Joint Model of Participation in Nonwork Activities and Time-of-Day Choice Set Formation for Workers
Notice bibliographique
Résumé
Nonwork activity and travel participation, an important component of overall travel demand, is complex to model because the greater degree of flexibility associated with such travel induces larger variability and randomness in the behavior. This paper aims to offer a framework for modeling workers’ participation in and travel mileage allocated to non-work activities during various time periods of the day. Five time-of-day blocks are defined for workers on the basis of the period of the day in relation to the work schedule. Individuals can choose to pursue nonwork activities in one or multiple time blocks and travel miles to accomplish the activities. A multiple discrete-continuous extreme value modeling approach is used to model this phenomenon. A unique element of the paper is the addition of a latent choice set generation model as a first component in the model system. This choice set generation model can be used to determine the set of time-of-day periods that each individual will consider for the pursuit of nonwork activities, while recognizing that the consideration choice set is not explicitly observed (and is therefore latent) by the analyst. Thus, the model system presented in this paper is capable of modeling nonwork activity engagement and associated travel mileage by time-of-day period while incorporating varying choice sets across individuals. The two-component model system is applied to a survey sample drawn from the San Francisco area in California and shown to perform substantially better than a pure multiple discrete-continuous extreme value model that assumes a constant choice set across the sample.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».