Encapsulating and Visualizing Disaggregated Origin–Destination Desire Lines to Identify Demand Corridors
Notice bibliographique
Résumé
Origin–destination (O-D) data contain relevant information on the spatial structure of transportation demand; the data reveal the raw travel demand, notwithstanding transportation supply or networks. Visualizing an O-D matrix to identify demand corridors for small sets of data can be simple. In contrast, with the increasing complexity of travel paths, the amount of data collected is large and contains more information that needs to be analyzed. This process is challenging with significant conceptual and imaginary barriers. Spatial aggregation methods are usually used to reduce the complexity of O-D data. Such treatment, especially in an urban context, reduces the richness of data substantially. An approach is proposed to visualize an O-D matrix and to identify major corridors; this approach aims to cluster desire lines—the shortest and most direct trajectory between an origin and destination—so that the main concentrations of flow can be identified. The clustering of desire lines instead of O-D points allows the identification of what can be labeled raw demand corridors. Demand corridors may be used to identify collective trajectories, to evaluate transportation networks, and to propose strategies more adapted to transportation demand. The notion of corridors was clarified, and various applications of observed O-D sets from a survey in Montreal, Canada, were examined to identify major demand corridors. Results showed that demand collective corridors could be used as planning or decision-making tools. These corridors allow planners to encapsulate travel patterns, an approach that can assess the performance of current networks, identify potential development axes, or allow evaluation of corridor projects by comparing them with a reference unit.
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 | 0,010 | 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 | 0,002 | 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 ».