Station-Level Forecasting of Bikesharing Ridership
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
This study investigated the effects on bikesharing ridership levels of demographic and built environment characteristics near bikesharing stations in three operational U.S. systems. Although earlier studies focused on the analysis of a single system, the increasing availability of station-level ridership data has created the opportunity to compare experiences across systems. In this study, particular attention was paid to data quality and consistency issues raised by a multicity analysis. This project also expanded on earlier studies with the inclusion of the network effects of the size and spatial distribution of the bikesharing station network, which contributed to a more robust regression model for the prediction of station ridership. The regression analysis identified a number of variables that had statistically significant correlations with station-level bikesharing ridership: population density; retail job density; bike, walk, and transit commuters; median income; education; presence of bikeways; nonwhite population (negative association); days of precipitation (negative association); and proximity to a network of other bikesharing stations. Proximity to a greater number of other bike-sharing stations exhibited a strong positive correlation with ridership in a variety of model specifications. This finding suggested that, with the other demographic and built environment variables controlled for, access to a comprehensive network of stations was a critical factor to support ridership. Compared with earlier models, this model is more widely applicable to a diverse range of communities and can help those interested in the adoption of bikesharing systems to predict potential levels of ridership and to identify station locations that serve the greatest number of riders.
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 | 0,001 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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