Scotia, Canada. In this paper, a population is synthesized for individuals and households in Atlantic Canada using the Fitness Based Synthesis (FBS) approach. A synthetic algorithm is designed that allows both individual and household attribute levels to synthesize simultaneously. Unequal probabilities based on the sampling weight are used in the household selection step of the algorithm. In this way, the performance and accuracy of the synthetic population produced has been improved. The synthetic algorithm is tested for two functions: first, using the one level (household) control tables; and second, using two levels (individual and household) control tables. The data used in this study is collected from the 2006 Canadian Census and the 2006 Public Use Micro-data File (PUMF). The algorithm is implemented using a high-level matrix programming language for numerical computation in MATLAB. The results show that the synthetic population with both individual and household level attributes has the best fitness value.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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